你知道史上最好用的APP是哪一些吗？Python来告诉你！

概述  第三、可以找到App的历史版本。很多人喜欢用最新版本的App，一有更新就马上升级，但是现在很多App越来越功利、越更新越臃肿、广告满天飞，倒不如回归本源，使用体积小巧、功能精简、无广告的早期版本。

第三、可以找到 App 的 历史版本。很多人喜欢用最新版本的 App，一有更新就马上升级，但是现在很多 App 越来越功利、越更新越臃肿、广告满天飞，倒不如 回归本源，使用体积小巧、功能精简、无广告的早期版本。

私信菜鸟007获取此项目的源码！

1.3. 分析工具

Python Scrapy MongoDB Pyecharts Matplotlib

通过上述分析，我们就可以确定抓取流程了，首先遍历主页面 ，抓取 10 个 App 的详情页 URL，然后详情页再抓取每个 App 的指标，如此遍历下来，我们需要抓取 6000 个左右网页内容，抓取工作量不算小，所以，我们接下来尝试使用 Scrapy 框架进行抓取。

网上关于 Scrapy 的官方文档和教程很多，这里罗列几个。

Scrapy 中文文档

崔庆才的 Scrapy 专栏

Scrapy 爬拉勾

Scrapy 爬豆瓣电影

Scrapy 框架相对于 PyspIDer 相对要复杂一些，有不同的处理模块，项目文件也由好几个程序组成，不同的爬虫模块需要放在不同的程序中去，所以刚开始入门会觉得程序七零八散，容易把人搞晕，建议采取以下思路快速入门 Scrapy：

1conda pip scrapy

2.3.1. 创建项目

接着，我们需要创建一个爬虫项目，所以我们先从根目录切换到需要放置项目的工作路径，比如我这里设置的存放路径为：E:my_Python rainingkuan，接着继续输入下面一行代码即可创建 kuan 爬虫项目：

1# 切换工作路径2e:3cd E:my_Python rainingkuan4# 生成项目5scrapy startproject kuspIDer

执行上面的命令后，就会生成一个名为 kuan 的 scrapy 爬虫项目，包含以下几个文件：

1scrapy. cfg # Scrapy 部署时的配置文件2kuan # 项目的模块，需要从这里引入3_init__.py4items.py # 定义爬取的数据结构5mIDdlewares.py # MIDdlewares 中间件6pipelines.py # 数据管道文件，可用于后续存储7settings.py # 配置文件8spIDers # 爬取主程序文件夹9_init_.py

下面，我们需要再 spIDers 文件夹中创建一个爬取主程序：kuan.py，接着运行下面两行命令即可：

1cd kuan # 进入刚才生成的 kuan 项目文件夹2scrapy genspIDer kuan www.coolapk.com # 生成爬虫主程序文件 kuan.py

2.3.2. 声明 item

项目文件创建好以后，我们就可以开始写爬虫程序了。

首先，需要在 items.py 文件中，预先定义好要爬取的字段信息名称，如下所示：

 1class KuanItem(scrapy.Item): 2# define the fIElds for your item here like: 3name = scrapy.FIEld() 4volume = scrapy.FIEld() 5download = scrapy.FIEld() 6follow = scrapy.FIEld() 7comment = scrapy.FIEld() 8Tags = scrapy.FIEld() 9score = scrapy.FIEld()10num_score = scrapy.FIEld()

这里的字段信息就是我们前面在网页中定位的 8 个字段信息，包括：name 表示 App 名称、volume 表示体积、download 表示下载数量。在这里定义好之后，我们在后续的爬取主程序中会利用到这些字段信息。

2.3.3. 爬取主程序

创建好 kuan 项目后，Scrapy 框架会自动生成爬取的部分代码，我们接下来就需要在 parse 方法中增加网页抓取的字段解析内容。

1class KuanspIDerSpIDer(scrapy.SpIDer):2 name = 'kuan'3 allowed_domains = ['www.coolapk.com']4 start_urls = ['http://www.coolapk.com/']56 def parse(self,response):7 pass

