码迷,mamicode.com
首页 > 编程语言 > 详细

Python 爬虫没有思路?可以看看这篇文章

时间:2019-08-08 23:23:59      阅读:149      评论:0      收藏:0      [点我收藏+]

标签:获取   future   睡眠   接口   网站   爬取   结果   学习   clu   

可以说爬虫是学习 Python 的入门必修课。当能独立写出第一个完整的爬虫的时候,我们已经迈出了一大步。因为在这过程中,我们已经学会了如何查看文档,学会使用 Python 相关库的操作,怎样使用 Chrome 的开发者工具(相关工具)和把抓取的数据保存到数据库中等等一系列操作,当然收获最多的还是学习 Python 的自信心。

 

 

下面以抓取知乎图片为例,迈出我们自学 Python 爬虫的第一步。

整体思路

在浏览知乎的时候,经常会看到一些有趣的问题,例如有什么万能表情包?,回答中网友分享了收藏多年的表情。但是近1500多条回答,手动保存表情不现实,所以使用爬虫帮我们完成这项工作。

首先我们需要做的是收集此类问题。获取问题的 ID(URL 中 question 后的 ID),构建爬虫任务池。收集问题的工作可以交给爬虫,但是为了抓取的图片都符合预期,建议先手动收集此类问题。然后将问题的 ID 存入数据库中,爬虫运行时读库获取需要爬取的目标贴。通过写一个爬虫,生成任务池多线程调用。将获取到的答案数据清洗,只收集答案中的图片。本案例我们使用 mongo 数据库,因为 mongo 数据库简单方便,也方便我们之后增减字段。

存入库中的结构和知乎的类似:答案集合保存所有答案,每一个答案是一条独立的文档。

具体类似这种结构:

  1. {
  2. "Answer": [
  3. {
  4. "id": 1,
  5. "question_id": "xxx",
  6. "title": "xxx",
  7. "author": "xxx",
  8. "content: [
  9. "imgUrl",
  10. "..."
  11. ]
  12. },
  13. {
  14. "id": 2,
  15. "question_id": "xxx",
  16. "title": "xxx",
  17. "author": "xxx",
  18. "content: [
  19. "imgUrl",
  20. "..."
  21. ]
  22. },
  23. ...
  24. ]
  25. }

 

其中 Answer 为数据库的集合,集合中的每一项是一条回答。用这种格式保存的好处是我们只需通过贴子的 ID 查询答案即可,保存起来也非常方便。

知乎爬虫

 

开始之前

在开始之前需要安装项目依赖,只用到两个常用库:

python3 -m pip install requests pymongo

分别用来请求 URL 和操作数据库。安装完成后记得启动 mongo 服务。

Spider

爬虫代码比较简单,关键找到知乎答案的接口,解析即可。而且这个接口也是非常好找的。此处用到 Chrome 的开发者工具。

 

技术图片

 

接口也没有任何加密或权限限制,在请求头中加入 Cookies 就可以了。

通过 Chrome 开发者工具分析,请求携带了如下参数,我们只用到 limit 和 offset,用来控制接口返回的数量和返回的位置。

  1. 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
  2. offset:
  3. limit: 3
  4. sort_by: default
  5. platform: desktop

 

完整的请求 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

只要动态更改其中的 question, limit 和 offset 就可以了。通过接口返回的答案总数,判断需要翻多少页,当然也可以通过接口返回的 next 和 previous 来获取下一页或前一页答案链接。

当然在翻页抓取的时候切记设置睡眠时间,放在服务器上爬的慢一点也没关系。我们控制好频率,不要影响到知乎的正常服务。

请求成功后我们就可以根据自己的需求,存储数据了,至于如何判断答案中是否有图片,可以参考以下代码。

使用到了 lxml 库,也可以使用 re 库代替。

  1. # 部分代码
  2. @staticmethod
  3. def parse_content(content):
  4. """解析答案中的 content,直接获取图片"""
  5. if"<img "in content:
  6. img_list = set(etree.HTML(content).xpath("//img/@data-original"))
  7. return list(img_list)
  8. else:
  9. return []

 

先判断回答中是否有 img 标签,如果没有直接返回空列表,如果有的话,通过 data-original属性获取原始大小的图片链接。也是返回一个包含图片链接的列表。

在入库的时候,我们通过 parse_content 的返回判断是否需要入库,如果是 [] 就跳过,如果列表不为空就入库。这样在之后根据作者展示数据的时候不会只显示作者信息,却没有回答的情况了(其实是该作者回答中只有问题没有图片)。

调用爬虫

当我们完成上述操作,就可以单独写一个文件使用多线程调用爬虫了。

  1. from concurrent.futures importThreadPoolExecutor
  2. qid_list = db.get_all_question()
  3. crawler_list = [ZhihuSpider(qid).run for qid in qid_list]
  4. withThreadPoolExecutor(max_workers=4) as executor:
  5. future = [executor.submit(task) for task in crawler_list]
  6. for f in future:
  7. f.result()

 

qid_list 来自查库获取所有的知乎贴子 ID。使用 concurrent.futures 库并行执行任务,在我们的代码里使用 ThreadPoolExecutor,它使用线程池来异步执行调用。 max_workers 控制最多线程的使用,本例中使用最多4个线程执行任务。 ThreadPoolExecutor 让我们使用多线程时更加简单。具体文档见 ThreadPoolExecutor。

总结

 

最后总结一下整体思路:我们先把需要抓取的 ID 存入数据库,作为任务池,爬虫调取任务池中的 ID,将爬取结果再保存到数据库。

等我们学会了 Python 爬虫,再学 Web 开发的时候,还能将我们抓取的结果展示出来,做一个表情包大全网站。一不小心又学习了 Python Web 开发,多好。

Python 爬虫没有思路?可以看看这篇文章

标签:获取   future   睡眠   接口   网站   爬取   结果   学习   clu   

原文地址:https://www.cnblogs.com/qingdeng123/p/11324136.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!