福利
當我們爬蟲寫好,入庫,併成功展示出來,不知不覺就實現了一個小程序項目:宅宅生活收藏夾
微信搜索小程序:宅宅生活收藏夾。歡迎大家使用。
之前寫到宅宅生活收藏夾的部署方法,見 使用Flask,Nginx,
Gunicorn,Supervisor完成網站部署。這次介紹一下如何抓取知乎答案,獲取知乎美圖。
本文除 Python 相關庫的使用外,還會涉及到 mongo
數據庫的使用。
因爲宅宅生活收藏夾只是爲了收集知乎釣魚貼的圖片,有針對性,所以不能通過獲取知乎首頁列表全面抓取。當然抓取方式大同小異,把抓取列表改爲知乎首頁也是可以的。
整體思路
首先我們需要收集知乎各類釣魚貼,這一步可以使用爬蟲(通過爬取別人已經收集的釣魚貼,或者各種社區可能已有釣魚貼專欄等)獲取,也可以在瀏覽知乎時,發現合適的貼子手動添加。
我們需要將釣魚貼的 ID 存入數據庫中,爬蟲運行時讀庫獲取需要爬取的目標貼。
通過寫一個爬蟲,生成任務池多線程調用。將獲取到的答案數據清洗,只收集答案中的圖片。
存入庫中的結構和知乎的類似:答案集合保存所有答案,每一個答案是一條獨立的文檔。可能寫的有點繞。
具體結構類似這種結構:
{
"Answer": [
{
"id": 1,
"question_id": "xxx",
"title": "xxx",
"author": "xxx",
"content: [
"imgUrl",
"..."
]
},
{
"id": 2,
"question_id": "xxx",
"title": "xxx",
"author": "xxx",
"content: [
"imgUrl",
"..."
]
},
...
]
}
其中 Answer
爲數據庫的集合,集合中的每一項是一條回答。
用這種格式保存的好處是我們只需通過貼子的 ID 查詢答案即可,保存起來也非常方便。
知乎爬蟲
開始之前
在開始之前需要安裝項目依賴,只用到兩個常用庫:
python3 -m pip install requests pymongo
分別用來爬蟲和操作數據庫。
安裝完成後記得啓動 mongo
服務。
Spider
爬蟲代碼比較簡單,代碼不過百行,關鍵找到知乎答案的接口,解析即可。而且這個接口也是非常好找的。
用 Chrome 的開發者工具一下就找到了…
[外鏈圖片轉存失敗(img-waDRfOCu-1562419272787)(https://user-images.githubusercontent.com/25655581/60421921-64c30d80-9c1d-11e9-9c45-7e4cdbe1b38a.png)]
而且接口也沒有任何加密或權限限制,在請求頭中加入 Cookies
就可以了。是不是突然覺得很簡單?
只要我們控制好頻率,不要影響到知乎服務就行了。畢竟我們只是想獲取答案而已,不想做其他的。
通過 Chrome 開發者工具分析,請求攜帶了如下參數,我們只用到 limit
和 offset
,用來控制接口返回的數量和返回的位置。
include: data[*].is_normal,admin_closed_comment,reward_info,is_collapsed,annotation_action,annotation_detail,collapse_reason,is_sticky,collapsed_by,suggest_edit,comment_count,can_comment,content,editable_content,voteup_count,reshipment_settings,comment_permission,created_time,updated_time,review_info,relevant_info,question,excerpt,relationship.is_authorized,is_author,voting,is_thanked,is_nothelp,is_labeled,is_recognized,paid_info;data[*].mark_infos[*].url;data[*].author.follower_count,badge[*].topics
offset:
limit: 3
sort_by: default
platform: desktop
完整的請求 URL 是:
https://www.zhihu.com/api/v4/questions/21115811/answers?include=data%5B*%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%3Bdata%5B*%5D.mark_infos%5B*%5D.url%3Bdata%5B*%5D.author.follower_count%2Cbadge%5B*%5D.topics&offset=&limit=3&sort_by=default&platform=desktop
我們只要動態更改其中的 question
,limit
和 offset
就可以了。
我們通過接口返回的答案總數,判斷需要翻多少頁,當然也可以通過接口返回的 next
和 previous
來獲取下一頁或前一頁答案鏈接。知乎的接口設計的非常方便啊。
當然在翻頁抓取的時候切記設置睡眠時間,放在服務器上爬的慢一點也沒關係。不要影響到知乎的正常服務。
請求成功後我們就可以根據自己的需求,存儲數據了,至於如何判斷答案中是否有圖片,可以參考以下代碼。
使用到了 lxml
,也可以使用 re
庫代替。
@staticmethod
def parse_content(self, content):
"""解析答案中的 content,直接獲取圖片"""
if "<img " in content:
img_list = set(etree.HTML(content).xpath("//img/@data-original"))
return list(img_list)
else:
return []
先判斷回答中是否有 img
標籤,如果沒有直接返回空列表,如果有的話,通過 data-original
屬性獲取原始大小的圖片鏈接。也是返回列表類型。
在入庫的時候,我們通過 parse_content
的返回判斷是否需要入庫,如果是 []
就跳過,如果列表不爲空就入庫。這樣在之後展示的時候不會只展示作者信息,卻沒有回答的情況了(其實是該作者回答中沒有圖片)。
調用爬蟲
當我們完成上述操作,就可以單獨寫一個文件使用多線程調用爬蟲了。
from concurrent.futures import ThreadPoolExecutor
qid_list = db.get_all_question()
crawler_list = [ZhihuSpider(qid).run for qid in qid_list]
with ThreadPoolExecutor(max_workers=4) as executor:
future = [executor.submit(task) for task in crawler_list]
for f in future:
f.result()
qid_list
來自查庫獲取所有的知乎貼子 ID。
使用 concurrent.futures
庫並行執行任務,在我們的代碼裏使用 ThreadPoolExecutor
,它使用線程池來異步執行調用。
max_workers
控制最多線程的使用,本例中使用最多4個線程執行任務。
具體文檔見 ThreadPoolExecutor,是對 thread
庫的封裝,讓我們使用線程時更加簡單。