打开主页 Dev Tools，找到每项抓取指标的节点位置，然后可以采用 CSS、Xpath、正则等方法进行提取解析，这些方法 Scrapy 都支持，可随意选择，这里我们选用 CSS 语法来定位节点，不过需要注意的是，Scrapy 的 CSS 语法和之前我们利用 pyquery 使用的 CSS 语法稍有不同，举几个例子，对比说明一下。

定位到这两个节点之后，我们就可以使用 CSS 提取字段信息了，这里对比一下常规写法和 Scrapy 中的写法：

1# 常规写法2url = item('.app_left_List>a').attr('href')3name = item('.List_app_Title').text()4# Scrapy 写法5url = item.CSS('::attr("href")').extract_first()6name = item.CSS('.detail_app_Title::text').extract_first()

可以看到，要获取 href 或者 text 属性，需要用 :: 表示，比如获取 text，则用 ::text。extract_first() 表示提取第一个元素，如果有多个元素，则用 extract() 。接着，我们就可以参照写出 8 个字段信息的解析代码。

首先，我们需要在主页提取 App 的 URL 列表，然后再进入每个 App 的详情页进一步提取 8 个字段信息。

1def parse(self,response):2 contents = response.CSS('.app_left_List>a')3 for content in contents:4 url = content.CSS('::attr("href")').extract_first()5 url = response.urljoin(url) # 拼接相对 url 为绝对 url6 yIEld scrapy.Request(url,callback=self.parse_url)

这里，利用 response.urljoin() 方法将提取出的相对 URL 拼接为完整的 URL，然后利用 scrapy.Request() 方法构造每个 App 详情页的请求，这里我们传递两个参数：url 和 callback，url 为详情页 URL，callback 是回调函数，它将主页 URL 请求返回的响应 response 传给专门用来解析字段内容的 parse_url() 方法，如下所示：

 1def parse_url(self,response): 2 item = KuanItem() 3 item['name'] = response.CSS('.detail_app_Title::text').extract_first() 4 results = self.get_comment(response) 5 item['volume'] = results[0] 6 item['download'] = results[1] 7 item['follow'] = results[2] 8 item['comment'] = results[3] 9 item['Tags'] = self.get_Tags(response)10 item['score'] = response.CSS('.rank_num::text').extract_first()11 num_score = response.CSS('.apk_rank_p1::text').extract_first()12 item['num_score'] = re.search('共(.*?)个评分',num_score).group(1)13 yIEld item1415def get_comment(self,response):16 messages = response.CSS('.apk_topba_message::text').extract_first()17 result = re.findall(r's+(.*?)s+/s+(.*?)下载s+/s+(.*?)人关注s+/s+(.*?)个评论.*?',messages) # s+ 表示匹配任意空白字符一次以上18 if result: # 不为空19 results = List(result[0]) # 提取出List 中第一个元素20 return results2122def get_Tags(self,response):23 data = response.CSS('.apk_left_span2')24 Tags = [item.CSS('::text').extract_first() for item in data]25 return Tags

这里，单独定义了 get_comment() 和 get_Tags() 两个方法.

get_comment() 方法通过正则匹配提取 volume、download、follow、comment 四个字段信息，正则匹配结果如下：

 1result = re.findall(r's+(.*?)s+/s+(.*?)下载s+/s+(.*?)人关注s+/s+(.*?)个评论.*?',messages) 2print(result) # 输出第一页的结果信息 3# 结果如下： 4[('21.74M','5218万','2.4万','5.4万')] 5[('75.53M','2768万','2.3万','3.0万')] 6[('46.21M','1686万','3.4万')] 7[('54.77M','1603万','3.8万','4.9万')] 8[('3.32M','1530万','1.5万','3343')] 9[('75.07M','1127万','1.6万','2.2万')]10[('92.70M','1108万','9167','1.3万')]11[('68.94M','1072万','5718','9869')]12[('61.45M','935万','1.1万','1.6万')]13[('23.96M','925万','4157','1956')]

