Python--Scrapy爬虫获取简书作者ID的全部文章列表数
最近Python大火，为了跟上时代，试着自学了下。Scrapy是一个高级的Python爬虫框架,它不仅包含了爬虫的特性,还可以方便的将爬虫数据保存到csv、json等文件中。
今天我们就试着用Scrapy来爬取简书某位作者的全部文章。
在本篇教程中，我们假定您已经安装好Scrapy。 如若不然，请参考 安装指南 。
1.创建项目
在开始爬取之前，我们必须创建一个新的Scrapy项目，我这里命名为jianshu_article。打开Mac终端，cd到你打算存储代码的目录中，运行下列命令:
//Mac终端运行如下命令：
scrapy startproject jianshu_article
2.创建爬虫程序
//cd到上面创建的文件目录
cd jianshu_article
//创建爬虫程序
scrapy genspider jianshu jianshu.com
/*
文件说明：
scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模型，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：USER_AGENT(模拟浏览器，应对网站反爬)，递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则
*/
为了方便编写程序，我们用Pycharm打开项目，执行完上面的命令程序会自动创建目录及文件，其中生成了一个jianshu.py的文件，后面我们主要逻辑都将写在此文件中。
jianshu.py
3.设置数据模型
双击items.py文件。
找到你想爬取的简书作者首页，如我自己的首页https://www.jianshu.com/u/6b14223f1b58，用谷歌浏览器打开，空白处鼠标右击，单击“检查”进入控制台开发者模式：
打开控制台.png
通过分析网页源码，我们大概需要这些内容：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class JianshuArticalItem(scrapy.Item):
avatar = scrapy.Field() #头像
nickname = scrapy.Field() #昵称
time = scrapy.Field() #发表时间
wrap_img = scrapy.Field() #封面（缺省值）
title = scrapy.Field() #标题
abstract = scrapy.Field() #正文部分显示
read = scrapy.Field() #查看人数
comments = scrapy.Field() #评论数
like = scrapy.Field() #喜欢（点赞）
detail = scrapy.Field() #文章详情url
pass
如此数据模型就创建好了，后面运行爬虫的时候，我得到的数据将存进模型对应的位置。
4.分析网页源码，编写爬虫
因为本人比较懒很少写文章，文章数比较少，为了呈现分页的效果，我在简书选取了一位作者CC老师_MissCC的主页进行爬取。
我们通过分析URL可以找到一些特征：
作者的URL为：https://www.jianshu.com/u/ + 作者ID：
作者主页URL.png
文章的URL为：https://www.jianshu.com/p/ + 文章ID：
文章URL.png
虽然我们在浏览器直接打开作者的URL，鼠标滚轮往下滚动会动态加载下一页直至最后一篇文章URL还是保持不变。但是作为Scrapy爬虫貌似只能拿到第一页，那么如何做到呢？以我个人多年的开发经验我尝试在URL后面拼接一个"page"参数加上页数，果不其然，能请求到不同的数据。
拼接参数page拿到分页数据.png
找到这些规律，我们就可以通过分析HTML源码，拿到我们想要的数据了。
首先，我们回到jianshu.py这个文件，导入模型：
//从项目名 jianshu_article的文件items.py导入JianshuArticleItem类
from jianshu_article.items import JianshuArticleItem
设置必要参数发起首次请求：
# -*- coding: utf-8 -*-
import scrapy
from jianshu_article.items import JianshuArticleItem
class JianshuSpider(scrapy.Spider):
name = 'jianshu'
allowed_domains = ['jianshu.com']
user_id = "1b4c832fb2ca"
url = "https://www.jianshu.com/u/{0}?page=1".format(user_id)
start_urls = [
url,
]
def parse(self, response):
#用户头像
c = response.xpath('//div[@class="main-top"]/a[@class="avatar"]/img/@src').extract_first()
print(c)
pass
至此终端运行命令scrapy crawl jianshu，理论上可以打印网页内容。实则不然，没有请求到任何数据，终端会打印一些日志信息：
日志.png
不难发现，报了403的问题和HTTP status code is not handled or not allowed的问题,导致"Closing spider (finished)"爬虫终止。通过万能百度，我知道大概是网站做了一些相应的反爬虫的措施导致的。对症下药，我们只需要在settings.py，做一些相应修改就可以了：
```
User_Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的
操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
通俗点讲，我们配置这个字段的目的就是为了伪装成浏览器打开网页，达到骗过目标网站的监测。
```
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36'
CONCURRENT_REQUESTS = 1 #并发数
DOWNLOAD_DELAY = 5 #为了防止IP被封，我们5秒请求一次
HTTPERROR_ALLOWED_CODES = [403] #上面报的是403，就把403加入
#默认为True，就是要遵守robots.txt 的规则，这里我们改为False
ROBOTSTXT_OBEY = False
做了相应的修改，我们再次执行爬虫命令：scrapy crawl jianshu ，看日志打印获取到头像。
获取到头像.png
既然网页数据能爬取成功，我们后面要做的只是分析网页源码了，下面就不一一去分析了，体力活。当然在此之前你要对xpath有一定的了解。
下面引用Scrapy中文官网介绍：
