Python爬虫从入门到入狱之爬取知乎用户信息

items中的代码主要是我们要爬取的字段的定义

class UserItem(scrapy.Item):
    id \= Field()
    name \= Field()
    account\_status \= Field()
    allow\_message\= Field()
    answer\_count \= Field()
    articles\_count \= Field()
    avatar\_hue \= Field()
    avatar\_url \= Field()
    avatar\_url\_template \= Field()
    badge \= Field()
    business \= Field()
    employments \= Field()
    columns\_count \= Field()
    commercial\_question\_count \= Field()
    cover\_url \= Field()
    description \= Field()
    educations \= Field()
    favorite\_count \= Field()
    favorited\_count \= Field()
    follower\_count \= Field()
    following\_columns\_count \= Field()
    following\_favlists\_count \= Field()
    following\_question\_count \= Field()
    following\_topic\_count \= Field()
    gender \= Field()
    headline \= Field()
    hosted\_live\_count \= Field()
    is\_active \= Field()
    is\_bind\_sina \= Field()
    is\_blocked \= Field()
    is\_advertiser \= Field()
    is\_blocking \= Field()
    is\_followed \= Field()
    is\_following \= Field()
    is\_force\_renamed \= Field()
    is\_privacy\_protected \= Field()
    locations \= Field()
    is\_org \= Field()
    type \= Field()
    url \= Field()
    url\_token \= Field()
    user\_type \= Field()
    logs\_count \= Field()
    marked\_answers\_count \= Field()
    marked\_answers\_text \= Field()
    message\_thread\_token \= Field()
    mutual\_followees\_count \= Field()
    participated\_live\_count \= Field()
    pins\_count \= Field()
    question\_count \= Field()
    show\_sina\_weibo \= Field()
    thank\_from\_count \= Field()
    thank\_to\_count \= Field()
    thanked\_count \= Field()
    type \= Field()
    vote\_from\_count \= Field()
    vote\_to\_count \= Field()
    voteup\_count \= Field()

这些字段的是在用户详细信息里找到的，如下图所示，这里一共有58个字段，可以详细研究每个字段代表的意思：

关于spiders中爬虫文件zhihu.py中的主要代码

这段代码是非常重要的，主要的处理逻辑其实都是在这里

class ZhihuSpider(scrapy.Spider):
    name \= "zhihu"
    allowed\_domains \= \["www.zhihu.com"\]
    start\_urls \= \['http://www.zhihu.com/'\]
    #这里定义一个start\_user存储我们找的大V账号
    start\_user = "excited-vczh"

    #这里把查询的参数单独存储为user\_query,user\_url存储的为查询用户信息的url地址
    user\_url = "https://www.zhihu.com/api/v4/members/{user}?include={include}"
    user\_query \= "locations,employments,gender,educations,business,voteup\_count,thanked\_Count,follower\_count,following\_count,cover\_url,following\_topic\_count,following\_question\_count,following\_favlists\_count,following\_columns\_count,avatar\_hue,answer\_count,articles\_count,pins\_count,question\_count,columns\_count,commercial\_question\_count,favorite\_count,favorited\_count,logs\_count,marked\_answers\_count,marked\_answers\_text,message\_thread\_token,account\_status,is\_active,is\_bind\_phone,is\_force\_renamed,is\_bind\_sina,is\_privacy\_protected,sina\_weibo\_url,sina\_weibo\_name,show\_sina\_weibo,is\_blocking,is\_blocked,is\_following,is\_followed,mutual\_followees\_count,vote\_to\_count,vote\_from\_count,thank\_to\_count,thank\_from\_count,thanked\_count,description,hosted\_live\_count,participated\_live\_count,allow\_message,industry\_category,org\_name,org\_homepage,badge\[?(type=best\_answerer)\].topics"

    #follows\_url存储的为关注列表的url地址,fllows\_query存储的为查询参数。这里涉及到offset和limit是关于翻页的参数，0，20表示第一页
    follows\_url = "https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}"
    follows\_query \= "data%5B\*%5D.answer\_count%2Carticles\_count%2Cgender%2Cfollower\_count%2Cis\_followed%2Cis\_following%2Cbadge%5B%3F(type%3Dbest\_answerer)%5D.topics"

