這篇文章將講解如何爬取知乎上面的問答數據。
首先,我們需要知道,想要爬取知乎上面的數據,第一步肯定是登錄,所以我們先介紹一下模擬登錄:
先說一下我的思路:
1.首先我們需要控制登錄的入口,重寫start_requests方法。來控制到這個入口之後,使用callback回調函數來調用login函數.
2.在login函數中通過response.text獲取到該頁面的HTML代碼,通過正則表達式提取到登錄必需的xsrf值。
3.下面就是獲取驗證碼了,這是一個難點,首先我們先觀察在請求驗證碼時的url:
可以發現,在請求驗證碼時出現了一個r後面的隨機數,所以我們需要生成一個隨機數,並將該隨機數作爲參數傳給請求驗證碼時的url;然後將該url交給scrapy下載器進行下載。
4.然後通過回調函數調用login_after_captcha ,在該函數中我們需要在請求驗證碼的url下載到驗證碼圖片,讓用戶輸入驗證碼並賦值給變量captcha。然後將xsrf、用戶名、密碼、驗證碼等參數存入postdata。我們就可以進行模擬登錄了。
5.通過調用scrapy的FormRequest來進行模擬登錄
6.模擬登錄之後,調用check_login函數判斷是否登錄成功。
下面是模擬登錄部分的源碼:
def start_requests(self): #控制登錄入口,實現知乎的登錄
return [scrapy.Request('https://www.zhihu.com/#signin',headers=self.header,callback=self.login)]
def login(self,response):
response_text=response.text
xsrf_obj = re.match('.*name="_xsrf" value="(.*)".*', response_text,re.DOTALL)
xsrf=""
if xsrf_obj:
xsrf=xsrf_obj.group(1)
else:
return ""
if xsrf:
post_data = { # 傳遞的數據
"_xsrf": xsrf,
"phone_num": "你的賬號",
"password": "你的密碼",
"captcha":""
}
import time
t = str(int(time.time() * 1000))
captcha_url = "https://www.zhihu.com/captcha.gif?r={0}&type=login & lang=cn".format(t)
yield scrapy.Request(captcha_url, headers=self.header, meta={"post_data": post_data},
callback=self.login_after_captcha)
def login_after_captcha(self, response):
with open("captcha.jpg", "wb") as f: #下載驗證碼圖片
f.write(response.body) #這裏必須爲body
f.close()
from PIL import Image
try:
im = Image.open('captcha.jpg')
im.show()
im.close()
except:
pass
captcha = input("輸入驗證碼\n>")
post_data = response.meta.get("post_data", {})
post_url = "https://www.zhihu.com/login/phone_num"
post_data["captcha"] = captcha #將驗證碼的值傳給post_data
return [scrapy.FormRequest(
url=post_url,
formdata=post_data,
headers=self.header,
callback=self.check_login #調用scrapy的FormRequest完成表單提交,,即模擬登錄,登錄之後調用check_login判斷登錄狀態
)]
def check_login(self, response):
# 驗證服務器的返回數據判斷是否成功
text_json = json.loads(response.text) #response.text存放了登錄成功或其他提示信息 的Unicode編碼,
# 我們將其加載爲json格式。json格式中的msg(message字段存放了中文字符的登錄提示信息)
if "msg" in text_json and text_json["msg"] == "登錄成功":
for url in self.start_urls:
yield scrapy.Request(url, dont_filter=True, headers=self.header)
#在執行完check_login方法之後,因爲我們在最後沒有加callback函數,所以默認會調用parse方法
需要注意的是,每次在請求一個頁面時都需要帶上headers。因爲headers中有一個重要的參數 User-Agent,我們需要指明User-Agent。如果不加上headers的話,那麼在運行時會出現500的服務器錯誤,這是因爲默認的User-Agent是你運行的python2或python3的User-Agent,服務器並不認識。所以,在爬取知乎的時候,在請求一個頁面時必須加上headers
在完成了登錄之後,下面就開始我們的爬取邏輯:
爬取知乎的question需要的字段,設計數據表:
爬取知乎的question需要的字段,設計數據表:
爬取的大致思路:
1.首先我們在parse方法中獲取到登錄之後的首頁的所有url,然後過濾掉不是url的條目,然後再提取感興趣的url。在這裏可以進行一個判斷,如果是我們感興趣的url則執行回調函數parse_question,若不是感興趣的url,那麼就利用scrapy的深度優先遍歷的特點進一步判斷,如此重複。
2.在parse_question方法中則是對url頁面中的數據解析。然後通過yield來調用回調函數解析該question對應的answer,並通過yield question_item傳遞給pipelines。
3.在pipelines中可以使用爬取到數據,比如存爲json格式,存入數據庫等等。
4.更多的解釋會在源碼中註解。
我們先看一下爬取的結果:
question表:
answer表:
下面是整個項目的源碼:
目錄結構:
zhihu.py
import scrapy
import re
