投稿    登录
  博主录制的Python3爬虫视频教程已发布!详情请戳Python3爬虫视频教程!希望大家支持!非常感谢!

利用Scrapy爬取知乎用户详细信息并存至MongoDB

Python 崔庆才 11857浏览 13评论

本节分享一下爬取知乎用户信息的Scrapy爬虫实战。

本节目标

本节要实现的内容有:

  • 从一个大V用户开始,通过递归抓取粉丝列表和关注列表,实现知乎所有用户的详细信息的抓取。
  • 将抓取到的结果存储到MongoDB,并进行去重操作。

思路分析

我们都知道每个人都有关注列表和粉丝列表,尤其对于大V来说,粉丝和关注尤其更多。

如果我们从一个大V开始,首先可以获取他的个人信息,然后我们获取他的粉丝列表和关注列表,然后遍历列表中的每一个用户,进一步抓取每一个用户的信息还有他们各自的粉丝列表和关注列表,然后再进一步遍历获取到的列表中的每一个用户,进一步抓取他们的信息和关注粉丝列表,循环往复,不断递归,这样就可以做到一爬百,百爬万,万爬百万,通过社交关系自然形成了一个爬取网,这样就可以爬到所有的用户信息了。当然零粉丝零关注的用户就忽略他们吧~

爬取的信息怎样来获得呢?不用担心,通过分析知乎的请求就可以得到相关接口,通过请求接口就可以拿到用户详细信息和粉丝、关注列表了。

接下来我们开始实战爬取。

环境需求

Python3

本项目使用的Python版本是Python3,项目开始之前请确保你已经安装了Python3。

Scrapy

Scrapy是一个强大的爬虫框架,安装方式如下:

MongoDB

非关系型数据库,项目开始之前请先安装好MongoDB并启动服务。

PyMongo

Python的MongoDB连接库,安装方式如下:

创建项目

安装好以上环境之后,我们便可以开始我们的项目了。
在项目开始之首先我们用命令行创建一个项目:

创建爬虫

接下来我们需要创建一个spider,同样利用命令行,不过这次命令行需要进入到项目里运行。

禁止ROBOTSTXT_OBEY

接下来你需要打开settings.py文件,将ROBOTSTXT_OBEY修改为False。

它默认为True,就是要遵守robots.txt 的规则,那么 robots.txt 是个什么东西呢?

通俗来说, robots.txt 是遵循 Robot 协议的一个文件,它保存在网站的服务器中,它的作用是,告诉搜索引擎爬虫,本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后,会在第一时间访问网站的 robots.txt 文件,然后决定该网站的爬取范围。

当然,我们并不是在做搜索引擎,而且在某些情况下我们想要获取的内容恰恰是被 robots.txt 所禁止访问的。所以,某些时候,我们就要将此配置项设置为 False ,拒绝遵守 Robot协议 !

所以在这里设置为False。当然可能本次爬取不一定会被它限制,但是我们一般来说会首先选择禁止它。

尝试最初的爬取

接下来我们什么代码也不修改,执行爬取,运行如下命令:

你会发现爬取结果会出现这样的一个错误:

访问知乎得到的状态码是500,这说明爬取并没有成功,其实这是因为我们没有加入请求头,知乎识别User-Agent发现不是浏览器,就返回错误的响应了。

所以接下来的一步我们需要加入请求headers信息,你可以在Request的参数里加,也可以在spider里面的custom_settings里面加,当然最简单的方法莫过于在全局settings里面加了。

我们打开settings.py文件,取消DEFAULT_REQUEST_HEADERS的注释,加入如下的内容:

这个是为你的请求添加请求头,如果你没有设置headers的话,它就会使用这个请求头请求,添加了User-Agent信息,所以这样我们的爬虫就可以伪装浏览器了。

接下来重新运行爬虫。

这时你就会发现得到的返回状态码就正常了。

解决了这个问题,我们接下来就可以分析页面逻辑来正式实现爬虫了。

爬取流程

接下来我们需要先探寻获取用户详细信息和获取关注列表的接口。

回到网页,打开浏览器的控制台,切换到Network监听模式。

我们首先要做的是寻找一个大V,以轮子哥为例吧,它的个人信息页面网址是:https://www.zhihu.com/people/excited-vczh

首先打开轮子哥的首页

我们可以看到这里就是他的一些基本信息,我们需要抓取的就是这些,比如名字、签名、职业、关注数、赞同数等等。

接下来我们需要探索一下关注列表接口在哪里,我们点击关注选项卡,然后下拉,点击翻页,我们会在下面的请求中发现出现了
followees开头的Ajax请求。这个就是获取关注列表的接口。

我们观察一下这个请求结构

首先它是一个Get类型的请求,请求的URL是https://www.zhihu.com/api/v4/members/excited-vczh/followees,后面跟了三个参数,一个是include,一个是offset,一个是limit。

观察后可以发现,include是一些获取关注的人的基本信息的查询参数,包括回答数、文章数等等。

offset是偏移量,我们现在分析的是第3页的关注列表内容,offset当前为40。

limit为每一页的数量,这里是20,所以结合上面的offset可以推断,当offset为0时,获取到的是第一页关注列表,当offset为20时,获取到的是第二页关注列表,依次类推。

然后接下来看下返回结果:

可以看到有data和paging两个字段,data就是数据,包含20个内容,这些就是用户的基本信息,也就是关注列表的用户信息。
paging里面又有几个字段,is_end表示当前翻页是否结束,next是下一页的链接,所以在判读分页的时候,我们可以先利用is_end判断翻页是否结束,然后再获取next链接,请求下一页。