从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制: Scrapy Selectors。 关于selector和其他提取机制的信息请参考 Selector文档 。
这里给出XPath表达式的例子及对应的含义:
-
/html/head/title: 选择HTML文档中<head>标签内的<title>元素 -
/html/head/title/text(): 选择上面提到的<title>元素的文字 -
//td: 选择所有的<td>元素 -
//div[@class="mine"]: 选择所有具有class="mine"属性的div元素
上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。 如果您想了解的更多，我们推荐 这篇XPath教程 。
通过上面的介绍，相信你可以做接下来的爬虫工作了，下面贴上jianshu.py的全部代码，以供参考：
# -*- coding: utf-8 -*-
import scrapy
from jianshu_article.items import JianshuArticleItem
class JianshuSpider(scrapy.Spider):
name = 'jianshu'
allowed_domains = ['jianshu.com']
user_id = "1b4c832fb2ca" #替换此用户ID可获取你需要的数据，或者放开下一行的注释
#user_id = input('请输入作者id：\n')
url = "https://www.jianshu.com/u/{0}?page=1".format(user_id)
start_urls = [
url,
]
def parse(self, response):
# [关注,粉丝,文章]
a = response.xpath('//div[@class="main-top"]/div[@class="info"]/ul/li/div/a/p/text()').extract()
print(a)
# [字数,收获喜欢]
b = response.xpath('//div[@class="main-top"]/div[@class="info"]/ul/li/div/p/text()').extract()
print(b)
# 大头像
c = response.xpath('//div[@class="main-top"]/a[@class="avatar"]/img/@src').extract_first()
print(c)
# 用户名
d = response.xpath('//div[@class="main-top"]/div[@class="title"]/a/text()').extract_first()
print(d)
# 性别
e = response.xpath('//div[@class="main-top"]/div[@class="title"]/i/@class').extract_first()
print(e)
# 获取文章总数，计算页数。（简书网站默认每页是9组数据）
temp = int(a[2])
if (temp % 9 > 0):
count = temp // 9 + 1
else:
count = temp // 9
print("总共" + str(count) + "页")
base_url = "https://www.jianshu.com/u/{0}?page={1}"
for i in range(1, count + 1):
i = count + 1 - i #理论上正序1~count就是按顺序获取的，但是获取的数据是倒置的，所以我们获取count~1的数据，得到的数组就是按照网页形式1~count页码排序的了
yield scrapy.Request(base_url.format(self.user_id, i), dont_filter=True, callback=self.parse_page)
#迭代返回每页的内容
def parse_page(self, response):
for sel in response.xpath('//div[@id="list-container"]/ul/li'):
item = JianshuArticleItem()
item['wrap_img'] = sel.xpath('a/img/@src').extract_first()
item['avatar'] = sel.xpath('div//a[@class="avatar"]/img/@src').extract_first()
item['nickname'] = sel.xpath('div//a[@class="nickname"]/text()').extract_first()
item['time'] = sel.xpath('div//span[@class="time"]/@data-shared-at').extract_first()
item['title'] = sel.xpath('div/a[@class="title"]/text()').extract_first()
item['abstract'] = sel.xpath('div/p[@class="abstract"]/text()').extract_first()
item['read'] = sel.xpath('div/div[@class="meta"]/a[1]/text()').extract()[1]
item['comments'] = sel.xpath('div/div[@class="meta"]/a[2]/text()').extract()[1]
item['like'] = sel.xpath('div/div[@class="meta"]/span/text()').extract_first()
item['detail'] = sel.xpath('div/a[@class="title"]/@href').extract_first()
yield item
至此爬虫代码编写完毕，如果要把获取的数据保存下来，你可以终端执行如下命令：
/*
此命令用于把爬取的数据保存为json文件格式，当然你也可以保存为别的文件格式。
Scrapy官方列出的文件格式有如下几种：('json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle')。
温馨提示：如果要再次爬取，最好换一个文件名或者清空数据再爬取，因为第二还是写入上一个文件，数据不会覆盖，
会堆积在上次获取的下面，造成json文件格式报错。
*/
scrapy crawl jianshu -o data.json
程序执行完后，我们可以在文件目录看到新生成的data.json文件，双击可以看到我们要获取的全部数据：
执行爬虫获取到的数据.png
json解析数据跟网站上的完全吻合.png
至此以上就是本文的全部内容，谢谢阅读。