import json
from scrapy.loader import ItemLoader
from ArticleSpider.items import ZhihuQuestionItem,ArticleItemLoader,ZhihuAnswerItem
import datetime
try:
import urlparse as parse
except:
from urllib import parse
class ZhihuSpider(scrapy.Spider):
name = 'zhihu'
allowed_domains = ['www.zhihu.com']
start_urls = ['http://www.zhihu.com/']
#question的第一頁answer請求url
start_answer_url="https://www.zhihu.com/api/v4/questions/{0}/answers?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,upvoted_followees;data[*].mark_infos[*].url;data[*].author.follower_count,badge[?(type=best_answerer)].topics&offset={1}limit={2}&sort_by=default"
header = {
"Host": "www.zhihu.com",
"Referer": "https://www.zhihu.com",
'User-Agent': "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:57.0) Gecko/20100101 Firefox/57.0"
}
def parse(self, response): #該函數的response.text是傳過來的登錄成功之後的html代碼
#提取出HTML頁面中的所有url,並跟蹤這些url進行進一步爬取(深度優先算法)
#如果提取的url中格式爲/question/xxx 就下載之後直接進入解析函數
all_urls=response.css("a::attr(href)").extract() #提取所有的url
all_urls=[parse.urljoin(response.url,url) for url in all_urls] #拼接特殊的URL
all_urls=filter(lambda x:True if x.startswith("https") else False,all_urls) #使用匿名函數過濾掉不是url的條目
for url in all_urls:
match_obj=re.match("(.*zhihu.com/question/(\d+))($|/).*",url) #提取感興趣URL(question/id)
if match_obj: #如果提取到question相關的頁面
request_url=match_obj.group(1) #提取url
question_id=match_obj.group(2) #提取question id
yield scrapy.Request(request_url,headers=self.header,meta={"question_id":question_id},callback=self.parse_question)
else: #如果不是question相關的url,則進行深度優先算法的提取
yield scrapy.Request(url,headers=self.header,callback=self.parse)
pass
def parse_question(self,response):
#獲取到question的URL之後 ,調用該方法進行處理
if "QuestionHeader-title" in response.text: #處理新版本
click_num=response.css(".NumberBoard-value::text").extract()[1]
question_id = response.meta.get("question_id", "") #獲取question_id字典。
item_loader = ItemLoader(item=ZhihuQuestionItem(), response=response)
item_loader.add_css("title",".QuestionHeader-title::text") #標題
item_loader.add_css("content",".QuestionHeader-detail")
item_loader.add_value("url",response.url) #該頁面的url
item_loader.add_value("zhihu_id",question_id)
item_loader.add_css("answer_num",".List-headerText span::text")#extract之後['10',' 個回答'] 回答數
item_loader.add_css("comments_num",".QuestionHeader-Comment button::text") #extract之後['1 條評論']
item_loader.add_css("watch_user_num",".NumberBoard-value::text")#這裏會提取關注數和被瀏覽數兩個
item_loader.add_value("click_num",click_num) #這裏會提取關注數和被瀏覽數兩個
item_loader.add_css("topics",".QuestionHeader-topics .Popover div::text") #話題
question_item=item_loader.load_item()
else:
#處理老版本頁面的item提取
question_id = response.meta.get("question_id", "")
item_loader = ItemLoader(item=ZhihuQuestionItem(), response=response)
item_loader.add_css("title", "#zh-question-title h2 a::text")
item_loader.add_css("content", "#zh-question-detail")
