有时候滚动steam的排行榜看自己喜欢的游戏的时候，未免会被右边的价格影响到。久而久之我发现我所不想买的游戏并不是因为它不好玩，而是它还没打折。又或者有些心水未被别人挖掘，在排行榜隐秘的角落里自怨自艾，等待“把玩”它的人出现~

于是我简单的用python爬取了steam排行榜前10000个游戏的信息，其中有游戏名，评价，价格，出版日期等，在更加简洁的列表界面选取自己感兴趣的游戏之时，也可以进行进一步的数据分析。

先说说这次爬虫选用数据的优缺点： 第一，我发现了steam在显示排行榜列表的时候后台会进行一个查询的申请，点开一看是一串json代码，而且在python进行request的时候不需要模拟浏览器进行填“headers”表的操作。通过访问而得到的json代码大大简化了循环复杂度，一次循环可以得到100个游戏信息。 第二，因为只需要遍历所有json代码，时间上可以比进入每一个游戏链接更加短。 第三，但就因为没有进入每个游戏的链接，所以像评论，简介，开发商等信息就没有爬取。但爬取游戏链接的爬虫攻略网上也有很多，这里就不弄斧了。

首先，进入官网的排行榜页面，为了避免游戏DLC、bundle等影响后期操作的类型出现，记得在右边的过滤器里只勾选游戏类目。

通过后台的XHR发现，页面每次刷新都只显示前50个游戏，当我们滚动页面往下看时，网站会发送一个神秘代码：

经过观察，我发现代码会自动申请返回从start参数的数字开始，一共count参数的数字的游戏信息。比如，下面的图显示它申请了从第51个到100个总共50个游戏的信息。

所谓json格式，其实就是在字典里夹字典或者列表，目前许多大数据都是这样保存滴。所以在查询的时候其实很方便，但是我在抽取信息的时候还是会用到正则表达式，因为会方便很多。

知道这些之后，剩下的就可以用python一个个有用信息抽取出来，组成一个新的Dataframe列表，以便之后保存为csv格式。

我们尝试用requests打开上面json页面的链接，并用json load解析。 这里我更改了start和count 的参数，比较方便对照原网页来看信息是否一致。

可以看看soup返回的结果，它显示了json里边'results_html'返回的东西，因为前边的内容我们已经不需要了，所有游戏信息都在这个键里边。

接着我们回到那个json页面看看我们想要的东西都藏在哪：

不幸运的是，有些游戏因为还没上架，所以没有人评论，我们用正则表达式得到的信息是乱码。所以我们用函数来防止出现乱码的可能性：

如果看到这里的读者觉得很轻松，那我便可以继续往下述说，因为爬取价格比评论更加麻烦。但仅限于麻烦，并没有很高大上的操作；而我相信我并不是用聪明的方法爬取到想要的结果，因为对于这个体量的数据再优化的代码对于运行时间来说相差不大。反正结果都一样，管他呢。

默认后边两位为小数点后两位，所以我们直接把这串数字揪出来并除以100：

但我们如果就想知道他的原价，以便之后做分析该怎么办呢？

先看一下steam排行榜上的价格有三种显示方法：

不过Free还是老老实实在最前面，所以我们后边只要找到Free就好啦。

上面的图片都是我在抽查的时候发现的规律与变形，为了避免后续几千个游戏有“乌合之众”，我在代码里只查找这三种格式，如果有奇形怪状的数据出现，直接一棍子打成“空值”：

定义完这些想要的数据之后，我们就开始跑循环了。 先把我们要的数据列命好名字：

接着我们以每个链接查询100个游戏的步伐开始跑循环并将里边的信息找出来，录入上面的列表里：

我们在遍历中每次访问页面、完成每次循环的时候都让电脑打印一段字，以便出错的时候能快速找出出错的页面。

接下来就将得到的数据塞进一个数据表里：

一 我发现final_price也就是一开始提取的最终价格中，会有高于原价的现象。

实况足球2020 是demo版免费，而想体验完整游戏确实需要78港币； 奇异人生1 是第一篇章免费，后边的篇章需要23.8港币。

二 这些代码跑起来虽然快，但得到的信息依旧太少，如果要深入研究steam的数据还是需要有强大的耐心遍历所有游戏链接呐。

三 这次的爬虫经历其实也发现了steam一些录入大数据库的时候的小差错，比如前面所提到的免费标识竟然有3种变体，但他们可能觉得问题不大。

终于整理结束，赶紧结尾： 这次的文章就到这里，希望对大家有所帮助~！

本文搬运自自己的wechat订阅号~但考虑到简书有markdown，以后我会现在这边发布最新内容。