话说python爬虫界，有个非常知名的框架Scrapy。异步爬取，使用简单，功能强大。小编学习之，练习之。贝克街，一个推理爱好者论坛网站，用户数据量12W左右，很适合Scrapy学习练习爬取。本篇前半部分会介绍一点点基础，毕竟要照顾小白同学们嘛~
Tip:本文仅供学习与交流，切勿用于非法用途！！！
01. 写在前面的话
本博客在编写代码的同时，会简单介绍Scrapy这个框架。相较于小编写的前两篇爬虫博客，本篇博客爬取的数据量较大。
在写代码之前，我想说下贝克街这个网站。在两三年前，我上过几天这个网站，当时好像也就5、6万人，现在发展到12W多用户挺不容易的。一群推理爱好者的精神家园。本网站好像也没什么反爬措施，在再次申明免责声明的同时，小编恳请大家，仅仅学习交流，不要把人家服务器搞崩了哦。同时，本博客爬取的链接都在贝克街robots文件要求以外，绝对ok~
如果大家在学习中遇到困难，想找一个python学习交流环境，可以加入我们的python圈，裙号930900780，可领取python学习资料，会节约很多时间，减少很多遇到的难题。
02. Scrapy安装
首先需要安装 lxml库
pip install lxml
复制代码
然后分别去以下两个链接，安装和自己本机python版本一致的 whl 文件
pywin32 twisted
接着安装上面那两个库
pip install 你完整的pywin32whl 文件路径
pip install 你完整的twistedwhl 文件路径
例如：
pip install C:\Users\Administrator\Downloads\pywin32-228-cp38-cp38-win_amd64.whl
复制代码
最后，可以安装Scrapy了
pip install scrapy
复制代码
查看一下是否安装成功
以上，我们就安装完毕了。
03. 项目结构简介
Scrapy为我们提供了一些好用的命令行，比如上一节的scrapy -h。我们还可以使用命令行创建项目
scrapy startproject beikejie
复制代码
然后，我们得到了如下的项目结构
简单介绍下几个文件
BeiKeJieSpider.py：一个爬虫，咱们代码主要写和里面，后面会详细说。 items.py:数据实例，一个数据结构。 pipelines.py：数据爬取之后，进行数据清晰储存的地方。 middlewares.py：一些中间件，这里可以设置每次请求前的代理、cookie等。本项目不使用这个模块，毕竟人家没什么反爬措施嘛。 settings.py：一些项目的设置，可以设置很多东西，包括 pipelines 内管道的优先级等等，后面用到的地方会详细说。 scrapy.cfg：一些全局设置，本项目基本不适用。
04. 需求分析
本次爬取的目的，是获取贝克街所有的用户信息
思路：一批网站的大V，爬取他们的关注列表和粉丝列表，然后再以某个关注者或者粉丝为起点，继续爬取其关注列表和粉丝列表。这样可以爬取大部分用户，并不能爬取全部，因为毕竟可能会有无关注无粉丝的用户的用户孤岛。
所以我们要做的是：
根据某用户主页，获取一些用户信息。
获取某用户的关注列表，获取每个关注者主页，并执行第一步。
获取某用户的粉丝列表，获取每个粉丝主页，并执行第一步。
05. 获取用户信息
首先，我们需要编写根据某用户主页，获取用户信息，并储存mongo功能。
先在 BeiKeJieSpider中编写代码，这个是爬虫主要逻辑编写的地方。
class BeiKeJieSpider(scrapy.Spider):
name = "beikejie"
logger = logging.getLogger()
allowed_domains = ['tuilixy.net']
cookies = {'你自己的cookie'}
def start_requests(self):
urls = [
'http://www.tuilixy.net/space-uid-45001.html'
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
item = self.main_page_parse(response)
yield item
# 解析主页数据
def main_page_parse(self, response):
select = Selector(response)
uid = select.xpath('//*[@id="main"]/div[2]/div/div/div[2]/div[1]/h1/span/text()').get(default='- -').split(' ')[1]
name = select.xpath('//*[@id="main"]/div[2]/div/div/div[2]/div[1]/h1/text()').get(default='-')
register_time = select.xpath('//*[@id="pbbs"]/tbody/tr[2]/td[2]/text()').get(default='-')
follower_numbers = select.xpath('//*[@id="ct"]/div[2]/div[1]/ul/a[1]/li/h4/text()').get(default=0)
fans_numbers = select.xpath('//*[@id="ct"]/div[2]/div[1]/ul/a[2]/li/h4/text()').get(default=0)
item = BeikejieItem()
item['uid'] = uid
item['name'] = name
item['register_time'] = register_time
item['follower_numbers'] = follower_numbers
item['fans_numbers'] = fans_numbers
return item
复制代码
上面我们说了，这个类实际上就是一直爬虫，name就是爬虫的名字，allowed_domains是此爬虫可以爬取的域名，start_requests是起始爬取页面，这里面urls就是那些大V的主页，为了方便说明，我们这边从一个大V的主页开始。
爬取完了，进入回调函数parse进行解析，注意此方法内返回数据使用的是yield，此关键字实际上是生成了一个迭代器，再次进入函数时，会接着从yield处开始执行，后面会有妙用。然后解析完了，会返回一个BeikejieItem实例，因为返回的是item，所以会让pipelines.py进行进一步处理。
