美空网数据----简介
从今天开始,我们尝试用2篇博客的内容量,搞定一个网站叫做“美空网”网址为:http://www.moko.cc/, 这个网站我分析了一下,我们要爬取的图片在 下面这个网址
然后在去分析一下,我需要找到一个图片列表页面是最好的,作为一个勤劳的爬虫coder,我找到了这个页面
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html
列表页面被我找到了,貌似没有分页,这就简单多了,但是刚想要爬,就翻车了,我发现一个严重的问题。
http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html
我要做的是一个自动化的爬虫,但是我发现,出问题了,上面那个黄色背景的位置是啥?
ID,昵称,个性首页,这个必须要搞定。
我接下来随机的找了一些图片列表页,试图找到规律到底是啥?
- http://www.moko.cc/post/978c74a0375f4edca114e87b0a45a0b5/list.html
- http://www.moko.cc/post/jundayi/list.html
- http://www.moko.cc/post/slavik/list.html
- ......
没什么问题,发现规律了
http://www.moko.cc/post/个性昵称(中文昵称是一个加密的串)/list.html
这就有点意思了,我要是能找到尽量多的昵称,不就能拼接出来我想要得所有地址了吗
开干!!!
手段,全站乱点,找入口,找切入点,找是否有API
.... .... 结果没找着
下面的一些备选方案
趴这个页面,发现只有 20页 http://www.moko.cc/channels/post/23/1.html
每页48个模特,20页。那么也才960人啊,完全覆盖不到尽可能多的用户。
接着又找到
http://www.moko.cc/catalog/index.html 这个页面
确认了一下眼神,以为发现问题了,结果
哎呀,还么有权限,谁有权限,可以跟我交流一下,一时激动,差点去下载他们的APP,然后进行抓包去。
上面两条路,都不好弄,接下来继续找路子。
无意中,我看到了一丝曙光
关注名单,点进去
哈哈哈,OK了,这不就是,我要找到的东西吗?
不多说了,爬虫走起,测试一下他是否有反扒机制。
我找到了一个关注的人比较多的页面,1500多个人
http://www.moko.cc/subscribe/chenhaoalex/1.html
然后又是一波分析操作
美空网数据----爬虫数据存储
确定了爬虫的目标,接下来,我做了两件事情,看一下,是否对你也有帮助
- 确定数据存储在哪里?最后我选择了MongoDB
- 用正则表达式去分析网页数据
对此,我们需要安装一下MongoDB,安装的办法肯定是官网教程啦!
https://docs.mongodb.com/master/tutorial/install-mongodb-on-red-hat/
如果官方文档没有帮助你安装成功。
那么我推荐下面这篇博客
安装MongoDB出现如下结果
恭喜你安装成功了。
接下来,你要学习的是 关于mongodb用户权限的管理
mongodb索引的创建
https://blog.csdn.net/salmonellavaccine/article/details/53907535
别问为啥我不重新写一遍,懒呗~~~ 况且这些资料太多了,互联网大把大把的。
一些我经常用的mongdb的命令
链接 mongo --port <端口号>
选择数据库 use admin
展示当前数据库 db
当前数据库授权 db.auth("用户名","密码")
查看数据库 show dbs
查看数据库中的列名 show collections
创建列 db.createCollection("列名")
创建索引 db.col.ensureIndex({"列名字":1},{"unique":true})
展示所有索引 db.col.getIndexes()
删除索引 db.col.dropIndex("索引名字")
查找数据 db.列名.find()
查询数据总条数 db.列名.find().count()
上面基本是我最常用的了,我们下面实际操作一把。
美空网数据----用Python链接MongoDB
使用 pip3 安装pymongo库
使用pymongo模块连接mongoDB数据库
一些准备工作
-
创建dm数据库
链接上mongodb 在终端使用命令 mongo --port 21111
[linuxboy@localhost ~]$ mongo --port 21111
MongoDB shell version v3.6.5
connecting to: mongodb://127.0.0.1:21111/
MongoDB server version: 3.6.5
>
- 配置用户权限:接着上面输入命令 show dbs 查看权限
权限不足
- 创建管理用户
db.createUser({user: "userAdmin",pwd: "123456", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } )
- 授权用户
db.auth("userAdmin","123456")
- 查看权限
> db.auth("userAdmin","123456")
1
> show dbs
admin 0.000GB
config 0.000GB
local 0.000GB
moko 0.013GB
test 0.000GB
>
- 接下来创建 dm数据库<在这之前还需要创建一个读写用户>
> use dm
switched to db dm
> db
dm
> db.createUser({user: "dba",pwd: "dba", roles: [ { role: "readWrite", db: "dm" } ] } )
Successfully added user: {
"user" : "dba",
"roles" : [
