利用Python爬取github上commits信息

最新推荐文章于 2023-05-19 15:52:10 发布

ACMer_wobudong

最新推荐文章于 2023-05-19 15:52:10 发布

阅读量3.8k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：爬虫文章标签：爬虫 Python Github requests BeautifulSoup

本文链接：https://blog.youkuaiyun.com/ACMer_wobudong/article/details/86595241

爬取github上commits在1200次以上的用户及commits分布情况

简介

前段时间，帮同学做了一个爬虫的作业，比较基础的那种，这里简单记录一下吧。要爬取的内容就是github上commits在1200次以上的人及其commits分布情况。完整代码下载地址：https://pan.baidu.com/s/1BUE5WqrCQ4PDEsS8aBX7Vg

准备

使用Python3.6
使用requests和BeautifulSoup库（不会用的可以看一下这两个中文文档requests和BeautifulSoup)

抓取用户个人页面

查看网址可以发现github用户页面网址格式都是"https://github.com/" + 用户ID，用户的几个页面格式是"https://github.com/" + 用户ID + “?tab=…”，这样我们就可以从一个用户开始，根据Followers和Following关系，爬取到大量的用户信息，我这里采用BFS（广度优先搜索）的思想，从一个用户ID为"u2"的用户开始，一层层的爬取用户的Following名单，并存到用户列表里备选。
代码如下：

#获取当前用户关注者列表下的用户名,放进备选用户列表里，并返回队尾
#函数参数为用户个人界面的url和队尾序号
def get_user_following(userFolloingUrl, userListTail):    
    req = requests.get(userFollowingUrl)
    html = req.text
    soup = BeautifulSoup(html,"lxml")
    userFollowings = soup.find_all('span', class_ = 'f4 link-gray-dark')
    for element in userFollowings:
        userName = element.text.replace('\xa0'*8,'\n\n') 
        if userName != "":
            userList.append(userName)
            userListTail = userListTail + 1
    return userListTail

获取commits信息

通过观察网址特点可以发现，每个用户每个月的提交信息网页url为：“https://github.com/” + 用户名 + “?tab=overview&from=” + 起始日期+"&to=" + 结束日期，以此特点遍历每个备选用户近七年每年十二个月的提交信息，确定其commits数量是否超过1200次。
代码如下：

while userListHead < userListTail:
    if userDataNum >= 20 :
        break
    userName = userList[userListHead]
    userListHead = userListHead + 1
    userFollowingUrl = "https://github.com/"+userName+"?tab=following"
    userListTail = get_user_following(userFollowingUrl, userListTail)
    time.sleep(int(random.uniform(2,4)))
    commitsNum = 0
    
    print("Get the user's following successfully")
   
    #遍历该用户最近七年每个月的commits记录
    for year in ["2018","2017","2016","2015","2014","2013","2012"]:
        for month in range(12,0,-1):
            eachMonthCommitsUrl = "https://github.com/"+userName+"?tab=overview&from="+year+startDate[month]+"&to="+year+endDate[month]
            time.sleep(int(