前言
2022年6月3日端午节安康。
今天主要分享如何利用爬虫爬取区块链浏览器上的交易列表数据。
原因
dune上没有bsc链上的转账明细数据表。FootprintAnalytics上现有的bsc_transactions表transfer_type粒度不够。
环境
python3.7
数据存储：mysql5.7
缓存：redis6.2.6
开发工具：pycharm
思路
所有协议、合约、swap地址转账信息全爬不太实际，对存储要求比较高。所以针对需要分析的协议，专门去爬取对应智能合约转账是个不错的选择。
区块链浏览器肯定是有反爬机制的。所以在代理选择上，要选择国外的代理。国内的代理都访问不到，具体原因你懂的。本文中不涉及代理部分，因为国外的代理厂家之前没有了解过。不过即使是上代理，对代码层面改动也比较小
采用了urllib同步请求+范围内随机时长程序休眠。减少了被风控的概率。但是也降低了爬虫的效率。
后面再研究用scrapy或异步请求
同步：请求发送后，需要接受到返回的消息后，才进行下一次发送。异步：不需要等接收到返回的消息。
实现
找到需要爬取合约的具体地址：
马来西亚Web3信息技术公司MASVERSE宣布开始天使轮融资:2月21日消息，总部位于马来西亚的信息技术公司MASVERSE在种子轮融资中获得了1.5 亿美元的估值，并得到了新加坡区块链风险投资公司Stratified Capital和马来西亚科技公司MEP Enviro的资金支持。此外，该公司即日起将进行天使轮融资。
据了解，MASVERSE专注于开发 WEB 3.0 区块链生态，并创建了马来西亚首个一站式 WEB 3.0 生态系统，该生态系统由 12 个独特的基础设施的支柱组成，为数据交换提供安全可靠的网络。 MASVERSE 在成立仅 6 个月的时间里，就已经推出了 NFT 市场、Lab 和 MGG DAO，并计划在 2023 年加大开发力度，采用自有链和APP，并扩展其数据库。[2023/2/21 12:19:32]
第一页
http://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8
第二页
https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&p=2
第三页
https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&p=3
数据：NFT交易平台SudoSwap TVL超过140万美元:8月5日消息，DeFiLlama数据显示，自8月1日起，NFT交易平台SudoSwap TVL激增，目前达到144.4万美元。[2022/8/5 12:04:42]
....
可以知道p=？就代表页数。
然后F12点击“网络”，刷新界面，查看网络请求信息。
主要查看，网页上显示的数据，是哪个文件响应的。以什么方式响应的，请求方法是什么
如何验证呢，就是找一个txn_hash在响应的数据里面按ctrl+f去搜索，搜索到了说明肯定是这个文件返回的。
查看响应的数据，是html的格式。在python里面，处理html数据，个人常用的是xpath
日本IT巨头GMO Internet推出NFT域名服务:7月27日消息，日本IT巨头GMO Internet宣布，其通过与美国NFT域名发行商Unstoppable Domains合作，已推出NFT域名服务“Crypto Name by GMO”。GMO称通过该服务旨在推动NFT域名在日本的普及以及拓展Web3市场。
此外，GMO发布“Crypto Name by GMO”的路线图，将于9月份支持NFT域名代理注册，并于2023年开始自售NFT域名并与GMO旗下NFT市场Adam by GMO达成合作等。（Coinpost）[2022/7/27 2:40:25]
在python里面安装相关的依赖
pip?install?lxml?‐i?https://pypi.douban.com/simple
同时在浏览器上安装xpath插件，它能更好的帮助我们获到网页中元素的位置
XPathHelper-Chrome网上应用店(google.com)
然后就可以通过插件去定位了，返回的结果是list
**注：**浏览器看到的网页都是浏览器帮我们渲染好的。存在在浏览器中能定位到数据，但是代码中取不到值的情况，这时候可以通过鼠标右键-查看网页源码，然后搜索实现
孙宇晨收购Poloniex，启用华语社区品牌波场交易所:6月9日消息，波场TRON创始人孙宇晨于Twitter正式宣布联合波场联合储备(TRON DAO Reserve) 及多家知名投资机构收购全球知名加密货币交易所Poloniex，并同时启用波场交易所作为其华语社区品牌。此次收购实现了孙宇晨在之前宣布的波场公链交易所双轮驱动计划，进一步完善了波场生态。[2022/6/9 4:14:46]
#?请求和xpath定位具体实现代码：
def?start_spider(page_number):
????url_base?=?'http://bscscan.com
/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&'
????#?请求头
????headers?=?{