然后利用 result[0]、result[1] 等分别提取出四项信息，以 volume 为例，输出第一页的提取结果：

 1item['volume'] = results[0] 2print(item['volume']) 321.74M 475.53M 546.21M 654.77M 73.32M 875.07M 992.70M1068.94M1161.45M1223.96M

这样一来，第一页 10 款 App 的所有字段信息都被成功提取出来，然后返回到 yIEd item 生成器中，我们输出一下它的内容：

1[2{'name': '酷安','volume': '21.74M','download': '5218万','follow': '2.4万','comment': '5.4万','Tags': "['酷市场','酷安','市场','coolapk','装机必备']",'score': '4.4','num_score': '1.4万'},3{'name': '微信','volume': '75.53M','download': '2768万','follow': '2.3万','comment': '3.0万','Tags': "['微信','qq','腾讯','tencent','即时聊天','score': '2.3','num_score': '1.1万'},4...5]

2.3.4. 分页爬取

以上，我们爬取了第一页内容，接下去需要遍历爬取全部 610 页的内容，这里有两种思路：

第一种是提取翻页的节点信息，然后构造出下一页的请求，然后重复调用 parse 方法进行解析，如此循环往复，直到解析完最后一页。 第二种是先直接构造出 610 页的 URL 地址，然后批量调用 parse 方法进行解析。

这里，我们分别写出两种方法的解析代码，第一种方法很简单，直接接着 parse 方法继续添加以下几行代码即可：

1def parse(self,response):2 contents = response.CSS('.app_left_List>a')3 for content in contents:4 ...56 next_page = response.CSS('.pagination li:nth-child(8) a::attr(href)').extract_first()7 url = response.urljoin(next_page)8 yIEld scrapy.Request(url,callback=self.parse )

第二种方法，我们在最开头的 parse() 方法前，定义一个 start_requests() 方法，用来批量生成 610 页的 URL，然后通过 scrapy.Request() 方法中的 callback 参数，传递给下面的 parse() 方法进行解析。

1def start_requests(self):2 pages = []3 for page in range(1,610): # 一共有610页4 url = 'https://www.coolapk.com/apk/?page=%s'%page5 page = scrapy.Request(url,callback=self.parse)6 pages.append(page)7 return pages

以上就是全部页面的爬取思路，爬取成功后，我们需要存储下来。这里，我面选择存储到 MongoDB 中，不得不说，相比 MysqL，MongoDB 要方便省事很多。

2.3.5. 存储结果

我们在 pipelines.py 程序中，定义数据存储方法，MongoDB 的一些参数，比如地址和数据库名称，需单独存放在 settings.py 设置文件中去，然后在 pipelines 程序中进行调用即可。

 1import pymongo 2class MongoPipeline(object): 3 def __init__(self,mongo_url,mongo_db): 4 self.mongo_url = mongo_url 5 self.mongo_db = mongo_db 6 @classmethod 7 def from_crawler(cls,crawler): 8 return cls( 9 mongo_url = crawler.settings.get('MONGO_URL'),10 mongo_db = crawler.settings.get('MONGO_DB')11 )12 def open_spIDer(self,spIDer):13 self.clIEnt = pymongo.MongoClIEnt(self.mongo_url)14 self.db = self.clIEnt[self.mongo_db]15 def process_item(self,item,spIDer):16 name = item.__class__.__name__17 self.db[name].insert(dict(item))18 return item19 def close_spIDer(self,spIDer):20 self.clIEnt.close()

首先，我们定义一个 MongoPipeline(）存储类，里面定义了几个方法，简单进行一下说明：

from crawler() 是一个类方法，用 ＠class method 标识，这个方法的作用主要是用来获取我们在 settings.py 中设置的这几项参数：

