用Python爬取WordPress官网所有插件的教程

只要是用 WordPress 的人或多或少都会装几个插件，可以用来丰富扩展 WordPress 的各种功能。围绕 WordPress 平台的插件和主题已经建立了一个独特的经济生态圈和开发者社区，养活了众多的 WordPress 相关的开发公司和开发者。各种强大的 WordPress 插件也层出不穷，有的甚至可以做出功能完善的网站，比如招聘网站、分类信息网站、电商网站、点评网站、培训网站等等，令我赞叹不已。

最近一直沉迷于研究 WordPress，仿佛事隔多年与初恋情人再续前缘一般陷入热恋。这几天突发奇想把 WordPress 上这么多眼花缭乱的插件都爬下来，看看能不能分析出一点有意思的东西来。

总体思路

官网插件的页面（点此直达打开）上列出了一共有 54,520 个插件。记得以前在官网上可以按各种分类浏览的，现在只有推荐的插件、收藏的插件、流行的插件几大类显示出来，其他的好像只能靠人肉搜索了，非常不方便。

那么首先第一步我们要知道去哪里可以找到所有的 WordPress 插件列表，搜了一圈发现 WordPress 的 svn 上有这个完整的列表（http://plugins.svn.wordpress.org/）。 这个网页（比较大，5M 多，慎点）比官网上的插件还要齐全，一共 7 万多个。现在有了完整列表就好办了。

接下来就是要获取插件的各种信息，比如作者、下载量、评分等等。这个可以去哪里获取呢？当然最傻的办法就是根据上面列表中的插件地址，把每个插件的网页 down 下来再提取，这也就是爬虫干的事。不过 WordPress.org 网站自身的 WordPress.org API 已经给开发者提供了非常方便强大的接口，可以获取到几乎所有 wordprss.org 上的主题、插件、新闻等相关的信息，也支持各种参数和查询。注意，这个和 WordPress 的 REST API 是两回事。基本上你可以理解成 Apple.com 的 API 和 iOS 的 API 之间的区别（虽然 apple.com 并没有什么 API）

比如本次需要插件的一些数据，那就可以使用关于插件描述的 API： https://api.wordpress.org/plugins/info/1.0/{slug}.json，slug 也就是每个插件唯一的地址，这个在刚才 svn 上已经可以获取到了。用这个 API 可以返回关于插件的 json 格式的各种详细信息，很全面，如下：

有了列表，有了返回格式，接下来就是要把这些信息给扒下来，其实就是重复遍历一遍就可以了，要么用著名 Python 的 Requests 库循环一圈，要么使用 Python 的爬虫框架 Scrapy，都是可以的。在存储爬取数据方面，本来打算用 scrapy 并且存入 mongodb 的，但是遇到的一个坑是 API 返回的 json 对象里 version 有的 key 是带小数点的，比如”0.1”这种是无法直接存入 mongodb 的，会报错说 key 不能包含点.，具体见下图：

不用就不用呗，改 key 才蛋疼了。所以这可以祭出另外一个厉害的 python 库 jsonline 了，它可以以 jsonl 文件的形式一行存储一条 json，读写速度也很快。最后爬完所有数据的这个文件有 341M 之大！

最后，有了数据就可以做一些有意思的数据分析了，这一步主要会用到的就是一些常见的 Python 的数据分析工具和图表工具，pandas、numpy、seaborn 等。根据上面的返回信息可以看出，能够分析的维度也是很多的，比如哪些作者开发的插件最多、哪些插件的下载量最多、哪些类别的插件最多、哪些国家的开发者最多、每年的插件增长量等等，甚至更进一步可以把所有插件的 zip 文件下载下来用 AI 做一些深入的代码分析等等，想想还是挺有意思的，本文的目标也就是提供一种思路和方法，希望能抛砖引玉。

下面进开始进入代码的世界，用 Python 爬取 WordPress 官网所有插件吧。

爬取数据准备工作

要爬数据一般第一步是要确认爬虫的入口网页，也就是从哪里开始爬，沿着入口网页找到下一个 URL，找-爬-找，不断循环重复直到结束。一般来说入口网页的分析都可以在 scrapy 内部进行处理，如果事先就已经可以明确知道所有要请求的网页地址，那么也可以直接把 url 列表扔进 scrpay 里，让它顺着列表一直爬爬爬就行了。

本次为了说的清晰一点，爬虫部分不用再次解释，所以分步进行，先把要爬的所有 url 准备好等下可以直接使用。之前说过了，WordPress 所有的插件名称列表(http://plugins.svn.wordpress.org/)在这里可以找到，这网页是一个非常简单的静态网页，就是一个巨大的 ul 列表，每一个 li 就是一个插件名字：

plugins.svn.wordpress.org 的网页源代码

这里的 href 就是插件的 slug，是 wordpress.org 用来确定插件的唯一标示。解析这种 html 对 Python 来说简直是小菜一碟，比如最常用的 BeautifulSoup 或者 lxmp，这次决定尝试一个比较新的库，Requests-HTML: HTML Parsing for Humans，这也是开发出 Requests 库的大神 kennethreitz 的又一力作，用于解析 HTML 文档的简直不要太爽了。

slug 得到后，按照 API 的 url 格式地址组合起来，全部写入一个文件中就可以了。

python 库 requests_html 的用法

作为对比，可以看下用 BeautifulSoup 的方法：

python 库 BeautifulSoup 的用法

就这么一个简单对比还是比较明显的，简单明了。最终，这一步的输出结果就是这个 all_plugins_urls.txt 文件了，总共有 79223 个插件。

有了这个列表，其实下面的 Scrapy 步骤其实完全可以不用，直接拿 wget 都可以全部简单粗暴的怼下来 7 万个 json 文件：

wget -i all_plugins_urls.txt

或者用 requests 简单的遍历请求一下就完事了，就可以得到所有插件的数据，进而可以直接进入数据分析阶段了。为了作为演示吧，也算作是一个简单的 scrapy 的介绍，对于没有接触过 scrapy 的朋友来说，可以是一个很初步的入门介绍。