????????'User-Agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/92.0.4515.159?Safari/537.36',
币安NFT市场开始支持Binance Pay:5月19日消息，币安NFT市场开始支持Binance Pay，允许用户通过Binance Pay购买NFT。目前该功能仅适用于币安NFT二级市场上以固定价格出售的NFT和Mystery Boxes。[2022/5/19 3:28:18]
????????'referer':?'https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8'
????}
????#?需要传入的参数
????data?=?{
????????'p':?page_number
????}
????#?将参数转为Unicode编码格式
????unicode_data?=?urllib.parse.urlencode(data)
????#?拼接网址
????#?http://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8
????url?=?url_base?+?unicode_data
????#?自定义request对象
????request?=?urllib.request.Request(url=url,?headers=headers)
????#?模拟浏览器发送请求
????response?=?urllib.request.urlopen(request)
????#?将返回的数据利用lxml转为
????tree?=?etree.HTML(response.read().decode('utf‐8'))
????#?//div//tbody//td//span/a/text()
????txn_hash_list?=?tree.xpath("//div//tbody//td//span/a/text()")
????#?//div//tbody//td//span/text()
????method_list?=?tree.xpath(
????????"//div//tbody//td//span/text()")
????#?//div//tbody//td//text()
????block_list?=?tree.xpath("//div//tbody//td//text()")
????#?//div//tbody//td/span/@title
????age_list?=?tree.xpath("//div//tbody//td/span/@title")
????#?//div//tbody//td/span/@title
????from_list?=?tree.xpath(
????????"//div//tbody//td/span/@title")
????#?//div//tbody//td/span/text()
????transfer_type_list?=?tree.xpath("//div//tbody//td/span/text()")
????#?//div//tbody//td/span/span//text()
????to_list?=?tree.xpath("//div//tbody//td/span/span//text()")
????#?//div//tbody//td/span/text()
????transfer_free_list?=?tree.xpath(
????????"//div//tbody//td/span/text()")
然后就是利用redis，对txn_hash去重，去重的原因是防止一条数据被爬到了多次
def?add_txn_hash_to_redis(txn_hash):
????red?=?redis.Redis(host='根据你自己的配置',?port=6379,?db=0)
????res?=?red.sadd('txn_hash:txn_set',?get_md5(txn_hash))
????#?如果返回0，这说明插入不成功，表示有重复
????if?res?==?0:
????????return?False
????else:
????????return?True
#?将mmsi进行哈希，用哈希去重更快
def?get_md5(txn_hash):
????md5?=?hashlib.md5()
????md5.update(txn_hash.encode('utf-8'))
????return?md5.hexdigest()
最后一个需要考虑的问题：交易是在增量了，也就是说，当前第二页的数据，很可能过会就到第三页去了。对此我的策略是不管页数的变动。一直往下爬。全量爬完了，再从第一页爬新增加的交易。直到遇到第一次全量爬取的txn_hash
最后就是存入到数据库了。这个没啥好说的。
以上就可以拿到转账列表中的txn_hash，后面还要写一个爬虫深入列表里面，通过txn_hash去爬取详情页面的信息。这个就下个文章再说，代码还没写完。
今天就写到这里。拜拜ヾ(?ω?`)o
来源：Bress
作者：撒酒狂歌
来源：金色财经
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。