Scrapy实战：爬取知乎用户信息

男娘i 2022-02-27 14:24 449阅读 0赞

思路：从一个用户（本例为“张佳玮”）出发，来爬取其粉丝，进而爬取其粉丝的粉丝…  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 1]  
先来观察网页结构：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 2]  
审查元素：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 3]  
可以看到用户“关注的人”等信息在网页中用json格式保存在data中。  
当把鼠标移到列表中的某个名字上时，可以看到浏览器产生了一个Ajax请求：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 4]  
请求的url后面加上了很长的一串查询字符串。  
并且json中也请求了许多详细的信息。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 5]  
这与该用户的主页基本是对应的：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 6]

# 实战 #

我们先在命令行中新建一个项目：

scrapy startproject zhihuuser

然后直接在pycharm中打开，接着在settings里面找到`OBOTSTXT_OBEY = True`把它修改为false：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 7]  
这样做的目的是我们不遵循tobots协议，以免在访问某些网址时失效。  
接下来创建一个zhihu的spider：

scrapy genspider zhihu www.zhihu.com

然后直接运行，发现状态码为400：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 8]  
这是因为知乎加了user-agent识别，如果请求不是从浏览器发出那么就会返回非正常的状态码。  
我们在settings中将`DEFAULT_REQUEST_HEADERS`解除注释并加上user-agent：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][2019032721133119.png]  
这是再运行爬虫返回的就是200状态码了。  
接下来修改爬虫代码，完成“初始请求”的实现。

## 初始请求 ##

先试验一下根据两个接口是否能返回正确的信息，一个是个人信息的接口，一个是关注列表

我们把某个用户的个人信息的url贴过来：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 10]

# -*- coding: utf-8 -*-
    import scrapy
    from scrapy import Spider,Request
    
    
    class ZhihuSpider(scrapy.Spider):
        name = 'zhihu'
        allowed_domains = ['www.zhihu.com']
        start_urls = ['http://www.zhihu.com/']
    
        def start_requests(self):
            url = 'https://www.zhihu.com/api/v4/members/han-qing?include=allow_message%2Cis_followed%2Cis_following%2Cis_org%2Cis_blocking%2Cemployments%2Canswer_count%2Cfollower_count%2Carticles_count%2Cgender%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics'
            yield Request(url, callback=self.parse)
    
        def parse(self, response):
            print(response.text)

运行，可以看到打印出来的是一个列表。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 11]

我们再把url换成该用户的关注列表：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 12]  
用这个url替换上面的那个再次试验：  
![在这里插入图片描述][20190327213925982.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 13]  
这回打印的是json格式。这说明以上两个接口（用户详细信息，用户关注信息）都能被爬虫正常请求。

## 持续请求 ##

接下来进行完善，我们需要对url进行改写，  
![在这里插入图片描述][20190327214707804.png]  
如图，url的limit表示返回的信息数量为20个，offset表示偏移值（,若limit为20，60就是第4页，通过这两个变量可以完成分页的操作），现在我们要做的是动态构造url，把其中的变量替换一下就好了。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 14]  
在每个用户信息页面有一个url\_token，我们可以将这个设为变量，在关注列表里面获取这个token然后组成新的url，形成一个递归的关系：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 15]  
现在我们改写user\_url：

user_url = 'https://www.zhihu.com/api/v4/members/{user}?include={include}'

将url\_token作为变量“user”,查询语句作为变量“incluede”，也就是下面的user\_query，可以到审查中复制：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 16]

user_query = 'allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics'

![在这里插入图片描述][20190327222100945.png]  
然后是关注列表的url，类似，只是后面加上了offset和limit参数：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 17]

follows_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'
    follows_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'

接下来编写`start_requests`方法使其构造两个**初始**访问的url：

def start_requests(self):
            yield Request(self.user_url.format(user=self.start_user,include=self.user_query) ,callback=self.parse_user)
            yield Request(self.follows_url.format(user=self.start_user,include=self.follows_query, offset=0, limit=20),callback=self.parse_follows)

再定义两个解析方法以使回调函数调用：

#解析用户信息
        def parse_user(self, response):
            print(response.text)
    
        #解析关注列表
        def parse_follows(self, response):
            print(response.text)

定义一个起始token：`start_user = 'zhang-jia-wei'`

运行爬虫，可以看到打印出了许多json信息，说明以上两个url可以正常请求。

下面，在items.py中定义我们需要从页面中存储的信息。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 18]  
从用户信息界面可以看到有许多的属性，我们把它们复制下来并添加到items中：

from scrapy import Item ,Field
    
    
    class UserItem(Item):
       
        id = Field()
        name = Field()
        allow_message = Field()
        answer_count = Field()
        articles_count = Field()
        avatar_url = Field()
        avatar_url_template = Field()
        badge = Field()
        employments = Field()
        follower_count = Field()
        gender = Field()
        headline = Field()
    
        type = Field()
        url = Field()
        url_token = Field()
        user_type = Field()

然后修改`parse_user`方法，用来生成用户信息的item

#解析用户信息
        def parse_user(self, response):
            result = json.loads(response.text)#生成一个json对象
            item = UserItem()
            for field in item.fields:
                if field in result.keys():#如果field是键名的其中之一
                    item[field] = result.get(field)
            yield item

接下来考虑关注列表  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 19]  
paging这个列表里是一些用来分页的信息，其中is\_end用来标识是否为最后一页（如上图例子所示），此外，next属性中的值即为下一页的url，但是无法直接用来请求，对比上面提到的`follows_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}'`，这个next中的url少了`api/v4/`，所以我们提取出来后还要进行拼接处理，这样的url才能正常发起request。