{
"role" : "readWrite",
"db" : "dm"
}
]
}
>
- 重新授权
db.auth("dba","dba")
- 创建一列数据
> db.createCollection("demo")
{ "ok" : 1 }
> db.collections
dm.collections
> show collections
demo
>
- Python实现插入操作
import pymongo as pm #确保你已经安装过pymongo了
# 获取连接
client = pm.MongoClient('localhost', 21111) # 端口号是数值型
# 连接目标数据库
db = client.dm
# 数据库用户验证
db.authenticate("dba", "dba")
post = {
"id": "111111",
"level": "MVP",
"real":1,
"profile": '111',
'thumb':'2222',
'nikename':'222',
'follows':20
}
db.col.insert_one(post) # 插入单个文档
# 打印集合第1条记录
print (db.col.find_one())
- 编译执行
[linuxboy@bogon moocspider]$ python3 mongo.py
{'_id': ObjectId('5b15033cc3666e1e28ae5582'), 'id': '111111', 'level': 'MVP', 'real': 1, 'profile': '111', 'thumb': '2222', 'nikename': '222', 'follows': 20}
[linuxboy@bogon moocspider]$
好了,我们到现在为止,实现了mongodb的插入问题。
美空网数据----用Python 爬取关注对象
首先,我需要创造一个不断抓取链接的类
这个类做的事情,就是分析
http://www.moko.cc/subscribe/chenhaoalex/1.html
这个页面,总共有多少页,然后生成链接
抓取页面中的总页数为77
正则表达式如下
onfocus="this.blur()">(d*?)<
在这里,由所有的分页都一样,所以,我匹配了全部的页码,然后计算了数组中的最大值
#获取页码数组
pages = re.findall(r'onfocus="this.blur()">(d*?)<',content,re.S) #获取总页数
page_size = 1
if pages: #如果数组不为空
page_size = int(max(pages)) #获取最大页数
接下来就是我们要搞定的生产者
编码阶段了,我们需要打造一个不断获取连接的爬虫
简单的说就是
我们需要一个爬虫,不断的去爬取
http://www.moko.cc/subscribe/chenhaoalex/1.html 这个页面中所有的用户,并且还要爬取到总页数。
比如查看上述页面中,我们要获取的关键点如下
通过这个页面,我们要得到,这样子的一个数组,注意下面数组中有个位置【我用爬虫爬到的】这个就是关键的地方了
all_urls = [
"http://www.moko.cc/subscribe/chenhaoalex/1.html",
"http://www.moko.cc/subscribe/chenhaoalex/2.html",
"http://www.moko.cc/subscribe/chenhaoalex/3.html",
"http://www.moko.cc/subscribe/chenhaoalex/4.html",
......
"http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html"
"http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html"
"http://www.moko.cc/subscribe/d45c1e3069c24152abdc41c1fb342b8f/1.html"
"http://www.moko.cc/subscribe/【我用爬虫爬到的】/1.html"
]
引入必备模块
# -*- coding: UTF-8 -*-
import requests #网络请求模块
import random #随机模块
import re #正则表达式模块
import time #时间模块
import threading #线程模块
import pymongo as pm #mongodb模块
接下来,我们需要准备一个通用函数模拟UserAgent
做一个简单的反爬处理
class Config():
def getHeaders(self):
user_agent_list = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"
"Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
"Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
UserAgent=random.choice(user_agent_list)
headers = {'User-Agent': UserAgent}
return headers
编写生产者的类和核心代码,Producer
继承threading.Thread
#生产者
class Producer(threading.Thread):
def run(self):
print("线程启动...")
headers = Config().getHeaders()
if __name__ == "__main__":
p = Producer()
p.start()
测试运行,一下,看是否可以启动
[linuxboy@bogon moocspider]$ python3 demo.py
线程启动...
