爬前叨叨

全站爬虫有时候做起来其实比较容易,因为规则相对容易建立起来,只需要做好反爬就可以了,今天咱们爬取知乎。继续使用scrapy
当然对于这个小需求来说,使用scrapy确实用了牛刀,不过毕竟本博客这个系列到这个阶段需要不断使用scrapy进行过度,so,我写了一会就写完了。

你第一步找一个爬取种子,算作爬虫入口

https://www.zhihu.com/people/zhang-jia-wei/following

我们需要的信息如下,所有的框图都是我们需要的信息。



获取用户关注名单

通过如下代码获取网页返回数据,会发现数据是由HTML+JSON拼接而成,增加了很多解析成本
class ZhihuSpider(scrapy.Spider): name = 'Zhihu' allowed_domains =
['www.zhihu.com'] start_urls =
['https://www.zhihu.com/people/zhang-jia-wei/following'] def parse(self,
response): all_data = response.body_as_unicode() print(all_data)
首先配置一下基本的环境,比如间隔秒数,爬取的UA,是否存储cookies,启用随机UA的中间件DOWNLOADER_MIDDLEWARES

middlewares.py 文件
from zhihu.settings import USER_AGENT_LIST # 导入中间件 import random class
RandomUserAgentMiddleware(object): def process_request(self, request, spider):
rand_use = random.choice(USER_AGENT_LIST) if rand_use:
request.headers.setdefault('User-Agent', rand_use)
setting.py 文件
BOT_NAME = 'zhihu' SPIDER_MODULES = ['zhihu.spiders'] NEWSPIDER_MODULE =
'zhihu.spiders' USER_AGENT_LIST=[ # 可以写多个,测试用,写了一个 "Mozilla/5.0 (Windows NT
10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106
Safari/537.36" ] # Obey robots.txt rules ROBOTSTXT_OBEY = False # See also
autothrottle settings and docs DOWNLOAD_DELAY = 2 # Disable cookies (enabled by
default) COOKIES_ENABLED = False # Override the default request headers:
DEFAULT_REQUEST_HEADERS = { 'Accept':
'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en', } # See
https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = { 'zhihu.middlewares.RandomUserAgentMiddleware': 400,
} # Configure item pipelines # See
https://doc.scrapy.org/en/latest/topics/item-pipeline.html ITEM_PIPELINES = {
'zhihu.pipelines.ZhihuPipeline': 300, }
主要爬取函数,内容说明

* start_requests 用来处理首次爬取请求,作为程序入口
* 下面的代码主要处理了2种情况,一种是HTML部分,一种是JSON部分
* JSON部分使用re模块进行匹配,在通过json模块格式化
* extract_first() 获取xpath匹配数组的第一项
* dont_filter=False scrapy URL去重 # 起始位置 def start_requests(self): for url in
self.start_urls: yield scrapy.Request(url.format("zhang-jia-wei"),
callback=self.parse) def parse(self, response): print("正在获取 {}
信息".format(response.url)) all_data = response.body_as_unicode() select =
Selector(response) # 所有知乎用户都具备的信息 username =
select.xpath("//span[@class='ProfileHeader-name']/text()").extract_first() #
获取用户昵称 sex =
select.xpath("//div[@class='ProfileHeader-iconWrapper']/svg/@class").extract()
if len(sex) > 0: sex = 1 if str(sex[0]).find("male") else 0 else: sex = -1
answers =
select.xpath("//li[@aria-controls='Profile-answers']/a/span/text()").extract_first()
asks =
select.xpath("//li[@aria-controls='Profile-asks']/a/span/text()").extract_first()
posts =
select.xpath("//li[@aria-controls='Profile-posts']/a/span/text()").extract_first()
columns =
select.xpath("//li[@aria-controls='Profile-columns']/a/span/text()").extract_first()
pins =
select.xpath("//li[@aria-controls='Profile-pins']/a/span/text()").extract_first()
# 用户有可能设置了隐私,必须登录之后看到,或者记录cookie! follwers =
select.xpath("//strong[@class='NumberBoard-itemValue']/@title").extract() item
= ZhihuItem() item["username"] = username item["sex"] = sex item["answers"] =
answers item["asks"] = asks item["posts"] = posts item["columns"] = columns
item["pins"] = pins item["follwering"] = follwers[0] if len(follwers) > 0 else
0 item["follwers"] = follwers[1] if len(follwers) > 0 else 0 yield item #
获取第一页关注者列表 pattern = re.compile('<script id=\"js-initialData\"
type=\"text/json\">(.*?)<\/script>') json_data =
pattern.search(all_data).group(1) if json_data: users =
json.loads(json_data)["initialState"]["entities"]["users"] for user in users:
yield scrapy.Request(self.start_urls[0].format(user),callback=self.parse,
dont_filter=False)
在获取数据的时候,我绕开了一部分数据,这部分数据可以通过正则表达式去匹配。


数据存储,采用的依旧是mongodb


友情链接
ioDraw流程图
API参考文档
OK工具箱
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:637538335
关注微信