前言

2022年6月3日端午節安康。

今天主要分享如何利用爬蟲爬取區塊鏈瀏覽器上的交易列表數據。

原因

dune上沒有bsc鏈上的轉账明細數據表。Footprint Analytics上現有的bsc_transactions表transfer_type粒度不夠。

環境

python 3.7

數據存儲：mysql 5.7

緩存：redis 6.2.6

开發工具：pycharm

思路

（1）所有協議、合約、swap地址轉账信息全爬不太實際，對存儲要求比較高。所以針對需要分析的協議，專門去爬取對應智能合約轉账是個不錯的選擇。

（2）區塊鏈瀏覽器肯定是有反爬機制的。所以在代理選擇上，要選擇國外的代理。國內的代理都訪問不到，具體原因你懂的。本文中不涉及代理部分，因爲國外的代理廠家之前沒有了解過。不過即使是上代理，對代碼層面改動也比較小

（3）採用了urllib同步請求 + 範圍內隨機時長程序休眠。減少了被風控的概率。但是也降低了爬蟲的效率。

後面再研究用scrapy或異步請求 [1]

[1] 同步：請求發送後，需要接受到返回的消息後，才進行下一次發送。異步：不需要等接收到返回的消息。

實現

找到需要爬取合約的具體地址：

第一頁

http://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8

第二頁

https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&p=2

第三頁

https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&p=3

....

可以知道 p = ？就代表頁數。

然後F12 點擊“網絡”，刷新界面，查看網絡請求信息。

主要查看，網頁上顯示的數據，是哪個文件響應的。以什么方式響應的，請求方法是什么

如何驗證呢，就是找一個txn_hash在響應的數據裏面按ctrl + f去搜索，搜索到了說明肯定是這個文件返回的。

查看響應的數據，是html的格式。在python裏面，處理html數據，個人常用的是xpath（當然，如果更擅長BeautifulSoup也可以）

在python裏面安裝相關的依賴

pip install lxml ‐i https://pypi.douban.com/simple

同時在瀏覽器上安裝xpath插件，它能更好的幫助我們獲到網頁中元素的位置

XPath Helper - Chrome 網上應用店 (google.com)

然後就可以通過插件去定位了，返回的結果是list

**注：**瀏覽器看到的網頁都是瀏覽器幫我們渲染好的。存在在瀏覽器中能定位到數據，但是代碼中取不到值的情況，這時候可以通過鼠標右鍵-查看網頁源碼，然後搜索實現

# 請求和xpath定位具體實現代碼：
def start_spider(page_number):
    url_base = 'http://bscscan.com
/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8&'
    # 請求頭
    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',
        'referer': 'https://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8'
    }
    # 需要傳入的參數
    data = {
        'p': page_number
    }
    # 將參數轉爲Unicode編碼格式
    unicode_data = urllib.parse.urlencode(data)
    # 拼接網址
    # http://bscscan.com/txs?a=0xbd3bd95529e0784ad973fd14928eedf3678cfad8
    url = url_base + unicode_data
    # 自定義request對象
    request = urllib.request.Request(url=url, headers=headers)
    # 模擬瀏覽器發送請求
    response = urllib.request.urlopen(request)
    # 將返回的數據利用lxml轉爲
    tree = etree.HTML(response.read().decode('utf‐8'))
    # //div[@id='paywall_mask']//tbody//td//span/a[@class='myFnExpandBox_searchVal']/text()
    txn_hash_list = tree.xpath("//div[@id='paywall_mask']//tbody//td//span/a[@class='myFnExpandBox_searchVal']/text()")
    # //div[@id='paywall_mask']//tbody//td//span[@class='u-label u-label--xs u-label--info rounded text-dark text-center']/text()
    method_list = tree.xpath(
        "//div[@id='paywall_mask']//tbody//td//span[@class='u-label u-label--xs u-label--info rounded text-dark text-center']/text()")
    # //div[@id='paywall_mask']//tbody//td[@class='d-none d-sm-table-cell']//text()
    block_list = tree.xpath("//div[@id='paywall_mask']//tbody//td[@class='d-none d-sm-table-cell']//text()")
    # //div[@id='paywall_mask']//tbody//td[@class='showAge ']/span/@title
    age_list = tree.xpath("//div[@id='paywall_mask']//tbody//td[@class='showAge ']/span/@title")
    # //div[@id='paywall_mask']//tbody//td/span[@class='hash-tag text-truncate']/@title
    from_list = tree.xpath(
        "//div[@id='paywall_mask']//tbody//td/span[@class='hash-tag text-truncate']/@title")
    # //div[@id='paywall_mask']//tbody//td[@class='text-center']/span/text()
    transfer_type_list = tree.xpath("//div[@id='paywall_mask']//tbody//td[@class='text-center']/span/text()")
    # //div[@id='paywall_mask']//tbody//td/span/span[@class='hash-tag text-truncate']//text()
    to_list = tree.xpath("//div[@id='paywall_mask']//tbody//td/span/span[@class='hash-tag text-truncate']//text()")
    # //div[@id='paywall_mask']//tbody//td/span[@class='small text-secondary']/text()[2]
    transfer_free_list = tree.xpath(
        "//div[@id='paywall_mask']//tbody//td/span[@class='small text-secondary']/text()[2]")

然後就是利用redis，對txn_hash去重，去重的原因是防止一條數據被爬到了多次

def add_txn_hash_to_redis(txn_hash):
    red = redis.Redis(host='根據你自己的配置', port=6379, db=0)
    res = red.sadd('txn_hash:txn_set', get_md5(txn_hash))
    # 如果返回0，這說明插入不成功，表示有重復
    if res == 0:
        return False
    else:
        return True
# 將mmsi進行哈希，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()

最後一個需要考慮的問題：交易是在增量了，也就是說，當前第二頁的數據，很可能過會就到第三頁去了。對此我的策略是不管頁數的變動。一直往下爬。全量爬完了，再從第一頁爬新增加的交易。直到遇到第一次全量爬取的txn_hash