光棍节专题：用scrapy框架爬取社区用户信息，发现小姐姐

2017-11-10 本文已影响585人大吉大利小米酱

前言：本文主要讲scrapy框架的原理和使用，建议至少在理解掌握python爬虫原理后再使用框架(不要问我为什么，我哭给你看)。

双十一马上就要来了，在举国一片“买买买”的呼声中，单身汪的咆哮声也愈发凄厉了。作为一个Python程序员，要如何找到小姐姐，避开暴击伤害，在智中取胜呢？于是就有了以下的对话：

so~今天我们的目标是，爬社区的小姐姐~而且，我们又要用到新的姿势(雾)了~scrapy爬虫框架~

1.scrapy原理

在写过几个爬虫程序之后，我们就知道，利用爬虫获取数据大概的步骤：请求网页，获取网页，匹配信息，下载数据，数据清洗，存入数据库。

scrapy是一个很有名的爬虫框架，可以很方便的进行网页信息爬取。那么scrapy到底是如何工作的呢？之前在网上看了不少scrapy入门的教程，大多数入门教程都配有这张图。

_(:зゝ∠)_也不知道是这张图实在太经典了，还是程序员们都懒得画图，第一次看到这个图的时候，米酱的心情是这样的

经过了一番深入的理解，大概知道这幅图的意思，让我来举个栗子(是的，我又要举奇怪的栗子了)：

scrapy原理图之我要吃好吃的

当我们想吃东西的时候，我们会出门，走到街上，寻找一家想吃的点，然后点餐，服务员再通知厨房去做，最后菜到餐桌上，或者被打包带走。这就是爬虫程序在做的事，它要将所有获取数据需要进行的操作，都写好。

而scrapy就像一个点餐app一般的存在，在订餐列表(spiders)选取自己目标餐厅里想吃的菜(items)，在收货(pipeline)处写上自己的收货地址(存储方式)，点餐系统(scrapy engine)会根据订餐情况要求商铺(Internet)的厨房(download)将菜做好，由于会产生多个外卖取货订单(request)，系统会根据派单(schedule)分配外卖小哥从厨房取货(request)和送货(response)。说着说着我都饿了。。。。

什么意思呢？在使用scrapy时，我们只需要设置spiders(想要爬取的内容)，pipeline(数据的清洗，数据的存储方式)，还有一个middlewares，是各功能间对接时的一些设置，就可以不用操心其他的过程，一切交给scrapy模块来完成。

2.创建scrapy工程

安装scrapy之后，创建一个新项目

$ scrapy startproject zhihuxjj

我用的是pycharm编译器，在spiders文件下创建zhihuxjj.py

在zhihuxjj.py这个文件中，我们要编写我们的爬取规则。

3.爬取规则制定(spider)

创建好了项目，让我们来看一下我们要吃的店和菜…哦不，要爬的网站和数据。

我选用了知乎作为爬取平台，知乎是没有用户从1到n的序列id的，每个人可以设置自己的个人主页id，且为唯一。所以采选了选取一枚种子用户，爬取他的关注者，也可以关注者和粉丝一起爬，考虑到粉丝中有些三无用户，我仅选择了爬取关注者列表，再通过关注者主页爬取关注者的关注者，如此递归。

对于程序的设计，是这样的。

start url是scrapy中的一个标志性的值，它用于设置爬虫程序的开始，也就是从哪里开始爬，按照设定，从种子用户个人主页开始爬便是正义，但是考虑到个人主页的链接会进行重复使用，所以在这里我将起始url设成了知乎主页。

之后就是种子用户的个人主页，知乎粉丝多的大V很多，但是关注多的人就比较难发现了，这里我选择了知乎的黄继新，联合创始人，想必关注了不少优质用户(≖‿≖)✧。

分析一下个人主页可知，个人主页由'https://www.zhihu.com/people/' + 用户id 组成，我们要获取的信息是用callback回调函数(敲黑板！！划重点！！)的方式设计，这里一共设计了俩个回调函数：用户的关注列表和关注者的个人信息。

