基于 Python 的公开接口数据抓取与本地化存储方案
核心思路
- 分析列表接口：在浏览器 DevTools 中筛选 XHR，发现真实请求 URL 形如
https://api.example.com/api/v2/theme/list?page={page}&size=20，返回体含data.total与data.list。 - 解析单条记录：字段
title、author、coverUrl即为我们需要的元数据，无需再进详情页。 - 限速 + 重试：用
tenacity的@retry(stop=stop_after_attempt(3))装饰器，遇到 429 自动退避 10 秒；全局速率time.sleep(random.uniform(1, 2))，确保平均 <30 次/分。
运行环境
Python≥3.7，依赖如下：
pip install requests pandas tenacity fake-useragent
代码示例
文件 save_data_meta.py：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
抓取目标站点公开主题合集元信息，仅采集 title/author/coverUrl 三字段。
仅供学习，请遵守平台 robots.txt 与相关法律法规。
"""
import csv, time, random, requests
from tenacity import retry, stop_after_attempt, wait_fixed
from fake_useragent import UserAgent
BASE_URL = "https://api.example.com/api/v2/theme/list"
CSV_FILE = "data_export.csv"
PAGE_SIZE = 20
MAX_PAGE = 50 # 按需调整，0 表示抓全量
SLEEP_RANGE = (1, 2) # 秒，随机休眠
ua = UserAgent()
session = requests.Session()
session.headers.update({"Referer": "https://www.example.com/"})
@retry(stop=stop_after_attempt(3), wait=wait_fixed(10))
def fetch_one_page():
session.headers.update({: ua.random})
params = {: page, : PAGE_SIZE}
resp = session.get(BASE_URL, params=params, timeout=)
resp.status_code == :
Exception()
resp.raise_for_status()
resp.json()
():
writer =
p (, MAX_PAGE + ):
()
js = fetch_one_page(p)
rows = [{: item[], : item[], : item[]} item js[][]]
writer:
writer = csv.DictWriter((CSV_FILE, , newline=, encoding=), fieldnames=[, , ])
writer.writeheader()
writer.writerows(rows)
js[][] <= p * PAGE_SIZE:
time.sleep(random.uniform(*SLEEP_RANGE))
()
__name__ == :
main()
