爬取 Google Play 商店

Question

我想爬取 Google Play 商店以下载所有 android 应用程序的网页（所有具有以下基本 url 的网页：https://play.google.com/store/apps/）。我检查了 play store 的 robots.txt 文件，它不允许抓取这些 URL。

另外，当我浏览 Google Play 商店时，我只能看到每个类别最多 3 页的热门应用程序。如何获取其他应用页面？

如果有人尝试过抓取 Google Play，请告诉我以下信息： a) 您是否成功爬取了 Play 商店。如果是，请告诉我你是怎么做到的。 b) 如何抓取每个类别的热门应用中不可见的隐藏应用页面？ c) 是否有一种技术可以同时下载应用程序而不仅仅是网页？

我已经四处搜索并找到了以下链接：

a) https://code.google.com/p/android-market-api/ 
b) https://code.google.com/p/android-marketplace-crawler/source/checkout 
c) http://mohsin-junaid.blogspot.co.uk/2012/12/how-to-install-android-marketplace.html 
d) http://mohsin-junaid.blogspot.in/2012/12/how-to-download-multiple-android-apks.html

谢谢！

Answer 1

我之前在Python中做过这个工作，你需要一个叫selenium的网络自动测试库，它可以执行Javascript代码并将结果返回给Python，使用Javascript，你可以点击“显示更多”按钮程序本身。当您获得单个类别页面的所有链接时，您可以获得该应用程序的一些信息。简单的演示here。希望有帮助。

Answer 2

Google 不允许抓取 /store/apps 页面。

robot.txt 中没有提到“/store/apps”

见https://play.google.com/robots.txt

Answer 3

首先，Google Play 的 robots.txt 不允许带有基本“/store/apps”的页面。

如果您想抓取 Google Play，您需要开发自己的网络抓取工具，解析 HTML 页面并提取您需要的应​​用元数据（例如标题、描述、价格等）。此主题已在另一个 question 中介绍。有一些图书馆可以帮助解决这个问题，例如：

• Java：https://jsoup.org
• 蟒蛇：https://scrapy.org

更难的部分是“找到”要抓取的应用页面。您可以使用 1) Google Play Sitemap 或 2) 按照Link Extractor 文档中的说明，按照您在抓取的每个页面中找到的应用链接进行操作（以防您打算使用 Scrapy）。

另一种选择是使用基于 ProtoBuf 的开源库来获取有关应用程序的元数据，这里是项目的链接：https://code.google.com/archive/p/android-market-api。 该库代表有效的 Google 帐户从 Google Play 获取应用元数据，但在这种情况下，您还需要一个爬虫来“查找”哪些应用程序可用并安排它们的元数据检索。这个其他开源项目可以帮助您：https://code.google.com/archive/p/android-marketplace-crawler。

如果您不想自己实现所有这些，可以使用第三方托管服务通过基于 JSON 的 API 访问 Android 应用元数据。例如，42matters.com（我工作的公司）为 Android 和 iOS 提供了一个 API 来检索应用程序的元数据，这里有更多详细信息：

https://42matters.com/app-market-data

为了获取应用程序的标题、图标、描述、下载，您可以使用此处记录的“查找”端点：

https://42matters.com/docs/app-market-data/android/apps/lookup

这是“Angry Birds Space Premium”应用的 JSON 响应示例：

{
    "package_name": "com.rovio.angrybirdsspace.premium",
    "title": "Angry Birds Space Premium",
    "description": "Play over 300 interstellar levels across 10 planets...",
    "short_desc": "The #1 mobile game of all time blasts off into space!",
    "rating": 4.3046236038208,
    "category": "Arcade",
    "cat_key": "GAME_ARCADE",
    "cat_keys": [
        "GAME_ARCADE",
        "GAME",
        "FAMILY_EDUCATION",
        "FAMILY"
    ],
    "price": "$1.15",
    "downloads": "1,000,000 - 5,000,000",
    "version": "2.2.1",
    "content_rating": "Everyone",
    "promo_video": "https://www.youtube.com/embed/g6AL9YqRHaI?ps=play&vq=large&rel=0&autohide=1&showinfo=0&autoplay=1",
    "market_update": "2015-07-03T00:00:00+00:00",
    "screenshots": [
        "https://lh3.googleusercontent.com/ZmuBQzIy1G74coPrQ1R7fCeKdJmjTdpJhNrIHBOaFyM0N2EYdUPwZaQjnQUtiUDGmac=h310",
        "https://lh3.googleusercontent.com/Xg2Aq70ZH0SnNhtSKH7xg9jCfisWgmmq3C7xQbx6YMhTVAIRqlRJeH8GYtjxapb_qR4=h310",
        "https://lh3.googleusercontent.com/T4o5-2_UP82sj4fSSegbjrGmslNHlfvtEYuZacXMSOC55-7eyiKySw05lNF1QQGO2FeU=h310",
        "https://lh3.googleusercontent.com/f2ennaLdivFu5cQQaVPKsRcWxB8FS5T4Bkoy3l0iPW9-GDDnTVRhvR5kz6l4m8FL1c8=h310",
        "https://lh3.googleusercontent.com/H-9M03_-O9Df1nHr2-rUdjtk2aeBY3bAxnqSX3m2zh_aV8-K1t0qU1DxLXnK0GrDAw=h310"
    ],
    "created": "2012-03-22T08:24:00+00:00",
    "developer": "Rovio Entertainment Ltd.",
    "number_ratings": 20812,
    "price_currency": "$",
    "icon": "https://lh3.ggpht.com/aQaIEGrmba1ENSEgUtArdm3yhJUug7BRWlu_WaspoJusZyHv1rjlWtYqe_qRjE_Kmh1E=w300",
    "icon_72": "https://lh3.ggpht.com/aQaIEGrmba1ENSEgUtArdm3yhJUug7BRWlu_WaspoJusZyHv1rjlWtYqe_qRjE_Kmh1E=w72",
    "market_url": "https://play.google.com/store/apps/details?id=com.rovio.angrybirdsspace.premium&referrer=utm_source%3D42matters.com%26utm_medium%3Dapi"
}

我希望这会有所帮助，否则请随时与我联系。我非常了解这个主题，可以为您指明正确的方向。

问候，

安德烈亚