1MONGO_URL = 'localhost'2MONGO_DB = 'KuAn'3ITEM_PIPElines = {4 'kuan.pipelines.MongoPipeline': 300,5}

open_spIDer() 方法主要进行一些初始化 *** 作 ，在 SpIDer 开启时，这个方法就会被调用 。

process_item() 方法是最重要的方法，实现插入数据到 MongoDB 中。

完成上述代码以后，输入下面一行命令就可以开始整个爬虫的抓取和存储过程了，单机跑的话，6000 个网页需要不少时间才能完成，保持耐心。

1scrapy crawl kuan

这里，还有两点补充：

第一，为了减轻网站压力，我们最好在每个请求之间设置几秒延时，可以在 KuanSpIDer() 方法开头出，加入以下几行代码：

1custom_settings = {2 "DOWNLOAD_DELAY": 3,# 延迟3s,默认是0，即不延迟3 "CONCURRENT_REQUESTS_PER_DOMAIN": 8 # 每秒默认并发8次，可适当降低4 }

第二，为了更好监控爬虫程序运行，有必要 设置输出日志文件，可以通过 Python 自带的 logging 包实现：

1import logging23logging.basicConfig(filename='kuan.log',filemode='w',level=logging.WARNING,format='%(asctime)s %(message)s',datefmt='%Y/%m/%d %I:%M:%s %p')4logging.warning("warn message")5logging.error("error message")

这里的 level 参数表示警告级别，严重程度从低到高分别是：DEBUG < INFO < WARNING < ERROR < CRITICAL，如果想日志文件不要记录太多内容，可以设置高一点的级别，这里设置为 WARNING，意味着只有 WARNING 级别以上的信息才会输出到日志中去。

添加 datefmt 参数是为了在每条日志前面加具体的时间，这点很有用处。

以上，我们就完成了整个数据的抓取，有了数据我们就可以着手进行分析，不过这之前还需简单地对数据做一下清洗和处理。

3. 数据清洗处理

首先，我们从 MongoDB 中读取数据并转化为 DataFrame，然后查看一下数据的基本情况。

 1def parse_kuan(): 2 clIEnt = pymongo.MongoClIEnt(host='localhost',port=27017) 3 db = clIEnt['KuAn'] 4 collection = db['KuAnItem'] 5 # 将数据库数据转为DataFrame 6 data = pd.DataFrame(List(collection.find())) 7 print(data.head()) 8 print(df.shape) 9 print(df.info())10 print(df.describe())

从 data.head() 输出的前 5 行数据中可以看到，除了 score 列是 float 格式以外，其他列都是 object 文本类型。

comment、download、follow、num_score 这 5 列数据中部分行带有「万」字后缀，需要将字符去掉再转换为数值型；volume 体积列，则分别带有「M」和「K」后缀，为了统一大小，则需将「K」除以 1024，转换为 「M」体积。

整个数据一共有 6086 行 x 8 列，每列均没有缺失值。

df.describe() 方法对 score 列做了基本统计，可以看到，所有 App 的平均得分是 3.9 分（5 分制），最低得分 1.6 分，最高得分 4.8 分。

下面，我们将以上几列文本型数据转换为数值型数据，代码实现如下：

 1def data_processing(df): 2#处理'comment','download','follow','num_score','volume' 5列数据，将单位万转换为单位1，再转换为数值型 3 str = '_ori' 4 cols = ['comment','volume'] 5 for col in cols: 6 colori = col+str 7 df[colori] = df[col] # 复制保留原始列 8 if not (col == 'volume'): 9 df[col] = clean_symbol(df,col)# 处理原始列生成新列10 else:11 df[col] = clean_symbol2(df,col)# 处理原始列生成新列1213 # 将download单独转换为万单位14 df['download'] = df['download'].apply(lambda x:x/10000)15 # 批量转为数值型16 df = df.apply(pd.to_numeric,errors='ignore')1718def clean_symbol(df,col):19 # 将字符“万”替换为空20 con = df[col].str.contains('万$')21 df.loc[con,col] = pd.to_numeric(df.loc[con,col].str.replace('万','')) * 1000022 df[col] = pd.to_numeric(df[col])23 return df[col]2425def clean_symbol2(df,col):26 # 字符M替换为空27 df[col] = df[col].str.replace('M$','')28 # 体积为K的除以 1024 转换为M29 con = df[col].str.contains('K$')30 df.loc[con,col].str.replace('K$',''))/102431 df[col] = pd.to_numeric(df[col])32 return df[col]

