用 30 行 Python 把公开合集数据搬进本地数据库
'目标网站'近日上线的新主题合集页采用前端渲染，数据通过 /api/v2/theme/list 接口一次性返回 JSON，无需模拟点击'加载更多'。接口无登录限制，但带 5 秒滑动窗口的 IP 频次校验：单 IP >30 次/分即返回 429。本文示范如何遵守 robots 协议、放缓速率，仅采集'公开可见'字段，并给出断点续抓、User-Agent 随机化、异常重试等常用技巧。
核心思路三步走：
- 分析列表接口：在浏览器 DevTools 里筛选 XHR，发现真实请求 URL 形如 https://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（文件 save_target_meta.py）：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
抓取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://example.com/api/v2/theme/list"
CSV_FILE = "target_meta.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://example.com/"})
@retry(stop=stop_after_attempt(3), wait=wait_fixed(10))
def fetch_one_page(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()