那么可以编写解析关注列表的方法，这个方法完成了两件事，第一是从列表中拿到每个关注人的url\_token，进而可以解析这些用户的个人信息；第二是获取下一页的关注列表，进而继续解析，直到访问了“张佳玮”的所有关注人。  
这部分的代码如下：

#解析关注列表
        def parse_follows(self, response):
    
            results = json.loads(response.text)
    
            # 解析follows列表,重点是拿到url_token
            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),callback=self.parse_user)
    
            # 请求下一页
    
            if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
    
                next_page = results.get('paging').get('next')
    
                next_page='https://www.zhihu.com/api/v4%s' % (next_page[21:]) #拼接，形成有效的url
    
    
    
                yield Request(next_page, self.parse_follows)

运行爬虫，就可以把“张佳玮”的所有关注者的信息爬取到了。

接下来继续修改`parse_user`，当请求到某用户的信息时，继续请求该用户的关注列表，这样才能实现一个层层递归的效果。

def parse_user(self, response):
            result = json.loads(response.text)#生成一个json对象
            item = UserItem()
            for field in item.fields:
                if field in result.keys():#如果field是键名的其中之一
                    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),callback=self.parse_follows)

这样一来就可以从一个用户出发，到其关注列表，再从这个列表其中的用户，再请求该用户的关注列表，这样往复递归，从而爬取大量的用户信息。

此外，在关注列表之外，我们再加上爬取粉丝列表的功能。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 20]  
与上面类似，定义一个`followers_url`和一个`followers_query`（followers\_url只是改变了一个字母）：

followers_url = 'https://www.zhihu.com/api/v4/members/{user}/followers?include={include}&offset={offset}&limit={limit}'
        followers_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'

然后修改`parse_user`，在最后添加：

yield Request(self.followers_url.format(user=result.get('url_token'),include=self.followers_query,limit=20,offset=0),callback=self.parse_followers)

既然回调函数用到了parse\_followers，我们就需要定义这样一个方法，可以直接复制之前的`parse_follows`，然后把所有“follows”改为“followers”即可。  
最后在`start_requests`方法中添加一个起始的对粉丝列表的请求：

yield Request(self.followers_url.format(user=self.start_user,include=self.followers_query, offset=0, limit=20),callback=self.parse_followers)

那么现在运行爬虫，就会从“张佳玮”出发，爬取他的关注和关注他的列表，再从这两个列表中的用户出发爬取各自的两个列表，这样不断递归，然后在理论上把所有用户爬取到（除了0粉丝0关注的大虾…）。

## 存储 ##

现在要把爬取的数据存储到mongodb。那么需要在pipeline中定义MongoPipeline：

import pymongo
    
    class MongoPipeline(object):
    
        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):
            # 去重：查找到则进行更新，没查找到则进行插入操作
            self.db['user'].update({ 'url_token':item['url_token']},{ '$set':item},True)
            return item

然后在settings中注册：

ITEM_PIPELINES = { 
       'zhihuuser.pipelines.MongoPipeline': 300,
    }

运行爬虫，大功告成：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 21]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70]: /images/20220227/ec91b63c3d3e4460a7b8b89b32df808e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 1]: /images/20220227/38ed8e9ae3fd4279a71b37011c533ebf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 2]: /images/20220227/7377617581504e2f99acb82bade9f9f4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 3]: /images/20220227/0427c3a71eb34092a2af975cc7d8d54f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 4]: /images/20220227/6b5e2c5b67044c0485ad31cd6560438a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 5]: /images/20220227/437bf94a1f1e4c318c8fe2d09caedd8a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 6]: /images/20220227/e2b82353d4d440aea9b25c762a5a5d33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 7]: /images/20220227/fa87e5813b19453eaf29fc883a112d2a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 8]: /images/20220227/764d7fb7e11d4053b9062efed649fb73.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 9]: /images/20220227/a8da9181d24143bd92ae67b5ad68eef9.png
[2019032721133119.png]: /images/20220227/0ca4185daaf3428cb56db0f4ebf0deb4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 10]: /images/20220227/1a78bc1ae67445879481fb6f8ce19f66.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 11]: /images/20220227/65db262e93a24e34beebf6d9bed5ff1a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 12]: /images/20220227/0ef53985f77c4dddb965d8573fedce3c.png
[20190327213925982.png]: /images/20220227/f1f3f1822718422bad65da60b86241a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 13]: /images/20220227/b9380541f9ca498684989d03aa11892f.png
[20190327214707804.png]: /images/20220227/8b9a18971ec447d483edd6dad239c9a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 14]: /images/20220227/cda3f79769f04f2bb67a68bc72af13af.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 15]: /images/20220227/f918299dc86445b699a39a8edea86dac.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 16]: /images/20220227/202483847a37462ab0bd57d09edb2d9e.png
[20190327222100945.png]: /images/20220227/cf7183ae72cb49bb9940b194c9165c3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 17]: /images/20220227/0d79abdda0c04bc3b17be53f602b1339.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 18]: /images/20220227/b6ed5030d3c5403c843f6933148be25e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 19]: /images/20220227/3cf3a3542f874d79ae0e122c312d5832.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 20]: /images/20220227/aee931ce9730401984a852557dafbce6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3o3MTQ0MDU0ODk_size_16_color_FFFFFF_t_70 21]: /images/20220227/70c50df8b97b43bb87c56d5871f573fa.png