以上，就完成了几列文本型数据的转换，我们再来查看一下基本情况：

download 列为 App 下载数量，下载量最多的 App 有 5190 万次，最少的为 0 (很少很少)，平均下载次数为 14 万次；从中可以看出以下几点信息：

volume 列为 App 体积，体积最大的 App 达到近 300M，体积最小的几乎为 0，平均体积在 18M 左右。 comment 列为 App 评分，评分数最多的达到了 5 万多条，平均有 200 多条。

以上，就完成了基本的数据清洗处理过程，下面将对数据进行探索性分析。

4. 数据分析

我们主要从总体和分类两个维度对 App 下载量、评分、体积等指标进行分析。

4.1. 总体情况

4.1.1. 下载量排名

首先来看一下 App 的下载量情况，很多时候我们下载一个 App ，下载量是一个非常重要的参考指标，由于绝大多数 App 的下载量都相对较少，直方图无法看出趋势，所以我们择将数据进行分段，离散化为柱状图，绘图工具采用的是 Pyecharts。

可以看到多达 5517 款（占总数 84%）App 的下载量不到 10 万， 而下载量超过 500 万的仅有 20 款，开发一个要想盈利的 App ，用户下载量尤为重要，从这一点来看，大部分 App 的处境都比较尴尬，至少是在酷安平台上。

代码实现如下：

 1from pyecharts import bar 2# 下载量分布 3bins = [0,10,100,500,10000] 4group_names = ['<=10万','10-100万','100-500万','>500万'] 5cats = pd.cut(df['download'],bins,labels=group_names) # 用 pd.cut() 方法进行分段 6cats = pd.value_counts(cats) 7bar = bar('App 下载数量区间分布','绝大部分 App 下载量低于 10 万') 8# bar.use_theme('macarons') 9bar.add(10 'App 数量 (个)',11 List(cats.index),12 List(cats.values),13 is_label_show = True,14 is_splitline_show = False,15)16bar.render(path='download_interval.png',pixel_ration=1)

接下来，我们看看 下载量最多的 20 款 App 是哪些：

可以看到，这里「酷安」App 以 5000 万+ 次的下载量遥遥领先，是第二名微信 2700 万下载量的近两倍，这么巨大的优势也很容易理解，毕竟是自家的 App，如果你手机上没有「酷安」，说明你还不算是一个真正的「搞机爱好者」，从图中我们还可以看出以下几点信息：

top 20 款 App 中，很多都是装机必备，算是比较大众型的 App。 右侧 App 评分图中可以看到仅有 5 款 App 评分超过了 4 分（5 分制），绝大多数的评分都不到 3 分，甚至到不到 2 分，到底是因为这些 App 开发者做不出好 App 还是根本不想做出来？ 相较于其他 App，RE 管理器、绿色守护 这几款非常突出，其中 RE 管理器在如此高的下载量下，仍然能够得到 4.8 分（最高分）并且体积只有几 M，实属难得，什么是「良心 App」，这类就是。

作为对比，我们再来看看下载量最少的 20 款 App。

可以看到，与上面的那些下载量多的 App 相比，这些就相形见绌了，下载量最少的 「广州限行通」更是只有 63 次下载。

这也不奇怪，可能是 App 没有宣传、也可能是刚开发出来，这么少的下载量评分还不错，也还能继续更新，为这些开发者点赞。

其实，这类 App 不算囧，真正囧的应该是那些 下载量很多、评分却低到不能再低 的 App，给人的感觉是：「我就这么烂爱咋咋地，有本事别用」。

4.1.2. 评分排名

接下来，我们看看 App 的总体得分情况。这里，将得分分为了以下 4 个区间段，并且为不同分数定义了相应的等级。

可以发现这么几点有意思的现象：

3 分以下的软件非常少，只占不到 10%，而之前下载量最多的 20 款 APP 中，微信、QQ、淘宝、支付宝等大多数软件的得分都不到 3 分，这就有点尴尬了。 中品也就是中等得分的 App 数量最多。 4 分以上的 高分 APP 数量占了近一半（46%），可能是这些 App 的确还不错，也可能是由于评分数量过少，为了优中选优，后续有必要设置一定筛选门槛。

