Python系列爬虫之Github用户数据爬虫

50231ef35612485da89303ac0173f9d1_tplv-obj.jpg

前言

主要目标是爬取Github上指定用户的粉丝数据以及对爬取到的数据进行一波简单的可视化分析。
让我们愉快地开始吧~

开发工具

Python版本:3.6.4

相关模块:

bs4模块;

requests模块;

argparse模块;

pyecharts模块;

以及一些python自带的模块。

环境搭建

安装Python并添加到环境变量,pip安装需要的相关模块即可。

数据爬取

感觉好久没用beautifulsoup了,所以今天就用它来解析网页从而获得我们自己想要的数据呗。以我自己的账户为例:

图片

我们先抓取所有关注者的用户名,它在类似如下图所示的标签中:

图片

用beautifulsoup可以很方便地提取它们:

'''获得followers的用户名'''
def getfollowernames(self):
    print('[INFO]: 正在获取%s的所有followers用户名...' % self.target_username)
    page = 0
    follower_names = []
    headers = self.headers.copy()
    while True:
        page += 1
        followers_url = f'https://github.com/{self.target_username}?page={page}&tab=followers'
        try:
            response = requests.get(followers_url, headers=headers, timeout=15)
            html = response.text
            if 've reached the end' in html:
                break
            soup = BeautifulSoup(html, 'lxml')
            for name in soup.find_all('span', class_='link-gray pl-1'):
                print(name)
                follower_names.append(name.text)
            for name in soup.find_all('span', class_='link-gray'):
                print(name)
                if name.text not in follower_names:
                    follower_names.append(name.text)
        except:
            pass
        time.sleep(random.random() + random.randrange(0, 2))
        headers.update({'Referer': followers_url})
    print('[INFO]: 成功获取%s的%s个followers用户名...' % (self.target_username, len(follower_names)))
    return follower_names

接着,我们就可以根据这些用户名进入到他们的主页来抓取对应用户的详细数据了,每个主页链接的构造方式为:

https://github.com/ + 用户名
例如: https://github.com/CharlesPikachu

我们想要抓取的数据包括:

图片

同样地,我们利用beautifulsoup来提取这些信息:

for idx, name in enumerate(follower_names):
    print('[INFO]: 正在爬取用户%s的详细信息...' % name)
    user_url = f'https://github.com/{name}'
    try:
        response = requests.get(user_url, headers=self.headers, timeout=15)
        html = response.text
        soup = BeautifulSoup(html, 'lxml')
        # --获取用户名
        username = soup.find_all('span', class_='p-name vcard-fullname d-block overflow-hidden')
        if username:
            username = [name, username[0].text]
        else:
            username = [name, '']
        # --所在地
        position = soup.find_all('span', class_='p-label')
        if position:
            position = position[0].text
        else:
            position = ''
        # --仓库数, stars数, followers, following
        overview = soup.find_all('span', class_='Counter')
        num_repos = self.str2int(overview[0].text)
        num_stars = self.str2int(overview[2].text)
        num_followers = self.str2int(overview[3].text)
        num_followings = self.str2int(overview[4].text)
        # --贡献数(最近一年)
        num_contributions = soup.find_all('h2', class_='f4 text-normal mb-2')
        num_contributions = self.str2int(num_contributions[0].text.replace('\n', '').replace(' ', ''). \
                            replace('contributioninthelastyear', '').replace('contributionsinthelastyear', ''))
        # --保存数据
        info = [username, position, num_repos, num_stars, num_followers, num_followings, num_contributions]
        print(info)
        follower_infos[str(idx)] = info
    except:
        pass
    time.sleep(random.random() + random.randrange(0, 2))

数据可视化

这里以我们自己的粉丝数据为例,大概1200条吧。

先来看看他们在过去一年里提交的代码次数分布吧:

图片

提交最多的一位名字叫fengjixuchui,在过去一年一共有9437次提交。平均下来,每天都得提交20多次,也太勤快了。
图片

再来看看每个人拥有的仓库数量分布呗:

图片

本以为会是条单调的曲线,看来低估各位了。

接着来看看star别人的数量分布呗:

图片

还行,至少不全都是"潜水白嫖"的
图片

。表扬一下名为lifa123的老哥,竟然给别人了18700个👍,也太秀了。
图片

再来看看这1000多个人拥有的粉丝数量分布呗:

图片

简单看了下,有不少小伙伴的followers数量比我还多。果然高手在民间。

看完篇文章喜欢的朋友点个爱心支持一下,关注我每天分享Python数据爬虫案例,下篇文章分享是Python爬取并简单分析A股公司数据

All done~完整源代码详见个人简介或者私信获取相关文件。

推荐阅读更多精彩内容