辣条君写爬虫3【爬取贝克街用户】

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。辣条君，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。相较于辣条君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，辣条君恳请大家，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~

02. Scrapy安装

首先需要安装 lxml库

pip install lxml

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:UsersAdministratorDownloadspywin32-228-cp38-cp38-win_amd64.whl

最后，可以安装Scrapy了

pip install scrapy

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

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：

1. 根据某用户主页，获取一些用户信息。
2. 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。
3. 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

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)

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)

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'

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+"
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 +"
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+"
错误原因是: "+str(e))

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！ 这个知识点消耗了辣条君好多时间找问题，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+"
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+"
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+"
错误原因是: "+str(e))

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

crawl就是执行一个爬虫，后面的参数是爬虫的name。

由于辣条君原始大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，辣条君感激不尽。

最后，如果有小伙伴需要完整代码，请评论区留下邮箱，或者通过CSDN私信辣条君获取吧。食用代码的时候，请稍微轻一点，人家服务器会疼的。逃~