手把手教你爬取知乎用户并存入mongodb～

yk 坤帝 yk 坤帝 2022-04-16 08:00

收录于话题

#python134

#干货15

#项目56

#Python15

yk 坤帝

python基础，爬虫，自动化办公，matlab，数据分析，股票开户万1.2，数据挖掘，可视化分析，机器学习，深度学习，关联分析，聚类算法，粒子群算法，粒子群优化算法，资源分享。

71篇原创内容

公众号

大家好

我是坤哥，今天手把手教你爬取知乎用户并存入mongodb～

环境需求

基础环境沿用之前的环境，只是增加了MongoDB（非关系型数据库）和PyMongo（Python 的 MongoDB 连接库），默认我认为大家都已经安装好并启动 了MongoDB 服务。

测试爬虫效果

我这里先写一个简单的爬虫，爬取用户的关注人数和粉丝数，代码如下：

import scrapy
class ZhuHuSpider(scrapy.Spider): """ 知乎爬虫 """ name = 'zhuhu' allowed_domains = ['zhihu.com'] start_urls = ['https://www.zhihu.com/people/wo-he-shui-jiu-xing/following']
 def parse(self, response): # 他关注的人数 tnum = response.css("strong.NumberBoard-itemValue::text").extract()[0] # 粉丝数 fnum = response.css("strong.NumberBoard-itemValue::text").extract()[1] print("他关注的人数为：%s" % tnum) print("他粉丝的人数为：%s" % fnum)

pychram中运行的结果如下：

出现500错误了，我们加上headers再试试，我们直接在settings.py中设置，如下：

再次执行看看结果：

这次就正常获取到我们需要的信息了

爬取分析

我们就用中本聪的主页作为分析入口吧，主页如下：

https://www.zhihu.com/people/satoshi_nakamoto/following

分析用户关注列表如下：

鼠标放到用户图像上，会显示详细信息如下：

这里要注意我用的是火狐浏览器，选择网络--XHR来获取信息

ajax技术的核心是XMLHttpRequest对象(简称XHR)，这是由微软首先引入的一个特性，其他浏览器提供商后来都提供了相同的实现。XHR为向服务器发送请求和解析服务器响应提供了流畅的接口，能够以异步方式从服务器取得更多信息，意味着用户单击后，可以不必刷新页面也能取得新数据。

通过上面的请求我们可以获取的连接如下：

#用户详细信息https://www.zhihu.com/api/v4/members/li-kang-65?include=allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics
https://www.zhihu.com/api/v4/members/jin-xiao-94-7?include=allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics
#关注的人信息https://www.zhihu.com/api/v4/members/satoshi_nakamoto/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20

通过分析上面的链接可以看出

1.用户详细信息链接组成：https://www.zhihu.com/api/v4/members/{user}?include={include}

其中user是用户的url_token，include是allow_message,is_followed,is_following,is_org,is_blocking,employments,answer_count,follower_count,articles_count,gender,badge[?(type=best_answerer)].topics

2.关注人信息链接组成：https://www.zhihu.com/api/v4/members/satoshi_nakamoto/followees?include={include}&offset={offset}&limit={limit}

其中include为data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics，offset为分页偏移量，limit为每页用户数量，可以通过下图看出：

第一页

第二页

第三页

开始爬取

我们还是先写一个简易的爬虫，把功能先实现，代码如下：

import scrapy
class ZhuHuSpider(scrapy.Spider): """ 知乎爬虫 """ name = 'zhuhu' allowed_domains = ['zhihu.com'] # 用户详细信息地址 user_detail = 'https://www.zhihu.com/api/v4/members/{user}?include={include}' # 用户详细信息中的include user_include = 'allow_message,is_followed,' \ 'is_following,' \ 'is_org,is_blocking,' \ 'employments,' \ 'answer_count,' \ 'follower_count,' \ 'articles_count,' \ 'gender,' \ 'badge[?(type=best_answerer)].topics' # 关注的人地址 follow_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}' # 关注的人include follow_include = 'data[*].answer_count,' \ 'articles_count,' \ 'gender,' \ 'follower_count,' \ 'is_followed,' \ 'is_following,' \ 'badge[?(type=best_answerer)].topics' # 初始user start_user = 'satoshi_nakamoto'
 def start_requests(self): # 这里重新定义start_requests方法，注意这里的format用法 yield scrapy.Request(self.user_detail.format(user=self.start_user, include=self.user_include), callback=self.parse_user) yield scrapy.Request(self.follow_url.format(user=self.start_user, include=self.follow_include, offset=20, limit=20), callback=self.parse_follow)
 def parse_user(self, response): print('user:%s' % response.text)
 def parse_follow(self, response): print('follow:%s' % response.text)