item_loader.add_value("url", response.url)
item_loader.add_value("zhihu_id", question_id)
item_loader.add_css("answer_num", "#zh-question-answer-num::text")
item_loader.add_css("comments_num", "#zh-question-meta-wrap a[name='addcomment']::text")
item_loader.add_css("topics", ".zm-tag-editor-labels a::text")
question_item = item_loader.load_item()
yield scrapy.Request(self.start_answer_url.format(question_id,0,20),headers=self.header,callback=self.parse_answer)
yield question_item
def parse_answer(self,response):
#由於返回的是json文件
answer_json=json.loads(response.text)
is_end=answer_json["paging"]["is_end"] #布爾類型
next_url=answer_json["paging"]["next"]
for answer in answer_json["data"]:
answer_item=ZhihuAnswerItem()
answer_item["zhihu_id"]=answer["id"]
answer_item["url"]=answer["url"]
answer_item["question_id"]=answer["question"]["id"]
answer_item["author_id"]=answer["author"]["id"] if "id" in answer["author"] else None
answer_item["content"]=answer["content"] if "content" in answer else None
answer_item["praise_num"]=answer["voteup_count"]
answer_item["comments_num"]=answer["comment_count"]
answer_item["create_time"]=answer["created_time"] #該網頁返回給我們的int類型
answer_item["update_time"]=answer["updated_time"]# 該網頁返回給我們的int類型
answer_item["crawl_time"]=datetime.datetime.now() # 2017-12-22 22:30:47.061460
yield answer_item
if not is_end: #如果不是最後一個回答url
yield scrapy.Request(next_url,headers=self.header,callback=self.parse_answer)
def start_requests(self): #控制登錄入口,實現知乎的登錄
return [scrapy.Request('https://www.zhihu.com/#signin',headers=self.header,callback=self.login)]
#在重寫start_requests方法之後,scrapy首先會執行該方法,請求的頁面是登錄界面,請求頭爲上面我們定義的,然後因爲
#scrapy是異步處理的緣故,所以在執行完該方法之後,我們需要加一個callback回調函數,來調用登錄方法,如果不加上callback
#指明回調函數,那麼scrapy默認會直接調用parse方法。
def login(self,response):
response_text=response.text
xsrf_obj = re.match('.*name="_xsrf" value="(.*)".*', response_text,re.DOTALL)
xsrf=""
if xsrf_obj:
xsrf=xsrf_obj.group(1)
else:
return ""
if xsrf:
post_data = { # 傳遞的數據
"_xsrf": xsrf,
"phone_num": "你的用戶名",
"password": "你的密碼",
"captcha":""
}
import time
t = str(int(time.time() * 1000))
captcha_url = "https://www.zhihu.com/captcha.gif?r={0}&type=login & lang=cn".format(t)
yield scrapy.Request(captcha_url, headers=self.header, meta={"post_data": post_data},
callback=self.login_after_captcha) #meta表示字典,裏面存放了post_data。這裏保證了是同一個session中的cookie
def login_after_captcha(self, response):
with open("captcha.jpg", "wb") as f: #下載驗證碼圖片
f.write(response.body) #這裏必須爲body
f.close()
from PIL import Image
try:
im = Image.open('captcha.jpg')
im.show()
im.close()
except:
pass
captcha = input("輸入驗證碼\n>")
post_data = response.meta.get("post_data", {})
post_url = "https://www.zhihu.com/login/phone_num"
post_data["captcha"] = captcha #將驗證碼的值傳給post_data
return [scrapy.FormRequest(
url=post_url,
formdata=post_data,
headers=self.header,
callback=self.check_login #調用scrapy的FormRequest完成表單提交,,即模擬登錄,登錄之後調用check_login判斷登錄狀態
