Python爬虫入门教程 34-100 掘金网全站用户爬虫 scrapy

爬前叨叨

已经编写了33篇爬虫文章了，如果你按着一个个的实现，你的爬虫技术已经入门，从今天开始慢慢的就要写一些有分析价值的数据了，今天我选了一个《掘金网》，我们去爬取一下他的全站用户数据。

爬取思路

获取全站用户，理论来说从1个用户作为切入点就可以，我们需要爬取用户的关注列表，从关注列表不断的叠加下去。

随便打开一个用户的个人中心

绿色圆圈里面的都是我们想要采集到的信息。这个用户关注0人？那么你还需要继续找一个入口，这个用户一定要关注了别人。选择关注列表，是为了让数据有价值，因为关注者里面可能大量的小号或者不活跃的账号，价值不大。

我选了这样一个入口页面，它关注了3个人，你也可以选择多一些的，这个没有太大影响！

https://juejin.im/user/55fa7cd460b2e36621f07dde/following

我们要通过这个页面，去抓取用户的ID

得到ID之后，你才可以拼接出来下面的链接

https://juejin.im/user/用户ID/following

爬虫编写

分析好了之后，就可以创建一个scrapy项目了

items.py 文件，用来限定我们需要的所有数据，注意到下面有个_id = scrapy.Field() 这个先预留好，是为了mongdb准备的，其他的字段解释请参照注释即可。

class JuejinItem(scrapy.Item):

    _id = scrapy.Field()

    username = scrapy.Field()

    job = scrapy.Field()

    company =scrapy.Field()

    intro = scrapy.Field()

    # 专栏

    columns = scrapy.Field()

    # 沸点

    boiling = scrapy.Field()

    # 分享

    shares = scrapy.Field()

    # 赞

    praises = scrapy.Field()

    #

    books = scrapy.Field()

    # 关注了

    follow = scrapy.Field()

    # 关注者

    followers = scrapy.Field()

    goods = scrapy.Field()

    editer = scrapy.Field()

    reads = scrapy.Field()

    collections = scrapy.Field()

    tags = scrapy.Field()

编写爬虫主入口文件 JuejinspiderSpider.py

import scrapy

from scrapy.selector import Selector

from Juejin.items import JuejinItem

class JuejinspiderSpider(scrapy.Spider):

    name = 'JuejinSpider'

    allowed_domains = ['juejin.im']

    # 起始URL    5c0f372b5188255301746103

    start_urls = ['https://juejin.im/user/55fa7cd460b2e36621f07dde/following']

def parse 函数，逻辑不复杂，处理两个业务即可

返回item
返回关注列表的Request

item的获取，我们需要使用xpath匹配即可，为了简化代码量，我编写了一个提取方法，叫做get_default函数。

    def get_default(self,exts):

        if len(exts)>0:

            ret = exts[0]

        else:

            ret = 0

        return ret

    def parse(self, response):

        #base_data = response.body_as_unicode()

        select = Selector(response)

        item = JuejinItem()

        # 这个地方获取一下数据

        item["username"] = select.xpath("//h1[@class='username']/text()").extract()[0]

        position = select.xpath("//div[@class='position']/span/span/text()").extract()

        if position:

            job = position[0]

            if len(position)>1:

                company = position[1]

            else:

                company = ""

        else:

            job = company = ""

        item["job"] = job

        item["company"] = company

        item["intro"] = self.get_default(select.xpath("//div[@class='intro']/span/text()").extract())

        # 专栏

        item["columns"] = self.get_default(select.xpath("//div[@class='header-content']/a[2]/div[2]/text()").extract())

        # 沸点

        item["boiling"] = self.get_default(select.xpath("//div[@class='header-content']/a[3]/div[2]/text()").extract())

        # 分享

        item["shares"] = self.get_default(select.xpath("//div[@class='header-content']/a[4]/div[2]/text()").extract())