这样我们的关注列表就可以通过接口获取到了。

接下来我们再看下用户详情接口在哪里,我们将鼠标放到关注列表任意一个头像上面,观察下网络请求,可以发现又会出现一个Ajax请求。

可以看到这次的请求链接为https://www.zhihu.com/api/v4/members/lu-jun-ya-1
后面又一个参数include,include是一些查询参数,与刚才的接口类似,不过这次参数非常全,几乎可以把所有详情获取下来,另外接口的最后是加了用户的用户名,这个其实是url_token,上面的那个接口其实也是,在返回数据中是可以获得的。

所以综上所述:

理清了如上接口逻辑后,我们就可以开始构造请求了。

生成第一步请求

接下来我们要做的第一步当然是请求轮子哥的基本信息,然后获取轮子哥的关注列表了,我们首先构造一个格式化的url,将一些可变参数提取出来,然后需要重写start_requests方法,生成第一步的请求,接下来我们还需要根据获取到到关注列表做进一步的分析。

然后我们实现一下两个解析方法parse_user和parse_follows。

最简单的实现他们的结果输出即可,然后运行观察结果。

这时你会发现出现了

访问被禁止了,这时我们观察下浏览器请求,发现它相比之前的请求多了一个OAuth请求头。

OAuth

它是Open Authorization的缩写。

OAUTH_token:OAUTH进行到最后一步得到的一个“令牌”,通过此“令牌”请求,就可以去拥有资源的网站抓取任意有权限可以被抓取的资源。

在这里我知乎并没有登陆,这里的OAuth值是

经过我长久的观察,这个一直不会改变,所以可以长久使用,我们将它配置到DEFAULT_REQUEST_HEADERS里,这样它就变成了:

接下来如果我们重新运行爬虫,就可以发现可以正常爬取了。

parse_user

接下来我们处理一下用户基本信息,首先我们查看一下接口信息会返回一些什么数据。

可以看到返回的结果非常全,在这里我们直接声明一个Item全保存下就好了。

在items里新声明一个UserItem

所以在解析方法里面我们解析得到的response内容,然后转为json对象,然后依次判断字段是否存在,赋值就好了。

得到item后通过yield返回就好了。

这样保存用户基本信息就完成了。

接下来我们还需要在这里获取这个用户的关注列表,所以我们需要再重新发起一个获取关注列表的request

在parse_user后面再添加如下代码:

这样我们又生成了获取该用户关注列表的请求。

parse_follows

接下来我们处理一下关注列表,首先也是解析response的文本,然后要做两件事:

  • 通过关注列表的每一个用户,对每一个用户发起请求,获取其详细信息。
  • 处理分页,判断paging内容,获取下一页关注列表。

所以在这里将parse_follows改写如下:

这样,整体代码如下:

这样我们就完成了获取用户基本信息,然后递归获取关注列表进一步请求了。

重新运行爬虫,可以发现当前已经可以实现循环递归爬取了。

followers

上面我们实现了通过获取关注列表实现爬取循环,那这里少不了的还有粉丝列表,经过分析后发现粉丝列表的api也类似,只不过把followee换成了follower,其他的完全相同,所以我们按照同样的逻辑添加followers相关信息,

最终spider代码如下:

需要改变的位置有

  • start_requests里面添加yield followers信息
  • parse_user里面里面添加yield followers信息
  • parse_followers做相应的的抓取详情请求和翻页。

如此一来,spider就完成了,这样我们就可以实现通过社交网络递归的爬取,把用户详情都爬下来。

小结

通过以上的spider,我们实现了如上逻辑:

  • start_requests方法,实现了第一个大V用户的详细信息请求还有他的粉丝和关注列表请求。
  • parse_user方法,实现了详细信息的提取和粉丝关注列表的获取。
  • paese_follows,实现了通过关注列表重新请求用户并进行翻页的功能。
  • paese_followers,实现了通过粉丝列表重新请求用户并进行翻页的功能。

加入pipeline

在这里数据库存储使用MongoDB,所以在这里我们需要借助于Item Pipeline,实现如下:

比较重要的一点就在于process_item,在这里使用了update方法,第一个参数传入查询条件,这里使用的是url_token,第二个参数传入字典类型的对象,就是我们的item,第三个参数传入True,这样就可以保证,如果查询数据存在的话就更新,不存在的话就插入。这样就可以保证去重了。

另外记得开启一下Item Pileline

然后重新运行爬虫

这样就可以发现正常的输出了,会一直不停地运行,用户也一个个被保存到数据库。

看下MongoDB,里面我们爬取的用户详情结果。

到现在为止,整个爬虫就基本完结了,我们主要通过递归的方式实现了这个逻辑。存储结果也通过适当的方法实现了去重。

更高效率

当然我们现在运行的是单机爬虫,只在一台电脑上运行速度是有限的,所以后面我们要想提高抓取效率,需要用到分布式爬虫,在这里需要用到Redis来维护一个公共的爬取队列。

更多的分布式爬虫的实现可以查看自己动手,丰衣足食!Python3网络爬虫实战案例

转载请注明:静觅 » 利用Scrapy爬取知乎用户详细信息并存至MongoDB

喜欢 (37)or分享 (0)

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请狠狠点击下面的

想结交更多的朋友吗?

来进击的Coder瞧瞧吧

进击的Coder

QQ群号 99350970 立即加入

进击的Coder灌水太多?

这里是纯粹的技术领地

激进的Coder

QQ群号 627725766 立即加入

想找人聊天解闷?想要学习干货?

微信公众号进击的Coder为你打造

进击的Coder

微信公众号 扫一扫关注