Python爬虫框架：scrapy爬取知乎数据

python学习教程

发布于 2019-10-22 15:02:03

1.4K0

发布于 2019-10-22 15:02:03

文章被收录于专栏：python学习教程python学习教程

环境需求

基础环境沿用之前的环境，只是增加了MongoDB（非关系型数据库）和PyMongo（Python 的 MongoDB 连接库），默认我认为大家都已经安装好并启动了MongoDB 服务。

测试爬虫效果

我这里先写一个简单的爬虫，爬取用户的关注人数和粉丝数，代码如下：

import scrapy

class ZhuHuSpider(scrapy.Spider):
 """
 知乎爬虫
 """
 name = 'zhuhu'
 allowed_domains = ['zhihu.com']
 start_urls = ['https://www.zhihu.com/people/wo-he-shui-jiu-xing/following']

 def parse(self, response):
 # 他关注的人数
 tnum = response.css("strong.NumberBoard-itemValue::text").extract()[0]
 # 粉丝数
 fnum = response.css("strong.NumberBoard-itemValue::text").extract()[1]
 print("他关注的人数为：%s" % tnum)
 print("他粉丝的人数为：%s" % fnum)

pychram中运行的结果如下：

出现500错误了，我们加上headers再试试，我们直接在settings.py中设置，如下：

再次执行看看结果：

这次就正常获取到我们需要的信息了

爬取分析

我们就用中本聪的主页作为分析入口吧，主页如下：

https://www.zhihu.com/people/satoshi_nakamoto/following

分析用户关注列表如下：

鼠标放到用户图像上，会显示详细信息如下：

这里要注意我用的是火狐浏览器，选择网络--XHR来获取信息

ajax技术的核心是XMLHttpRequest对象(简称XHR)，这是由微软首先引入的一个特性，其他浏览器提供商后来都提供了相同的实现。XHR为向服务器发送请求和解析服务器响应提供了流畅的接口，能够以异步方式从服务器取得更多信息，意味着用户单击后，可以不必刷新页面也能取得新数据。

通过上面的请求我们可以获取的连接如下：

#用户详细信息
https://www.zhihu.com/api/v4/members/li-kang-65?include=allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics

https://www.zhihu.com/api/v4/members/jin-xiao-94-7?include=allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics

#关注的人信息
https://www.zhihu.com/api/v4/members/satoshi_nakamoto/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20

通过分析上面的链接可以看出

1.用户详细信息链接组成：https://www.zhihu.com/api/v4/members/{user}?include={include}

其中user是用户的url_token，include是allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics

2.关注人信息链接组成：https://www.zhihu.com/api/v4/members/satoshi_nakamoto/followees?include={include}&offset={offset}&limit={limit}

其中include为data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics，offset为分页偏移量，limit为每页用户数量，可以通过下图看出：

第一页

第二页

第三页

开始爬取

我们还是先写一个简易的爬虫，把功能先实现，代码如下：

import scrapy

class ZhuHuSpider(scrapy.Spider):
 """
 知乎爬虫
 """
 name = 'zhuhu'
 allowed_domains = ['zhihu.com']
 # 用户详细信息地址
 user_detail = 'https://www.zhihu.com/api/v4/members/{user}?include={include}'
 # 用户详细信息中的include
 user_include = 'allow_message,is_followed,' \
 'is_following,' \
 'is_org,is_blocking,' \
 'employments,' \
 'answer_count,' \
 'follower_count,' \
 'articles_count,' \
 'gender,' \
 'badge[?(type=best_answerer)].topics'
 # 关注的人地址
 follow_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'
 # 关注的人include
 follow_include = 'data[*].answer_count,' \
 'articles_count,' \
 'gender,' \
 'follower_count,' \
 'is_followed,' \
 'is_following,' \
 'badge[?(type=best_answerer)].topics'
 # 初始user
 start_user = 'satoshi_nakamoto'

 def start_requests(self):
 # 这里重新定义start_requests方法，注意这里的format用法
 yield scrapy.Request(self.user_detail.format(user=self.start_user, include=self.user_include),
 callback=self.parse_user)
 yield scrapy.Request(self.follow_url.format(user=self.start_user, include=self.follow_include, offset=20, limit=20),
 callback=self.parse_follow)

 def parse_user(self, response):
 print('user:%s' % response.text)

 def parse_follow(self, response):
 print('follow:%s' % response.text)