        # 赞

        item["praises"] = self.get_default(select.xpath("//div[@class='header-content']/a[5]/div[2]/text()").extract())

        #

        item["books"] = self.get_default(select.xpath("//div[@class='header-content']/a[6]/div[2]/text()").extract())

        # 关注了

        item["follow"] = self.get_default(select.xpath("//div[@class='follow-block block shadow']/a[1]/div[2]/text()").extract())

        # 关注者

        item["followers"] = self.get_default(select.xpath("//div[@class='follow-block block shadow']/a[2]/div[2]/text()").extract())

        right = select.xpath("//div[@class='stat-block block shadow']/div[2]/div").extract()

        if len(right) == 3:

            item["editer"] = self.get_default(select.xpath("//div[@class='stat-block block shadow']/div[2]/div[1]/span/text()").extract())

            item["goods"] = self.get_default(select.xpath("//div[@class='stat-block block shadow']/div[2]/div[2]/span/span/text()").extract())

            item["reads"] = self.get_default(select.xpath("//div[@class='stat-block block shadow']/div[2]/div[3]/span/span/text()").extract())

        else:

            item["editer"] = ""

            item["goods"] = self.get_default(select.xpath("//div[@class='stat-block block shadow']/div[2]/div[1]/span/span/text()").extract())

            item["reads"] = self.get_default(select.xpath("//div[@class='stat-block block shadow']/div[2]/div[2]/span/span/text()").extract())

        item["collections"] = self.get_default(select.xpath("//div[@class='more-block block']/a[1]/div[2]/text()").extract())

        item["tags"] = self.get_default(select.xpath("//div[@class='more-block block']/a[2]/div[2]/text()").extract())

        yield item  # 返回item

上述代码，已经成功返回了item，打开setting.py文件中的pipelines设置，测试一下是否可以存储数据,顺便在

DEFAULT_REQUEST_HEADERS 配置一下request的请求参数。

setting.py

DEFAULT_REQUEST_HEADERS = {

    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',

    'Accept-Language': 'en',

    "Host": "juejin.im",

    "Referer": "https://juejin.im/timeline?sort=weeklyHottest",

    "Upgrade-Insecure-Requests": "1",

    "User-Agent": "Mozilla/5.0 浏览器UA"

}

ITEM_PIPELINES = {

   'Juejin.pipelines.JuejinPipeline': 20,

}

本爬虫数据存储到mongodb里面，所以需要你在pipelines.py文件编写存储代码。



import time

import pymongo

DATABASE_IP = '127.0.0.1'

DATABASE_PORT = 27017

DATABASE_NAME = 'sun'

client = pymongo.MongoClient(DATABASE_IP,DATABASE_PORT)

db = client.sun

db.authenticate("dba", "dba")

collection = db.jujin  # 准备插入数据

class JuejinPipeline(object):

    def process_item(self, item, spider):

        try:

            collection.insert(item)

        except Exception as e:

            print(e.args)

运行代码之后，如果没有报错，完善最后一步即可，在Spider里面将爬虫的循环操作完成

      list_li = select.xpath("//ul[@class='tag-list']/li")  # 获取所有的关注

      for li in list_li:

           a_link = li.xpath(".//meta[@itemprop='url']/@content").extract()[0] # 获取URL

			 # 返回拼接好的数据请求

           yield scrapy.Request(a_link+"/following",callback=self.parse)

所有的代码都已经写完啦

全站用户爬虫编写完毕，厉害吧。

扩展方向

爬虫每次只爬取关注列表的第一页，也可以循环下去，这个不麻烦
在setting.py中开启多线程操作
添加redis速度更快，后面会陆续的写几篇分布式爬虫，提高爬取速度
思路可以扩展，N多网站的用户爬虫，咱后面也写几个

巴特西

Python爬虫入门教程 34-100 掘金网全站用户爬虫 scrapy

爬前叨叨

爬取思路

爬虫编写

最新文章

热门文章