爬取知乎用户信息、头像、问题关注者、用户的所有关注者的头像

原创 2017年07月27日 13:08:54
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
'''
Required
- requests (必须)
- pillow (可选)
Info
- author : "xchaoinfo"
- email  : "xchaoinfo@qq.com"
- date   : "2016.2.4"
Update
- name   : "wangmengcn"
- email  : "eclipse_sv@163.com"
- date   : "2016.4.21"
'''
import requests
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
import time
import os.path
import json
from bs4 import BeautifulSoup
try:
    from PIL import Image
except:
    pass


# 构造 Request headers
agent = 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Mobile Safari/537.36'
headers = {
    "Host": "www.zhihu.com",
    "Referer": "https://www.zhihu.com/",
    'User-Agent': agent
}

# 使用登录cookie信息
session = requests.session()
session.cookies = cookielib.LWPCookieJar(filename='cookies')
try:
    print('加载文件中的cookies')
    session.cookies.load(ignore_discard=True)
except:
    print("Cookie 未能加载")


def get_xsrf():
    '''_xsrf 是一个动态变化的参数'''
    index_url = 'https://www.zhihu.com'
    # 获取登录时需要用到的_xsrf
    index_page = session.get(index_url, headers=headers)
    html = index_page.text
    pattern = r'name="_xsrf" value="(.*?)"'
    # 这里的_xsrf 返回的是一个list
    _xsrf = re.findall(pattern, html)
    return _xsrf[0]


# 获取验证码
def get_captcha():
    t = str(int(time.time() * 1000))
    captcha_url = 'https://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
    r = session.get(captcha_url, headers=headers)
    with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
        f.close()
    # 用pillow 的 Image 显示验证码
    # 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
    try:
        im = Image.open('captcha.jpg')
        im.show()
        im.close()
    except:
        print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
    captcha = input("please input the captcha\n>")
    return captcha


def isLogin():
    # 通过查看用户个人信息来判断是否已经登录
    url = "https://www.zhihu.com/settings/profile"
    login_code = session.get(url, headers=headers, allow_redirects=False).status_code
    if login_code == 200:
        return True
    else:
        return False
#获取用户的信息
def info():
    url = "https://www.zhihu.com/settings/profile"
    html = session.get(url, headers=headers, allow_redirects=False).text
    pattern = r'class="name">(.*?)</span>'
    # 这里的_xsrf 返回的是一个list
    name = re.findall(pattern, html)
    print('用户名:', name[0])
    pattern=r'<div id="js-url-preview" class="url-preview">zhihu.com/people/<span class="token">(.*?)</span></div>'
    infoUrl = re.findall(pattern, html)
    print(infoUrl[0])
    #得到个人信息的页面的URL
    infoUrl="https://www.zhihu.com/people/"+infoUrl[0]
    html2=session.get(infoUrl,headers=headers).text
    pattern2=r'src="(.*?)" srcset'
    figUrl=re.findall(pattern2,html2)[0]
    print('头像网址',figUrl)
    filename = 'pics/' + name[0] + '.jpg'
    f = open(filename, 'wb')
    f.write(requests.get(figUrl).content)
    f.close()


#保存用户tag的关注者的头像 url为用户的个人信息页面
def get_info(tag,url):
    infoUrl=url
    html2=session.get(infoUrl,headers=headers).text
    pattern2=r'src="(.*?)" srcset'
    figUrl=re.findall(pattern2,html2)[0]  #获得的头像连接
    n=str(url)[29:]
    filename = tag+'/' + n+ '.jpg'
    f = open(filename, 'wb')
    f.write(requests.get(figUrl).content)
    f.close()
#获取某一名用户的所有关注者的头像
def get_followers(tag="dong-wu-61-97"):  #其中tag 是用户的唯一标识

    if not os.path.exists(tag):
        os.mkdir(tag)

    url='https://www.zhihu.com/people/'+tag+'/followers'
    html=session.get(url,headers=headers).text
    soup = BeautifulSoup(html ,'html.parser')
    co=soup.find_all('a',class_="zg-link author-link")
    num=1
    while co:

        for i in co:
            patterni=r'href="(.*?)"'
            ci=re.findall(patterni,i.decode())
            #print (ci[0])  #关注者的个人信息页面
            get_info(tag,ci[0])  #保存头像

        num+=1
        time.sleep(1)#需要休息一下,否则会被知乎禁止
        url = 'https://www.zhihu.com/people/' + tag + '/followers'+'?page='+str(num)
        print (url)
        html = session.get(url, headers=headers).text
        soup = BeautifulSoup(html, 'html.parser')
        co = soup.find_all('a', class_="zg-link author-link")