使用chrome浏览器查看上图的页面可知获取关注列表的url，以及关注者的用户id。

将鼠标放在用户名上。

可以获得个人用户信息的url。分析url可知：

关注者列表链接构成：'https://www.zhihu.com/api/v4/members/' + '用户id' + '/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20'
个人信息链接构成：'https://www.zhihu.com/api/v4/members/' + '用户id' + '?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'

so，我们在上一节中创建的zhihuxjj.py文件中写入以下代码。

import json
from zhihuxjj.items import ZhihuxjjItem
from scrapy import Spider,Request

class ZhihuxjjSpider(Spider):
    name='zhihuxjj' #scrapy用于区别其他spider的名字，具有唯一性。
    allowed_domains = ["www.zhihu.com"] #爬取范围
    start_urls = ["https://www.zhihu.com/"]
    start_user = "jixin"
    followees_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset={offset}&limit=20' #关注列表网址
    user_url = 'https://www.zhihu.com/api/v4/members/{user}?include=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,avatar_hue,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' #个人信息链接
    def start_requests(self):
        yield Request(self.followees_url.format(user=self.start_user,offset=0),callback=self.parse_fo) #回调种子用户的关注列表
        yield Request(self.user_url.format(user=self.start_user,include = self.user_include),callback=self.parse_user) #回调种子用户的个人信息

    def parse_user(self, response):
        result = json.loads(response.text)
        print(result)
        item = ZhihuxjjItem()
        item['user_name'] = result['name']
        item['sex'] = result['gender']  # gender为1是男，0是女，-1是未设置
        item['user_sign'] = result['headline']
        item['user_avatar'] = result['avatar_url_template'].format(size='xl')
        item['user_url'] = 'https://www.zhihu.com/people/' + result['url_token']
        if len(result['locations']):
            item['user_add'] = result['locations'][0]['name']
        else:
            item['user_add'] = ''
        yield item

    def parse_fo(self, response):
        results = json.loads(response.text)
        for result in results['data']:
            yield Request(self.user_url.format(user=result['url_token'], include=self.user_include),callback=self.parse_user)
            yield Request(self.followees_url.format(user=result['url_token'], offset=0),callback=self.parse_fo)  # 对关注者的关注者进行遍历，爬取深度depth+=1
        if results['paging']['is_end'] is False: #关注列表页是否为尾页
            next_url = results['paging']['next'].replace('http','https')
            yield Request(next_url,callback=self.parse_fo)
        else:
            pass

这里需要划重点的是yield的用法，以及item['name']，将爬取结果赋值给item，就是告诉系统，这是我们要选的菜…啊呸…要爬的目标数据。

4.设置其他信息

在items.py文件中，按照spider中设置的目标数据item，添加对应的代码。

import scrapy
class ZhihuxjjItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    user_name = scrapy.Field()
    sex  = scrapy.Field()
    user_sign = scrapy.Field()
    user_url = scrapy.Field()
    user_avatar = scrapy.Field()
    user_add = scrapy.Field()
    pass

在pipeline.py中添加存入数据库的代码(数据库咋用上一篇文章写了哦~)。

import pymysql

def dbHandle():
    conn = pymysql.connect(
        host='localhost',
        user='root',
        passwd='数据库密码',
        charset='utf8',
        use_unicode=False
    )
    return conn

class ZhihuxjjPipeline(object):
    def process_item(self, item, spider):
        dbObject = dbHandle()  # 写入数据库
        cursor = dbObject.cursor()
        sql = "insert into xiaojiejie.zhihu(user_name,sex,user_sign,user_avatar,user_url,user_add) values(%s,%s,%s,%s,%s,%s)"
        param = (item['user_name'],item['sex'],item['user_sign'],item['user_avatar'],item['user_url'],item['user_add'])
        try:
            cursor.execute(sql, param)
            dbObject.commit()
        except Exception as e:
            print(e)
            dbObject.rollback()
        return item

因为使用了pipeline.py，所以我们还需要再setting.py文件中，将ITEM_PIPELINE注释解除，这里起到连接两个文件的作用。

到这里，基本就都设置好了，程序基本上就可以跑了。不过因为scrapy是遵循robots.txt法则的，所以让我们来观察一下知乎的法则https://www.zhihu.com/robots.txt

emmmmmmm，看完法则了吗，很好，然后我们在setting.py中，将ROBOTSTXT_OBEY 改成 False。(逃

好像…还忘了点什么，对了，忘记设置headers了。通用的设置headers的方法同样是在setting.py文件中，将DEFAULT_REQUEST_HEADERS的代码注释状态取消，并设置模拟浏览器头。知乎是要模拟登录的，如果使用游客方式登录，就需要添加authorization，至于这个authorization是如何获取的，我，就，不，告，诉，你(逃

DEFAULT_REQUEST_HEADERS = {
    "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",
    'authorization': 'oauth c3cef7c66a1843f8b3a9e6a1e3160e20'
}

为了减少服务器压力&防止被封，解除DOWNLOAD_DELAY注释状态，这是设置下载延迟，将下载延迟设为3(robots法则里要求是10，但10实在太慢了_(:зゝ∠)_知乎的程序员小哥哥看不见这句话看不见这句话…