)]
def check_login(self, response):
# 驗證服務器的返回數據判斷是否成功
text_json = json.loads(response.text) #response.text存放了登錄成功或其他提示信息 的Unicode編碼,
# 我們將其加載爲json格式。json格式中的msg(message字段存放了中文字符的登錄提示信息)
if "msg" in text_json and text_json["msg"] == "登錄成功":
for url in self.start_urls:
yield scrapy.Request(url, dont_filter=True, headers=self.header)
#在執行完check_login方法之後,因爲我們在最後沒有加callback函數,所以默認會調用parse方法
common.py
import hashlib
import re
def get_purenum(text):
str_re = ".*?(\d+).*" # 提取整數部分並返回int類型
text = re.match(str_re, text)
if text:
return int(text.group(1))
else:
return 0
items.py
import scrapy
from scrapy.loader.processors import MapCompose,TakeFirst,Join
from scrapy.loader import ItemLoader
import re
from ArticleSpider.util.common import get_purenum
import datetime
from ArticleSpider.settings import SQL_DATETIME_FORMAT,SQL_DATE_FORMAT
class ZhihuQuestionItem(scrapy.Item):
#入庫前處理
#知乎question實體類
zhihu_id=scrapy.Field(
)
topics=scrapy.Field(
)
url=scrapy.Field()
title=scrapy.Field()
content=scrapy.Field()
create_time=scrapy.Field()
update_time=scrapy.Field()
answer_num=scrapy.Field()
comments_num=scrapy.Field()
watch_user_num=scrapy.Field()
click_num=scrapy.Field()
crawl_time=scrapy.Field() #爬蟲爬取的時間
def get_insertsql(self):
insert_sql = "insert into zhihu_question(zhihu_id,topics,url,title,content," \
"answer_num,comments_num,watch_user_num,click_num,crawl_time) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s) ON DUPLICATE KEY UPDATE topics=VALUES(topics),content=VALUES(content),answer_num=values(answer_num), " \
"comments_num=values(comments_num),watch_user_num=values(watch_user_num),click_num=values(click_num)"
zhihu_id = int("".join(self["zhihu_id"]))
topics = ",".join(self["topics"])
url = self["url"][0]
title = "".join(self["title"]) # ItemLoader是list類型,在這裏進行處理轉爲str類型或者int類型
content = "".join(self["content"])
answer_num = get_purenum("".join(self["answer_num"]))
comments_num = get_purenum(self["comments_num"][0])
watch_user_num = int(self["watch_user_num"][0])
click_num = int(self["click_num"][0])
crawl_time = datetime.datetime.now().strftime(SQL_DATETIME_FORMAT) #將時間格式化爲我們在setting中指定的格式
params = (zhihu_id, topics, url, title, content, answer_num, comments_num,
watch_user_num, click_num, crawl_time)
return insert_sql,params
class ZhihuAnswerItem(scrapy.Item):
#知乎回答item
zhihu_id=scrapy.Field()
url=scrapy.Field()
question_id=scrapy.Field()
author_id=scrapy.Field()
content=scrapy.Field()
praise_num=scrapy.Field()
comments_num=scrapy.Field()
create_time=scrapy.Field()
update_time=scrapy.Field()
crawl_time=scrapy.Field()
def get_insertsql(self):
insert_sql = "insert into zhihu_answer(zhihu_id,url,question_id,author_id,content," \
"praise_num,comments_num,create_time,update_time,crawl_time) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s) ON DUPLICATE KEY UPDATE " \
