利用Scrapy爬取所有知乎用户详细信息并存至MongoDB
欢迎大家关注腾讯云技术社区-博客园官方主页,我们将持续在博客园为大家推荐技术精品文章哦~
作者 :崔庆才
本节分享一下爬取知乎用户所有用户信息的 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:
pip3 install scrapy
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:
pip3 install pymongo
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:
scrapy startproject zhihuuser
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。
cd zhihuuser
scrapy genspider zhihu www.zhihu.com
禁止ROBOTSTXT_OBEY
接下来你需要打开settings.py
文件,将ROBOTSTXT_OBEY
修改为 False。
ROBOTSTXT_OBEY = 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:
scrapy crawl zhihu
你会发现爬取结果会出现这样的一个错误:
500 Internal Server Error
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:
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'
}
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。
scrapy crawl zhihu
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:
-
要获取用户的关注列表,我们需要请求类似 https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit} 这样的接口,其中user就是该用户的
url_token
,include 是固定的查询参数,offset 是分页偏移量,limit是一页取多少个。 -
要获取用户的详细信息,我们需要请求类似 https://www.zhihu.com/api/v4/members/{user}?include={include} 这样的接口,其中user就是该用户的
url_token
,include是查询参数。
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。
import json
from scrapy import Spider, Request
from zhihuuser.items import UserItem
class ZhihuSpider(Spider):
name = "zhihu"
allowed_domains = ["www.zhihu.com"]
user_url = 'https://www.zhihu.com/api/v4/members/{user}?include={include}'
follows_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'
start_user = 'excited-vczh'
user_query = 'locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics'
follows_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
def start_requests(self):
yield Request(self.user_url.format(user=self.start_user, include=self.user_query), self.parse_user)
yield Request(self.follows_url.format(user=self.start_user, include=self.follows_query, limit=20, offset=0),
self.parse_follows)
然后我们实现一下两个解析方法parse_user
和parse_follows
。
def parse_user(self, response):
print(response.text)
def parse_follows(self, response):
print(response.text)
最简单的实现他们的结果输出即可,然后运行观察结果。
scrapy crawl zhihu
这时你会发现出现了
401 HTTP status code is not handled or not allowed
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
oauth c3cef7c66a1843f8b3a9e6a1e3160e20
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:
DEFAULT_REQUEST_HEADERS = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
'authorization': 'oauth c3cef7c66a1843f8b3a9e6a1e3160e20',
}
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
from scrapy import Item, Field
class UserItem(Item):
# define the fields for your item here like:
id = Field()
name = Field()
avatar_url = Field()
headline = Field()
description = Field()
url = Field()
url_token = Field()
gender = Field()
cover_url = Field()
type = Field()
badge = Field()
answer_count = Field()
articles_count = Field()
commercial_question_count = Field()
favorite_count = Field()
favorited_count = Field()
follower_count = Field()
following_columns_count = Field()
following_count = Field()
pins_count = Field()
question_count = Field()
thank_from_count = Field()
thank_to_count = Field()
thanked_count = Field()
vote_from_count = Field()
vote_to_count = Field()
voteup_count = Field()
following_favlists_count = Field()
following_question_count = Field()
following_topic_count = Field()
marked_answers_count = Field()
mutual_followees_count = Field()
hosted_live_count = Field()
participated_live_count = Field()
locations = Field()
educations = Field()
employments = Field()
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。
result = json.loads(response.text)
item = UserItem()
for field in item.fields:
if field in result.keys():
item[field] = result.get(field)
yield item
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:
yield Request(
self.follows_url.format(user=result.get('url_token'), include=self.follows_query, limit=20, offset=0),
self.parse_follows)
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:
results = json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'), include=self.user_query),
self.parse_user)
if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
next_page = results.get('paging').get('next')
yield Request(next_page,
self.parse_follows)
这样,整体代码如下:
# -*- coding: utf-8 -*-
import json
from scrapy import Spider, Request
from zhihuuser.items import UserItem
class ZhihuSpider(Spider):
name = "zhihu"
allowed_domains = ["www.zhihu.com"]
user_url = 'https://www.zhihu.com/api/v4/members/{user}?include={include}'
follows_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'
start_user = 'excited-vczh'
user_query = 'locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics'
follows_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
def start_requests(self):
yield Request(self.user_url.format(user=self.start_user, include=self.user_query), self.parse_user)
yield Request(self.follows_url.format(user=self.start_user, include=self.follows_query, limit=20, offset=0),
self.parse_follows)
def parse_user(self, response):
result = json.loads(response.text)
item = UserItem()
for field in item.fields:
if field in result.keys():
item[field] = result.get(field)
yield item
yield Request(
self.follows_url.format(user=result.get('url_token'), include=self.follows_query, limit=20, offset=0),
self.parse_follows)
def parse_follows(self, response):
results = json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'), include=self.user_query),
self.parse_user)
if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
next_page = results.get('paging').get('next')
yield Request(next_page,
self.parse_follows)
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:
# -*- coding: utf-8 -*-
import json
from scrapy import Spider, Request
from zhihuuser.items import UserItem
class ZhihuSpider(Spider):
name = "zhihu"
allowed_domains = ["www.zhihu.com"]
user_url = 'https://www.zhihu.com/api/v4/members/{user}?include={include}'
follows_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'
followers_url = 'https://www.zhihu.com/api/v4/members/{user}/followers?include={include}&offset={offset}&limit={limit}'
start_user = 'excited-vczh'
user_query = 'locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics'
follows_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
followers_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
def start_requests(self):
yield Request(self.user_url.format(user=self.start_user, include=self.user_query), self.parse_user)
yield Request(self.follows_url.format(user=self.start_user, include=self.follows_query, limit=20, offset=0),
self.parse_follows)
yield Request(self.followers_url.format(user=self.start_user, include=self.followers_query, limit=20, offset=0),
self.parse_followers)
def parse_user(self, response):
result = json.loads(response.text)
item = UserItem()
for field in item.fields:
if field in result.keys():
item[field] = result.get(field)
yield item
yield Request(
self.follows_url.format(user=result.get('url_token'), include=self.follows_query, limit=20, offset=0),
self.parse_follows)
yield Request(
self.followers_url.format(user=result.get('url_token'), include=self.followers_query, limit=20, offset=0),
self.parse_followers)
def parse_follows(self, response):
results = json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'), include=self.user_query),
self.parse_user)
if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
next_page = results.get('paging').get('next')
yield Request(next_page,
self.parse_follows)
def parse_followers(self, response):
results = json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'), include=self.user_query),
self.parse_user)
if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
next_page = results.get('paging').get('next')
yield Request(next_page,
self.parse_followers)
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:
class MongoPipeline(object):
collection_name = 'users'
def __init__(self, mongo_uri, mongo_db):
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')
)
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
self.db[self.collection_name].update({'url_token': item['url_token']}, {'$set': dict(item)}, True)
return item
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
ITEM_PIPELINES = {
'zhihuuser.pipelines.MongoPipeline': 300,
}
然后重新运行爬虫
scrapy crawl zhihu
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
相关推荐
Python操作Redis - 云爬虫初探
腾讯云主机Python3环境安装PySpider爬虫框架过程
腾讯云上PhantomJS用法示例
此文已由作者授权腾讯云技术社区发布,转载请注明文章出处
原文链接:https://www.qcloud.com/community/article/327315
获取更多腾讯海量技术实践干货,欢迎大家前往腾讯云技术社区