输出结果如下：

这里需要注意的是authorization信息一定要在headers中添加，不然会报错，authorization在headers中的形式如下：

.测试发现authorization值在一段时间内是不会发生变化的，是否永久不变还有待考证。

parse_user编写

parse_user方法用来解析用户的详细数据，存储并发现此用户的关注列表，返回给parse_follow方法来处理，用户详细存储字段如下：

为了省事我把所有字段都添加到items.py中(如果运行spider后报错，提示字段未找到，就将那个字段添加进来即可)，如下：

class UserItem(scrapy.Item):
 """
 定义了响应报文中json的字段
 """
 is_followed = scrapy.Field()
 avatar_url_template = scrapy.Field()
 user_type = scrapy.Field()
 answer_count = scrapy.Field()
 is_following = scrapy.Field()
 url = scrapy.Field()
 type = scrapy.Field()
 url_token = scrapy.Field()
 id = scrapy.Field()
 allow_message = scrapy.Field()
 articles_count = scrapy.Field()
 is_blocking = scrapy.Field()
 name = scrapy.Field()
 headline = scrapy.Field()
 gender = scrapy.Field()
 avatar_url = scrapy.Field()
 follower_count = scrapy.Field()
 is_org = scrapy.Field()
 employments = scrapy.Field()
 badge = scrapy.Field()
 is_advertiser = scrapy.Field()

parse_user方法代码如下：

 def parse_user(self, response):
 """
 解析用户详细信息方法
 :param response: 获取的内容，转化为json格式
 """
 # 通过json.loads方式转换为json格式
 results = json.loads(response.text)
 # 引入item类
 item = UserItem()
 # 通过循环判断字段是否存在，存在将结果存入items中
 for field in item.fields:
 if field in results.keys():
 item[field] = results.get(field)
 # 直接返回item
 yield item
 # 将获取的用户通过format方式组合成新的url，调用callback函数交给parse_follow方法解析
 yield scrapy.Request(self.follows_url.format(user=results.get('url_token'),
 include=self.follow_include, offset=0, limit=20),
 callback=self.parse_follow)

parse_follow方法编写

首先也要将获取的response转换为json格式，获取关注的用户，对每一个用户继续爬取，同时也要处理分页。可以看下面两个图：

重新编写后的parse_follow方法如下：

 def parse_follow(self, response):
 """
 解析关注的人列表方法
 """
 # 格式化response
 results = json.loads(response.text)
 # 判断data是否存在，如果存在就继续调用parse_user解析用户详细信息
 if 'data' in results.keys():
 for result in results.get('data'):
 yield scrapy.Request(self.user_detail.format(user=result.get('url_token'), include=self.user_include),
 callback=self.parse_user)
 # 判断paging是否存在，如果存在并且is_end参数为False，则继续爬取下一页，如果is_end为True，说明为最后一页
 if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
 next_page = results.get('paging').get('next')
 yield scrapy.Request(next_page, callback=self.parse_follow)

运行爬虫后的结果如下图：

可以看到一直在获取内容。

存入mongodb

item pipeline

存储使用MongoDB，我们需要修改Item Pipeline，参照官网示例修改的代码如下：

class ZhiHuspiderPipeline(object):
 """
 知乎数据存入monogodb数据库类,参考官网示例
 """

 collection_name = 'user'

 def __init__(self, mongo_uri, mongo_db):
 """
 初始化参数
 :param mongo_uri:mongo uri
 :param mongo_db: db name
 """
 self.mongo_uri = mongo_uri
 self.mongo_db = mongo_db

 @classmethod
 def from_crawler(cls, crawler):
 return cls(
 mongo_uri=crawler.settings.get('MONGO_URI'),
 mongo_db=crawler.settings.get('MONGO_DATABASE', 'items')
 )

 def open_spider(self, spider):
 # 打开连接
 self.client = pymongo.MongoClient(self.mongo_uri)
 # db_auth因为我的mongodb设置了认证，所以需要这两步，未设置可以注释
 self.db_auth = self.client.admin
 self.db_auth.authenticate("admin", "password")
 self.db = self.client[self.mongo_db]

 def close_spider(self, spider):
 self.client.close()

 def process_item(self, item, spider):
 # 这里使用update方法
 self.db[self.collection_name].update({'url_token': item['url_token']}, dict(item), True)
 return item

这里要说一说update方法，update() 方法用于更新已存在的文档。语法格式如下：

db.collection.update(
 <query>, # update的查询条件，类似sql update查询内where后面的
 <update>, # update的对象和一些更新的操作符（如$,$inc...）等，也可以理解为sql update查询内set后面的
 {
 upsert: <boolean>, # 可选，这个参数的意思是，如果不存在update的记录，是否插入objNew,true为插入，默认是false，不插入。
 multi: <boolean>, # 可选，mongodb 默认是false,只更新找到的第一条记录，如果这个参数为true,就把按条件查出来多条记录全部更新
 writeConcern: <document> # 可选，抛出异常的级别。
 }
)

使用update方法，如果查询数据存在的话就更新，不存在的话就插入dict(item),这样就可以去重了。

settings配置