安装 scrapy

这一步最简单的方式就是 pip 安装

pip install Scrapy

scarpy -V # 验证一下

新建项目 (Project)：新建一个新的爬虫项目

scrapy 提供了完善的命令工具可以方便的进行各种爬虫相关的操作。一般来说，使用 scrapy 的第一件事就是创建你的 Scrapy 项目。我的习惯是首先新建一个文件夹（用要爬的网站来命名，这样可以方便的区分不同网站的爬虫项目）作为总的工作区, 然后进入这个文件夹里新建一个 scrapy 的项目，项目的名字叫做 scrap_wp_plugins，可以改成你想要的名字

mkdir ~/workplace/wordpress.org-spider

cd ~/workplace/wordpress.org-spider

scrapy startproject  scrap_wp_plugins

这样就会自动创建好类似如下的文件结构：

对我们这个需求来说，除了 settings.py 需要做一点点修改，其余文件都先不用管它，在这个简单的不能再简单的项目里都用不到。

目前只是一个空架子，啥也干不了，因为还没有爬虫文件，你可以完全纯手写，也可以用模板来生成一个。我们就用 scrapy 的命令行自动生成一个爬虫，语法格式是这样：

Syntax: scrapy genspider [-t template] <name> <domain>

其中：

• template：是要使用的爬虫的模板，默认的就是用最基本的一个。
• name：就是爬虫的名字，这个可以随便取，等下要开始爬的时候会用到这个名字。好比给你的小蜘蛛取名叫“春十三”，那么在召唤它的时候你就可以大喊一声：“上吧！我的春十三！”
• domain：是爬虫运行时允许的域名，好比说：“上吧！我的春十三！只沿着这条路线上！”

所以执行如下命令即可：

cd scrap_wp_plugins

scrapy genspider plugins_spider wordpress.org

这样就会在 spiders 文件夹下生出一个叫 plugins_spider.py 的爬虫文件，也就是在这里面可以填充一些爬取逻辑和内容解析。

制作爬虫（Spider）：制作爬虫开始爬取网页

首先我们打开 scrap_wp_plugins/plugins_spider.py 看下里面的内容：

Created spider ‘plugins_spider’ using template ‘basic’ in module: scrap_wp_plugins.spiders.plugins_spider

可以看出这就是一个最简单 scrapy 的 Spider 的类而已，自动填入了上一步用来创建爬虫时的一些参数。

• name：爬虫的识别名，它必须是唯一的，在不同的爬虫中你必须定义不同的名字，就是上一步的命令行里写的
• start_urls：爬虫开始爬的一个 URL 列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些 URLS 开始。其他 URL 将会从这些起始 URL 中继承性生成。具体来说，在准备工作那一部分，我们已经得到了一个 urls 的列表文件 txt，现在只需要把这个文件读取进来就好了。
• parse()：爬虫的方法，调用时候传入从每一个 URL 传回的 Response 对象作为参数，response 将会是 parse 方法的唯一的一个参数，这个方法负责解析返回的数据、匹配抓取的数据(解析为 item)并跟踪更多的 URL。在本项目中，因为返回的是 json，不需要解析任何 html，这里为了省事我就直接把 json 整个存储起来已备后面数据分析的时候再选择需要的字段，当然你也可以根据需要选择过滤掉不需要的 json 字段。

所以，我们的第一个爬虫就呼之欲出了！请看代码，麻雀虽小五脏俱全

a simple spider will crawl all plugins from wordpress.org

运行爬虫

改完上面的爬虫代码，现在就可以让爬虫跑起来了，“上吧！比卡丘！”

scrapy crawl plugins_spider

哦嚯。。。

Forbidden by robots.txt

意外发生了。。。啥也没爬下来？？Don’t Panic ！别慌，仔细看下报错信息，原来是 https://api.wordpress.org/robots.txt 规定了不允许爬虫，而 scrapy 默认设置里是遵守 robot 协议的，所以简单绕过就行了，打开 setttings.py, 找到下面这行，把 True 改为 False，意思是：“爱咋咋地，老子不屌你的 robots.txt ”

# Obey robots.txt rules

ROBOTSTXT_OBEY = True

再次运行现在就可以愉快的爬取了。还有一点温馨提示，如果爬取网址数量比较多，不想中途因为断网或者其他什么鬼知道的意外中断，导致下次又要重新来过，可以加上 scrapy 的执行日志来保存爬虫状态，下次就会从中断处开始继续爬取

scrapy crawl plugins_spider -s JOBDIR=spiderlog   --logfile  log.out  &

这样就可以安心的去睡个觉，一早起来就能看到热呼呼新鲜出路的 WordPress 所有的插件信息了。

未完待续

本想放在一篇写的，没想到光爬信息这点东西写了这么多写到这么晚……可能东拉西扯废话太多了，下一篇继续再写关于数据分析的科普文吧。