{'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24'}
[linuxboy@bogon moocspider]$
如果上面的代码没有问题,接下来就是我们爬虫代码部分了,为了方便多线程之间的调用,我们还是创建一个共享变量在N个线程之间调用
# -*- coding: UTF-8 -*-
import requests
import random
import re
import time
import threading
import pymongo as pm
# 获取连接
client = pm.MongoClient('localhost', 21111) # 端口号是数值型
# 连接目标数据库
db = client.moko
# 数据库用户验证
db.authenticate("moko", "moko")
urls = ["http://www.moko.cc/subscribe/chenhaoalex/1.html"]
index = 0 #索引
g_lock = threading.Lock() #初始化一个锁
#生产者
class Producer(threading.Thread):
def run(self):
print("线程启动...")
headers = Config().getHeaders()
print(headers)
global urls
global index
while True:
g_lock.acquire()
if len(urls)==0:
g_lock.release()
continue
page_url = urls.pop()
g_lock.release() #使用完成之后及时把锁给释放,方便其他线程使用
response = ""
try:
response = requests.get(page_url,headers=headers,timeout=5)
except Exception as http:
print("生产者异常")
print(http)
continue
content = response.text
rc = re.compile(r'<a class="imgBorder" href="/(.*?)" hidefocus="true">')
follows = rc.findall(content)
print(follows)
fo_url = []
threading_links_2 = []
for u in follows:
this_url = "http://www.moko.cc/subscribe/%s/1.html" % u
g_lock.acquire()
index += 1
g_lock.release()
fo_url.append({"index":index,"link":this_url})
threading_links_2.append(this_url)
g_lock.acquire()
urls += threading_links_2
g_lock.release()
print(fo_url)
try:
db.text.insert_many(fo_url,ordered=False )
except:
continue
if __name__ == "__main__":
p = Producer()
p.start()
上面代码除了基本操作以外,我做了一些细小的处理
现在说明如下
fo_url.append({"index":index,"link":this_url})
这部分代码,是为了消费者使用时候,方便进行查找并且删除操作而特意改造的,增加了一个字段index作为标识
第二个部分,插入数据的时候,我进行了批量的操作使用的是insert_many
函数,并且关键的地方,我增加了一个ordered=False的操作,这个地方大家可以自行研究一下,我的目的是去掉重复数据,默认情况下insert_many
函数如果碰到数据重复,并且在mongodb中创建了索引创建索引的办法,大家自行翻阅文章上面,那么是无法插入的,但是这样子会插入一部分,只把重复的地方略过,非常方便。
关于pymongo的使用,大家可以参考官网手册
这个是 pymongo的官方教程
MongoDB的手册大家也可以参考
https://docs.mongodb.com/manual/reference/method/db.collection.insertMany/
db.text.insert_many(fo_url,ordered=False )
我们链接上MongoDB数据库,查询一下我们刚刚插入的数据
> show collections
col
links
text
> db.text
moko.text
> db.text.find()
{ "_id" : ObjectId("5b1789e0c3666e642364a70b"), "index" : 1, "link" : "http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html" }
{ "_id" : ObjectId("5b1789e0c3666e642364a70c"), "index" : 2, "link" : "http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html" }
.......