    #followers\_url是获取粉丝列表信息的url地址，followers\_query存储的为查询参数。
    followers\_url = "https://www.zhihu.com/api/v4/members/{user}/followers?include={include}&offset={offset}&limit={limit}"
    followers\_query \= "data%5B\*%5D.answer\_count%2Carticles\_count%2Cgender%2Cfollower\_count%2Cis\_followed%2Cis\_following%2Cbadge%5B%3F(type%3Dbest\_answerer)%5D.topics"

    def start\_requests(self):
        '''
        这里重写了start\_requests方法，分别请求了用户查询的url和关注列表的查询以及粉丝列表信息查询
        :return:
        '''
        yield Request(self.user\_url.format(user=self.start\_user,include=self.user\_query),callback=self.parse\_user)
        yield Request(self.follows\_url.format(user=self.start\_user,include=self.follows\_query,offset=0,limit=20),callback=self.parse\_follows)
        yield Request(self.followers\_url.format(user=self.start\_user,include=self.followers\_query,offset=0,limit=20),callback=self.parse\_followers)

    def parse\_user(self, response):
        '''
        因为返回的是json格式的数据，所以这里直接通过json.loads获取结果
        :param response:
        :return:
        '''
        result \= json.loads(response.text)
        item \= UserItem()
        #这里循环判断获取的字段是否在自己定义的字段中，然后进行赋值
        for field in item.fields:
            if field in result.keys():
                item\[field\] \= result.get(field)

        #这里在返回item的同时返回Request请求，继续递归拿关注用户信息的用户获取他们的关注列表
        yield item
        yield Request(self.follows\_url.format(user = result.get("url\_token"),include=self.follows\_query,offset=0,limit=20),callback=self.parse\_follows)
        yield Request(self.followers\_url.format(user = result.get("url\_token"),include=self.followers\_query,offset=0,limit=20),callback=self.parse\_followers)




    def parse\_follows(self, response):
        '''
        用户关注列表的解析，这里返回的也是json数据 这里有两个字段data和page，其中page是分页信息
        :param response:
        :return:
        '''
        results \= json.loads(response.text)

        if 'data' in results.keys():
            for result in results.get('data'):
                yield Request(self.user\_url.format(user = result.get("url\_token"),include=self.user\_query),callback=self.parse\_user)

        #这里判断page是否存在并且判断page里的参数is\_end判断是否为False，如果为False表示不是最后一页，否则则是最后一页
        if 'page' in results.keys() and results.get('is\_end') == False:
            next\_page \= results.get('paging').get("next")
            #获取下一页的地址然后通过yield继续返回Request请求，继续请求自己再次获取下页中的信息
            yield Request(next\_page,self.parse\_follows)

    def parse\_followers(self, response):
        '''
        这里其实和关乎列表的处理方法是一样的
        用户粉丝列表的解析，这里返回的也是json数据 这里有两个字段data和page，其中page是分页信息
        :param response:
        :return:
        '''
        results \= json.loads(response.text)

        if 'data' in results.keys():
            for result in results.get('data'):
                yield Request(self.user\_url.format(user = result.get("url\_token"),include=self.user\_query),callback=self.parse\_user)

        #这里判断page是否存在并且判断page里的参数is\_end判断是否为False，如果为False表示不是最后一页，否则则是最后一页
        if 'page' in results.keys() and results.get('is\_end') == False:
            next\_page \= results.get('paging').get("next")
            #获取下一页的地址然后通过yield继续返回Request请求，继续请求自己再次获取下页中的信息
            yield Request(next\_page,self.parse\_followers)

上述的代码的主要逻辑用下图分析表示：

关于上图的一个简单描述：
1. 当重写start_requests，一会有三个yield，分别的回调函数调用了parse_user,parse_follows,parse_followers，这是第一次会分别获取我们所选取的大V的信息以及关注列表信息和粉丝列表信息
2. 而parse分别会再次回调parse_follows和parse_followers信息，分别递归获取每个用户的关注列表信息和分析列表信息
3. parse_follows获取关注列表里的每个用户的信息回调了parse_user，并进行翻页获取回调了自己parse_follows
4. parse_followers获取粉丝列表里的每个用户的信息回调了parse_user，并进行翻页获取回调了自己parse_followers

通过上面的步骤实现所有用户信息的爬取，最后是关于数据的存储

关于数据存储到mongodb

这里主要是item中的数据存储到mongodb数据库中，这里主要的一个用法是就是插入的时候进行了一个去重检测

class MongoPipeline(object):

    def \_\_init\_\_(self, mongo\_uri, mongo\_db):
        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):
        self.client \= pymongo.MongoClient(self.mongo\_uri)
        self.db \= self.client\[self.mongo\_db\]

    def close\_spider(self, spider):
        self.client.close()

    def process\_item(self, item, spider):
        #这里通过mongodb进行了一个去重的操作，每次更新插入数据之前都会进行查询，判断要插入的url\_token是否已经存在，如果不存在再进行数据插入，否则放弃数据
        self.db\['user'\].update({'url\_token':item\["url\_token"\]},{'$set':item},True)
        return item
        仅作项目练习，切勿商用！！！

由于文章篇幅有限，文档资料内容较多，需要这些文档的朋友，可以加小助手微信免费获取，【保证100%免费】，中国人不骗中国人。
请添加图片描述
全套Python学习资料分享：
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。在这里插入图片描述

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，还有环境配置的教程，给大家节省了很多时间。
在这里插入图片描述
三、全套PDF电子书
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。
在这里插入图片描述
四、入门学习视频全套
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
在这里插入图片描述

好了今天的分享就到这里了