"content=VALUES(content),praise_num=VALUES(praise_num),comments_num=VALUES(comments_num),update_time=VALUES(update_time)"
# 調用datetime fromtimestamp方法將int 轉爲datetime類型(年月日時分秒都有),然後再格式化爲指定格式
create_time = datetime.datetime.fromtimestamp(self["create_time"]).strftime(SQL_DATETIME_FORMAT)
update_time = datetime.datetime.fromtimestamp(self["update_time"]).strftime(SQL_DATETIME_FORMAT)
params=(self["zhihu_id"],self["url"],self["question_id"],self["author_id"],self["content"]
,self["praise_num"],self["comments_num"],create_time,update_time,self["crawl_time"].strftime(SQL_DATETIME_FORMAT))
return insert_sql,params
pipelines.py
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exporters import JsonItemExporter
import MySQLdb
from twisted.enterprise import adbapi
import MySQLdb.cursors
class ArticlespiderPipeline(object):
def process_item(self, item, spider): #item中的values存放了tiems的所有屬性
return item
class JsonExporterPipeline(object):
#調用scrapy提供的JsonExporter導出json文件
def __init__(self):
self.file=open('articleexport.json','wb')#打開文件.wb表示以二進制的方式
self.exporter=JsonItemExporter(self.file,encoding="utf-8",ensure_ascii=False) #傳遞參數
self.exporter.start_exporting() #開始導出
def close_spider(self,spider):
self.exporter.finish_exporting() #停止導出
self.file.close() #關閉文件
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
class MysqlTwistedPipeline(object):
#若每一個網站寫一個Pipeline,那麼需要大數量的mysql的連接,顯然是不合理的,所以
#在實際開發中,往往是插入不同的數據庫使用不同的pipeline
# 通過Twisted框架提供的異步容器,將數據通過異步的方式存儲到mysql中
def __init__(self,dbpool):
self.dbpool=dbpool
@classmethod
def from_settings(cls,settings):
dbparams=dict(
host=settings["MYSQL_HOST"],
db=settings["MYSQL_DBNAME"],
user=settings["MYSQL_USER"],
passwd=settings["MYSQL_PASSWORD"],
charset="utf8",
cursorclass=MySQLdb.cursors.DictCursor,
use_unicode=True
)
dbpool=adbapi.ConnectionPool("MySQLdb",**dbparams) #連接池
return cls(dbpool) #返回MysqlTwistedPipeline類的一個實例化對象
def process_item(self, item, spider):
query=self.dbpool.runInteraction(self.do_insert,item) #異步的插入操作
query.addErrback(self.handle_error,item,spider) #處理異步插入的異常
def handle_error(self,failure,item,spider):
print(failure) #發生異常時直接輸出異常信息
def do_insert(self,cursor,item):
insert_sql,params=item.get_insertsql() #調用對應的item的get_insertsql方法,獲取到不同的sql語句,和params元組
cursor.execute(insert_sql,params)
setting.py
ITEM_PIPELINES = {
'ArticleSpider.pipelines.ArticlespiderPipeline': 300,
'ArticleSpider.pipelines.JsonExporterPipeline': 2 , #保存爲Json文件
# 'ArticleSpider.pipelines.MysqlPipeline': 3 #將數據同步存儲到數據庫
'ArticleSpider.pipelines.MysqlTwistedPipeline':3 #將數據異步插入到數據庫
}
MYSQL_HOST="localhost"
MYSQL_DBNAME="article_spider"
MYSQL_USER="root"
MYSQL_PASSWORD="751324"
SQL_DATETIME_FORMAT="%Y-%m-%d %H:%M:%S" #詳細時間類型
SQL_DATE_FORMAT="%Y-%m-%d" #日期類型
至此,通過scrapy從模擬登錄到爬取問答數據的項目就完成了,模擬登錄是在爬蟲中非常重要的知識,在模擬登錄成功之後,包括解析數據,將item 傳入pipelines,數據表的創建,pipelines和items的配置,入庫等也就變得很簡單了;在這個項目中,在解析answer的數據時,我們採用的是json格式直接提取的,因爲url直接給我們返回了json格式的文件,這樣也就簡化了我們解析數據的操作。