{ "_id" : ObjectId("5b1789e0c3666e642364a71e"), "index" : 20, "link" : "http://www.moko.cc/subscribe/8c1e4c738e654aad85903572f9090adb/1.html" }
Type "it" for more
其实上面代码,有一个非常严重的BUG,就是当我们实际操作的时候,发现,我们每次获取到的都是我们使用this_url = "http://www.moko.cc/subscribe/%s/1.html" % u
进行拼接的结果。
也就是说,我们获取到的永远都是第1页。这个按照我们之前设计的就不符合逻辑了,
我们还要获取到分页的内容,那么这个地方需要做一个简单的判断,就是下面的逻辑了。
如果完整代码,大家不知道如何观看,可以直接翻阅到文章底部,有对应的github链接
#如果是第一页,那么需要判断一下
#print(page_url)
is_home =re.search(r'(d*?).html',page_url).group(1)
if is_home == str(1):
pages = re.findall(r'onfocus="this.blur()">(d*?)<',content,re.S) #获取总页数
page_size = 1
if pages:
page_size = int(max(pages)) #获取最大页数
if page_size > 1: #如果最大页数大于1,那么获取所有的页面
url_arr = []
threading_links_1 = []
for page in range(2,page_size+1):
url = re.sub(r'(d*?).html',str(page)+".html",page_url)
threading_links_1.append(url)
g_lock.acquire()
index += 1
g_lock.release()
url_arr.append({ "index":index, "link": url})
g_lock.acquire()
urls += threading_links_1 # URL数据添加
g_lock.release()
try:
db.text.insert_many(url_arr,ordered=False )
except Exception as e:
print("数据库输入异常")
print (e)
continue
else:
pass
else:
pass
截止到现在为止,其实你已经实现了链接的生产者了 。
我们在MongoDB中生成了一堆链接,接下来就是使用阶段了。
使用起来也是非常简单。
我先给大家看一个比较复杂的正则表达式
爬虫写的好不好,正则表达式站很重要的比例哦~
divEditOperate_(?P<ID>d*)["] .*>[sS]*?<p class="state">.*?(?P<级别>w*P).*</span></span>(?P<是否认证><br/>)?.*?</p>[sS]*?<div class="info clearfix">[sS]*?<a class="imgBorder" href="/(?P<主页>.*?)" hidefocus="true">[sS]*?<img .*?src="(?P<头像>.*?)".*?alt=".*?" title="(?P<昵称>.*?)" />[sS]*?<p class="font12 lesserColor">(?P<地点>.*?) .*?<span class="font12 mainColor">(?P<粉丝数目>d*?)</span>
上面这个正则表达式,就是我为
http://www.moko.cc/subscribe/chenhaoalex/1.html
这个页面专门准备的。
这样子,我就可以直接获取到我想要的所有数据了。
消费者的代码如下
get_index = 0
#消费者类
class Consumer(threading.Thread):
def run(self):
headers = Config().getHeaders()
global get_index
while True:
g_lock.acquire()
get_index += 1
g_lock.release()
#从刚才数据存储的列里面获取一条数据,这里用到find_one_and_delete方法
#get_index 需要声明成全局的变量
link = db.links.find_one_and_delete({"index":get_index})
page_url = ""
if link:
page_url = link["link"]
print(page_url+">>>网页分析中...")
else:
continue
response = ""
try:
response = requests.get(page_url,headers=headers,timeout=5)
except Exception as http:
print("消费者有异常")
print(http)
continue
content = response.text
rc = re.compile(r'divEditOperate_(?P<ID>d*)["] .*>[sS]*?<p class="state">.*?(?P<级别>w*P).*</span></span>(?P<是否认证><br/>)?.*?</p>[sS]*?<div class="info clearfix">[sS]*?<a class="imgBorder" href="/(?P<主页>.*?)" hidefocus="true">[sS]*?<img .*?src="(?P<头像>.*?)".*?alt=".*?" title="(?P<昵称>.*?)" />[sS]*?<p class="font12 lesserColor">(?P<地点>.*?) .*?<span class="font12 mainColor">(?P<粉丝数目>d*?)</span>')
user_info = rc.findall(content)
print(">>>>>>>>>>>>>>>>>>>>")
users = []
for user in user_info:
post = {
"id": user[0],
"level": user[1],
"real":user[2],
"profile": user[3],
'thumb':user[4],
'nikename':user[5],
'address':user[6],
'follows':user[7]
}
users.append(post)
print(users)
try:
db.mkusers.insert_many(users,ordered=False )
except Exception as e:
print("数据库输入异常")
print (e)
continue
time.sleep(1)
print("<<<<<<<<<<<<<<<<<<<<")
当你使用python3 demo.py
编译demo之后,屏幕滚动如下结果,那么你成功了。
接下来就可以去数据库查阅数据去了。
[linuxboy@bogon moocspider]$ python3 demo.py
线程启动...