接下来，我们看看评分最高的 20 款 App 有哪些，很多时候我们下载 App 都是跟着「哪个评分高，下载哪个」这种感觉走。

@H_524_404@

可以看到，评分最高的 20 个 App，它们都得到了 4.8 分 ，包括：RE 管理器（再次出现）、Pure 轻雨图标包等，还有一些不太常见，可能这些都是不错的 App，不过我们还需要结合看一下下载量，它们的下载量都在 1 万以上，有了一定的下载量，评分才算比较可靠，我们就能放心的下载下来体验一下了。

经过上面的总体分析，我们大致发现了一些不错的 App ，但还不够，所以接下来将进行细分并设置一定筛选条件。

4.2. 分类情况

按照 App 功能和日常使用场景，将 App 分为以下 9 大类别，然后 从每个类别中筛选出 20 款最棒的 App。

为了尽可能找出最好的 App，这里不妨设置 3 个条件：

评分不低于 4 分 下载量不低于 1 万 设置一个总分评价指标（总分 = 下载量 * 评分），再标准化为满分 1000 分，作为 App 的排名参照指标。

经过评选之后，我们依次得到了各个类别下分数最高的 20 款 App，这些 App 大部分的确是良心软件。

4.2.1. 系统工具

系统工具包括了：输入法、文件管理 、系统清理、桌面、插件、锁屏等。

可以看到，第一名是大名鼎鼎的老牌文件管理器「RE 管理器」，仅有 5 M 大小的它除了具备普通文件管理器的各项功能以外，最大的特点是能够卸载手机自带的 App，不过需要 Root。

「ES 文件浏览器」的文件分析器功能非常强大，能够有效清理臃肿的手机空间。

「一个木函」这款 App 就比较牛逼了，正如它的软件介绍「拥有很多，不如有我」所说，打开它你能发现它提供了好几十项实用功能，比如：翻译、以图搜图、快递查询、制作表情包等等。

再往下的「Super SU」、「存储空间清理」、「镧」、「MT 管理器」、「My AndroID Tools」都力荐，总之，这份榜单上的 App 可以说都值得进入你的手机 App 使用名单。

4.2.2. 社交聊天

社交聊天类中， 「Share 微博客户端」位居第一，作为一款第三方客户端 App，它自然有比官方版本好的地方，比如相比正版 70M 的体积，它只有其十分之一大小，也几乎没有广告，还有额外强大的诸多功能，如果你爱刷微博，那么不妨尝试下这款「Share」。

「即刻」这款 App 也相当不错，再往下还能看到前阵子很火的「子d短信」，宣称将要取代微信，看来短期内应该是做不到了。

你可能会发现，这份社交榜单上没有出现「知乎」、「豆瓣」、「简书」这类常见的 App，是因为它们的评分都比较低，分别只有 2.9分、3.5分和 2.9 分，自然进入不了这份名单，如果你一定想用它们，推荐去使用它们的第三方客户端或者历史版本。