输出结果如下：

这里需要注意的是authorization信息一定要在headers中添加，不然会报错，authorization在headers中的形式如下：

.测试发现authorization值在一段时间内是不会发生变化的，是否永久不变还有待考证。

parse_user编写

parse_user方法用来解析用户的详细数据，存储并发现此用户的关注列表，返回给parse_follow方法来处理，用户详细存储字段如下：

为了省事我把所有字段都添加到items.py中(如果运行spider后报错，提示字段未找到，就将那个字段添加进来即可)，如下：

class UserItem(scrapy.Item): """ 定义了响应报文中json的字段 """ is_followed = scrapy.Field() avatar_url_template = scrapy.Field() user_type = scrapy.Field() answer_count = scrapy.Field() is_following = scrapy.Field() url = scrapy.Field() type = scrapy.Field() url_token = scrapy.Field() id = scrapy.Field() allow_message = scrapy.Field() articles_count = scrapy.Field() is_blocking = scrapy.Field() name = scrapy.Field() headline = scrapy.Field() gender = scrapy.Field() avatar_url = scrapy.Field() follower_count = scrapy.Field() is_org = scrapy.Field() employments = scrapy.Field() badge = scrapy.Field() is_advertiser = scrapy.Field()

parse_user方法代码如下：

 def parse_user(self, response): """ 解析用户详细信息方法 :param response: 获取的内容，转化为json格式 """ # 通过json.loads方式转换为json格式 results = json.loads(response.text) # 引入item类 item = UserItem() # 通过循环判断字段是否存在，存在将结果存入items中 for field in item.fields: if field in results.keys(): item[field] = results.get(field) # 直接返回item yield item # 将获取的用户通过format方式组合成新的url，调用callback函数交给parse_follow方法解析 yield scrapy.Request(self.follows_url.format(user=results.get('url_token'), include=self.follow_include, offset=0, limit=20), callback=self.parse_follow)

parse_follow方法编写

首先也要将获取的response转换为json格式，获取关注的用户，对每一个用户继续爬取，同时也要处理分页。可以看下面两个图：

重新编写后的parse_follow方法如下：

 def parse_follow(self, response): """ 解析关注的人列表方法 """ # 格式化response results = json.loads(response.text) # 判断data是否存在，如果存在就继续调用parse_user解析用户详细信息 if 'data' in results.keys(): for result in results.get('data'): yield scrapy.Request(self.user_detail.format(user=result.get('url_token'), include=self.user_include), callback=self.parse_user) # 判断paging是否存在，如果存在并且is_end参数为False，则继续爬取下一页，如果is_end为True，说明为最后一页 if 'paging' in results.keys() and results.get('paging').get('is_end') == False: next_page = results.get('paging').get('next') yield scrapy.Request(next_page, callback=self.parse_follow)

运行爬虫后的结果如下图：

可以看到一直在获取内容。

存入mongodb

item pipeline

存储使用MongoDB，我们需要修改Item Pipeline，参照官网示例修改的代码如下：

class ZhiHuspiderPipeline(object): """ 知乎数据存入monogodb数据库类,参考官网示例 """
 collection_name = 'user'
 def __init__(self, mongo_uri, mongo_db): """ 初始化参数 :param mongo_uri:mongo uri :param mongo_db: db name """ 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', 'items') )
 def open_spider(self, spider): # 打开连接 self.client = pymongo.MongoClient(self.mongo_uri) # db_auth因为我的mongodb设置了认证，所以需要这两步，未设置可以注释 self.db_auth = self.client.admin self.db_auth.authenticate("admin", "password") self.db = self.client[self.mongo_db]
 def close_spider(self, spider): self.client.close()
 def process_item(self, item, spider): # 这里使用update方法 self.db[self.collection_name].update({'url_token': item['url_token']}, dict(item), True) return item

这里要说一说update方法，update() 方法用于更新已存在的文档。语法格式如下：

db.collection.update( <query>, # update的查询条件，类似sql update查询内where后面的 <update>, # update的对象和一些更新的操作符（如$,$inc...）等，也可以理解为sql update查询内set后面的 { upsert: <boolean>, # 可选，这个参数的意思是，如果不存在update的记录，是否插入objNew,true为插入，默认是false，不插入。 multi: <boolean>, # 可选，mongodb 默认是false,只更新找到的第一条记录，如果这个参数为true,就把按条件查出来多条记录全部更新 writeConcern: <document> # 可选，抛出异常的级别。 })

使用update方法，如果查询数据存在的话就更新，不存在的话就插入dict(item),这样就可以去重了。

settings配置

再次运行spider后结果如下：

也可以看到mongodb中数据，如下：

Python爬虫框架：scrapy爬取知乎关注用户存入mongodb

yk 坤帝

python基础，爬虫，自动化办公，matlab，数据分析，股票开户万1.2，数据挖掘，可视化分析，机器学习，深度学习，关联分析，聚类算法，粒子群算法，粒子群优化算法，资源分享。

71篇原创内容