{'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3'}
http://www.moko.cc/subscribe/chenhaoalex/2.html>>>网页分析中...
['dde760d5dd6a4413aacb91d1b1d76721', '3cc82db2231a4449aaa97ed8016b917a', 'a1835464ad874eec92ccbb31841a7590', 'c9ba6a47a246494398d4e26c1e0b7e54', '902fe175e668417788a4fb5d4de7ab99', 'dcb8f11265594f17b821a6d90caf96a7', '7ea0a96621eb4ed99c9c642936559c94', 'd45c1e3069c24152abdc41c1fb342b8f', 'chenyiqiu', '798522844', 'MEERILLES', 'ddfd9e1f7dca4cffb2430caebd2494f8', 'd19cbd37c87e400e9da42e159560649b', 'ac07e7fbfde14922bb1d0246b9e4374d', '05abc72ac7bb4f738f73028fed17ac23', 'hanzhuoer', 'e12e15aaee654b8aa9f528215bc3294c', '3b6d8dc6fd814789bd484f393b5c9fa8', '83256b93a2f94f449ab75c730cb80a7b', '8c1e4c738e654aad85903572f9090adb']
[{'index': 77, 'link': 'http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html'}, {'index': 78, 'link': 'http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html'}, {'index': 79, 'link': 'http://www.moko.cc/subscribe/a1835464ad874eec92ccbb31841a7590/1.html'}, {'index': 80, 'link': 'http://www.moko.cc/subscribe/c9ba6a47a246494398d4e26c1e0b7e54/1.html'}, {]
>>>>>>>>>>>>>>>>>>>>
[{'id': '3533155', 'level': 'MP', 'real': '', 'profile': 'b1a7e76455cc4ca4b81ed800ab68b308', 'thumb': 'http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg', 'nikename': '模特九九', 'address': '大连', 'follows': '10'}, {'id': '3189865', 'level': 'VIP', 'real': '', 'profile': 'cfdf1482a9034f65a60bc6a1cf8d6a02', 'thumb': 'http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg', 'nikename': '何应77', 'address': '杭州', 'follows': '219'}, {'id': '14886', 'level': 'VIP', 'real': '<br/>', 'profile': 'cndp', 'thumb': 'http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg', 'nikename': '多拍PGirl', 'address': '北京', 'follows': '2331'}, {'id': '3539257', 'level': 'MP', 'real': '<br/>', 'profile': '605c8fb2824049aa841f21858a7fd142', 'thumb': 'http://img.mb.moko.cc/2018-02':
记得处理数据的时候去掉重复值
>show collections
col
links
mkusers
text
> db.mkusers.find()
{ "_id" : ObjectId("5b17931ec3666e6eff3953bc"), "id" : "3533155", "level" : "MP", "real" : "", "profile" : "b1a7e76455cc4ca4b81ed800ab68b308", "thumb" : "http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg", "nikename" : "模特九九", "address" : "大连", "follows" : "10" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953bd"), "id" : "3189865", "level" : "VIP", "real" : "", "profile" : "cfdf1482a9034f65a60bc6a1cf8d6a02", "thumb" : "http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg", "nikename" : "何应77", "address" : "杭州", "follows" : "219" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953be"), "id" : "14886", "level" : "VIP", "real" : "<br/>", "profile" : "cndp", "thumb" : "http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg", "nikename" : "多拍PGirl", "address" : "北京", "follows" : "2331" }
{ "_
最后一步,如果你想要把效率提高,修改线程就好了
if __name__ == "__main__":
for i in range(5):
p = Producer()
p.start()
for i in range(7):
c = Consumer()
c.start()
经过3个小时的爬取,我获取了70000多美空的用户ID,原则上,你可以获取到所有的被关注者的,不过这些数据对我们测试来说,已经足够使用。
代码github地址: https://github.com/wangdezhen/mokospider.git