4.2.3. 资讯阅读

可以看到，在资讯阅读类中，「静读天下」牢牢占据了第一名，我之前专门写过一篇文章介绍它：安卓最强阅读器。

同类别中的「多看阅读」、「追书神器」、「微信读书」也都进入了榜单。

另外，如果你经常为不知道去哪里下载电子书而头疼，那不妨试一下「搜书大师」、「老子搜书」。

4.2.4. 影音娱乐

接下来是影音娱乐版块，网易家的「网易云音乐」毫无压力地占据头名，难得的大厂精品。

如果你爱玩游戏，那么 「Adobe AIR」应该尝试一下。

如果你很文艺，那么应该会喜欢「VUE」这款短视频拍摄 App，创作好以后发到朋友圈绝对能装逼。

最后一位的「海贝音乐」很赞，最近发现它有一个强大的功能是结合百度网盘使用，它能够自动识别音频文件然后播放。

4.2.5. 通讯网络

下面到了通讯网络类别，这个类别主要包括：浏览器、通讯录、通知、邮箱等小类。

浏览器，我们每个人手机上都有，用的也五花八门，有些人就用手机自带的浏览器，有些人用 Chrome、火狐这类大牌浏览器。

不过你会发现榜单上的前三位你可能听都没听过，但是它们真的很牛逼，用「极简高效、清爽极速」来形容再适合不过，其中 「Via 」和 「X 浏览器」 体积不到 1M ，真正的「麻雀虽小、五脏俱全」，强烈推荐。

4.2.6. 摄影图片

拍照修图也是我们常用的功能。也许你有自己的图片管理软件，但是这里要强烈推荐第一名「快图浏览」这款 App，只有 3M 大小的它，能够瞬间发现和加载上万张图片，如果你是拍照狂魔，用它打开再多的照片也能秒开，另外还拥有隐藏私密照片、自动备份百度网盘等功能。它是我使用时间最久的 App 之一。

4.2.7. 文档写作

我们时常需要在手机上写作、做备忘录，那么自然需要好的文档写作类 App。

「印象笔记」就不用多说了，我觉得最好用的笔记总结类 App。

如果你喜欢使用 Markdown 写作，那么「纯纯写作」这款精巧的 App 应该会很适合你。

体积不到 3M 却拥有云备份、生成长图、中英文自动空格等数十项功能，即使这样，仍然保持了蕴繁于简的设计风格，这大概就是两三个月之内，下载量就从两三万飙升了十倍的原因，而这款 App 的背后是一位 牺牲了几年的业余时间不断开发和更新的大佬，值得敬佩。

4.2.8. 出行交通购物

这个类别中，排名第一的居然是 12306，一提起它，就会想起那一张张奇葩的验证码，不过这里的 App 不是官网的 ，而是第三方开发的。最牛逼的功能应该就是「抢票了」，如果你还在靠发朋友圈来抢票的话，那不妨试一下它。

4.2.9. Xposed 插件

最后一个类别是 Xposed，很多人应该不太熟悉，但是一提微信上的抢红包、防撤回功能，应该很多人就知道了。这些牛逼又不同寻常的功能就用到了 Xposed 框架里的各种模块功能。这个框架由国外著名的 XDA 手机论坛，你经常听到的一些所谓由 XDA 大神破解的软件，就是来自这个论坛。

简单地说就是，安装了 Xposed 这个框架之后，就可以在里面安装一些好玩有趣的插件，有了这些插件，你的手机就能实现更多更大的功能。比如：能够去除广告、破解 App 付费功能、杀死耗电的自启动进程、虚拟手机定位等功能。

不过使用这个框架和这些插件需要刷机、ROOT，门槛有点高。

5. 小结

本文使用 Scrapy 框架爬取分析了酷安网的 6000 款 App，初学 Scrapy 可能会觉得程序写起来比较散乱，所以可以尝试先使用普通的函数方法，把程序完整地写在一起，再分块拆分到 Scrapy 项目中，这样也有助于从单一程序到框架写法的思维转变，之后会写单独写一篇文章。 由于网页版的 App 数量比 App 中的少，所以还有很多好用的 App 没有包括进来，比如 Chrome 、MX player、Snapseed 等，建议使用酷安 App，那里有更多好玩的东西。

以上就是整篇文章的爬取与分析过程，文中涉及了很多精品佳软，如有兴趣可以去尝试下载体验一下，为了更方便你，我这里也收集好了 24 款精品 App。

总结

以上是内存溢出为你收集整理的你知道史上最好用的APP是哪一些吗？Python来告诉你！全部内容，希望文章能够帮你解决你知道史上最好用的APP是哪一些吗？Python来告诉你！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。