那么们先看下数据结构BeikejieItem所在的items.py文件吧。
class BeikejieItem(scrapy.Item):
uid = scrapy.Field()
name = scrapy.Field()
register_time = scrapy.Field()
follower_numbers = scrapy.Field(serializer=int)
fans_numbers = scrapy.Field(serializer=int)
复制代码
需要继承scrapy.Item，然后定义一些需要储存的数据字段。可以看到，字段还可以设置储存类型。
有了数据结构，那么接着看下管道处理pipelines.py文件吧。
class MongoPipeline:
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
self.mongo_collection = None
@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 = MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
self.mongo_collection = self.db['beikejie']
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
self.mongo_collection.insert_one(ItemAdapter(item).asdict())
return item
class DuplicatesPipeline:
def __init__(self):
self.ids_seen = set()
def process_item(self, item, spider):
adapter = ItemAdapter(item)
if adapter['uid'] in self.ids_seen:
raise DropItem(f"Duplicate item found: {item!r}")
else:
self.ids_seen.add(adapter['uid'])
return item
def close_spider(self, spider):
print(self.ids_seen)
复制代码
这里有两个Pipeline分别都会处理传进来的item，优先级待会会被配置到文件settings.py里面。
先看下这两个Pipeline，DuplicatesPipeline是去重用的，内存中维护了一个set，存放存入库中的uid，避免重复，如果存在就报错。其实本博客的去重不太完美，首先内存问题，一个12w个元素的大集合维护是个问题，并且没有持久化(当然可以最开始，从mongo中读出所有库中已存在的uid)，没有考虑到分布式。未来后期，去重应该交给Redis这种缓存中间件，这边只是演示作用。
第二个MongoPipeline，是进行mongo储存，细品一番~ 首先执行类方法from_crawler，从配置文件settings.py中读取mongo库的信息，然后执行__init__初始化信息，初始化实例属性mongo_uri、mongo_db 。接着执行open_spider，这个方法开启一个爬虫的时候会被执行，生成真正的数据库链接mongo_collection。每次进入管道，都会执行process_item方法，进行数据插入操作。close_spider这个方法顾名思义，只有关闭一个爬虫的时候会执行，将数据库链接关闭。
去重和存库的管道都介绍完了，下面查看一下配置信息，looksettings.py。
ITEM_PIPELINES = {
'beikejie.pipelines.DuplicatesPipeline': 299,
'beikejie.pipelines.MongoPipeline': 300
}
MONGO_URI = '127.0.0.1:27017'
MONGO_DATABASE = 'pjjlt'
复制代码
ITEM_PIPELINES 就是开启以上的两个管道，数字越小，优先级越高，所以去重优先于存库管道，符合逻辑。下面是数据库配置信息。当然，settings.py还有很多配置信息，有用到你可以自己看撒~
以上，我们实现了一个用户主页数据的读取和储存。下面我们去做第二步和第三步。
06. 获取关注者列表
继续回到BeiKeJieSpider这个类，我们继续爬取关注者列表。
可以看出，关注者列表是分页的，我们可以根据下一页按钮获取下一页url进行翻页操作。每页关注者列表都可以获取到它们的uid，从而我们又可以去拼凑出每个关注者的主页url。献上代码~
cookies = {'你自己的cookie'}
def parse(self, response):
item = self.main_page_parse(response)
yield item
uid = item['uid']
try:
# # 点击关注连接，进入关注页，爬取每个关注者的信息 http://www.tuilixy.net/home.php?mod=follow&uid=45001&do=following
follower_url = f'http://www.tuilixy.net/home.php?mod=follow&uid={uid}&do=following'
yield scrapy.Request(url=follower_url, cookies=self.cookies, callback=self.follower_parse)
except Exception as e:
logging.error("失败：uid:"+uid+"\n错误原因是: "+str(e))
def follower_parse(self, response):
logging.info('开始爬取关注列表,'+response.url)
doc = pq(response.text)
lis = doc('.flw_ulist.prw.plw').children('.ptf.pbf.cl')
for li in lis:
try:
url_end = pq(li)('.z.avt.w60.br4').attr('href')
if url_end:
url = 'http://www.tuilixy.net/'+url_end
yield scrapy.Request(url=url, callback=self.parse)
except Exception as e:
logging.error("爬取关注失败：url:" + response.url +"\n错误原因是: "+str(e))
try:
# 翻页
turn_page_url_start = doc('.nxt').attr('href')
if turn_page_url_start:
turn_page_url = 'http://www.tuilixy.net/'+turn_page_url_start
yield scrapy.Request(url=turn_page_url, cookies=self.cookies, callback=self.follower_parse)
except Exception as e:
logging.error("爬取关注失败：url:" + response.url+"\n错误原因是: "+str(e))
复制代码
首先，补充下我们上面写的parse方法，储存完某用户的信息后，爬取这个用户的关注者列表的第一页。获取到第一页关注着列表后执行回调函数follower_parse。
follower_parse主要干了两件事，获取本页所有用户的uid，拼凑其用户主页url，并且执行获取用户主页的回调函数parse。(就是去做我们需求分析的第一步)。第二件事就是，获取下一页url，进行翻页操作，获取下一页关注者列表，并执行获取关注者列表的回调函数follower_parse。如此往复，知道该用户的关注者列表被翻到最后一步。
请求关注者列表需要加入cookie，这个需要你自己从浏览器获取(需要登录，都爬人家了，不得注册一个账号嘛，嗯哼？)。值得一提的是，Scrapy的Request方法，设置cookie必须显示设置，不能通过将cookie放到headers中！这个知识点消耗了小编好多时间找问题，害，还是太菜。。知道点开Request源码。
以上，我们就完成了某用户的关注者列表的爬取。
07. 获取粉丝列表
和爬取关注者逻辑一样，直接上代码吧。
def parse(self, response):
item = self.main_page_parse(response)
yield item
uid = item['uid']
try:
# # 点击关注连接，进入关注页，爬取每个关注者的信息 http://www.tuilixy.net/home.php?mod=follow&uid=45001&do=following
follower_url = f'http://www.tuilixy.net/home.php?mod=follow&uid={uid}&do=following'
yield scrapy.Request(url=follower_url, cookies=self.cookies, callback=self.follower_parse)
# # 点击粉丝连接，进入粉丝页，爬取每个粉丝的信息 http://www.tuilixy.net/home.php?mod=follow&uid=45001&do=follower
fans_url = f'http://www.tuilixy.net/home.php?mod=follow&uid={uid}&do=follower'
yield scrapy.Request(url=fans_url, cookies=self.cookies, callback=self.fans_parse)
except Exception as e:
logging.error("失败：uid:"+uid+"\n错误原因是: "+str(e))
def fans_parse(self, response):
logging.info('开始爬取粉丝列表,'+response.url)
doc = pq(response.text)
lis = doc('.flw_ulist.prw.plw').children('.ptf.pbf.cl')
for li in lis:
try:
url_end = pq(li)('.z.avt.w60.br4').attr('href')
if url_end:
url = 'http://www.tuilixy.net/'+url_end
yield scrapy.Request(url=url, callback=self.parse)
except Exception as e:
logging.error("爬取粉丝失败：url:" + response.url+"\n错误原因是: "+str(e))
# 翻页
try:
turn_page_url_start = doc('.nxt').attr('href')
if turn_page_url_start:
turn_page_url = 'http://www.tuilixy.net/'+turn_page_url_start
yield scrapy.Request(url=turn_page_url, cookies=self.cookies, callback=self.fans_parse)
except Exception as e:
logging.error("爬取粉丝失败：url:" + response.url+"\n错误原因是: "+str(e))
复制代码
08. 运行
逻辑写完了，加上写try、except，还有关键性注释，利用Scrapy命令行操作，开始跑吧。
scrapy crawl beikejie
复制代码
crawl就是执行一个爬虫，后面的参数是爬虫的name。
由于小编原始大V url只有一条，所以只爬了部分数据，只有16429个用户信息，大约耗时将近2个小时。你可以多选几个大V，选的越多，数据就会越无限接近12W。后期我们还可以利用分布式，多开几个scrapy实例，提高爬取速度。
09. 结束
相比于前面两篇博客，这篇Scrapy数据量大，代码编写时间也较长，希望各位读者小伙伴会喜欢~
喜欢的小伙伴，点个赞再走吧，您的支持，小编感激不尽。
最后多说一句，想学习Python可联系小编，这里有我自己整理的整套python学习资料和路线，想要这些资料的都可以进q裙930900780领取。
本文章素材来源于网络，如有侵权请联系删除。