#保存知乎的用户头像
def get_avatar():
    userId='dong-wu-61-97'
    url = 'https://www.zhihu.com/people/' + userId
    response = session.get(url, headers=headers)
    response = response.content
    soup = BeautifulSoup(response, 'lxml')
    name = soup.find_all('span', {'class': 'name'})[1].string
    print (name)
    temp = soup.find('img', {'alt': name})
    #avatar_url = temp['src'][0:-6] + temp['src'][-4:]
    filename = 'pics/' + userId + '.jpg'
    f = open(filename, 'wb')
    avatar_url='https://pic4.zhimg.com/839d556b20f227b93f841de54717904b_l.jpg'
    f.write(requests.get(avatar_url).content)
    f.close()

#获取一个问题下面的所有的关注者的信息
def get_voters(ans_id):
    Zhihu='http://www.zhihu.com'
    #其中ans_id 是这个问题的id
    filename=str(ans_id)+'.txt'
    f=open(filename,'w')
    url='http://www.zhihu.com'+'/answer/'+str(ans_id)+'/voters_profile'
    source=session.get(url,headers=headers)
    #print(source)
    content=source.content
    print(content) #json语句
    data=json.loads(content.decode()) # 包含总赞数、一组点赞者的信息、指向下一组点赞者的资源等的数据
    #打印总赞数目
    txt1='总赞数'
    print(txt1)
    total = data['paging']['total']  # 总赞数
    print(total)
    # 通过分析,每一组资源包含10个点赞者的信息(当然,最后一组可能少于10个),所以需要循环遍历
    next_url=url
    num=0
    while next_url !='http://www.zhihu.com':
        try:
            nextsource = session.get(next_url, headers=headers)
        except:
            time.sleep(2)
            nextsource = session.get(next_url, headers=headers)
         # 解析出点赞者的信息
        nextcontent = nextsource.content.decode()
        nextdata = json.loads(nextcontent)
        for each in nextdata['payload']:
            num+=1
            print (num)
            try:
                soup = BeautifulSoup(each, 'lxml')
                tag = soup.a
                title = tag['title']  # 点赞者的用户名
                href = 'http://www.zhihu.com' + str(tag['href'])  # 点赞者的地址
                # 获取点赞者的数据
                list = soup.find_all('li')
                votes = list[0].string  # 点赞者获取的赞同
                tks = list[1].string  # 点赞者获取的感谢
                ques = list[2].string  # 点赞者提出的问题数量
                ans = list[3].string  # 点赞者回答的问题数量
                # 打印点赞者信息
                string = title + '  ' + href + '  ' + votes + tks + ques + ans
                f.write(string.decode() + '\n')
                print (string)

            except:
                txt3 = '有点赞者的信息缺失'
                f.write(txt3 + '\n')
                print(txt3)
                continue
                # 解析出指向下一组点赞者的资源
        next_url = Zhihu + nextdata['paging']['next']

    f.close()


def login(secret, account):
    _xsrf = get_xsrf()
    headers["X-Xsrftoken"] = _xsrf
    headers["X-Requested-With"] = "XMLHttpRequest"
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1\d{10}$", account):
        print("手机号登录 \n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': _xsrf,
            'password': secret,
            'phone_num': account
        }
    else:
        if "@" in account:
            print("邮箱登录 \n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': _xsrf,
            'password': secret,
            'email': account
        }
    # 不需要验证码直接登录成功
    login_page = session.post(post_url, data=postdata, headers=headers)
    login_code = login_page.json()
    if login_code['r'] == 1:
        # 不输入验证码登录失败
        # 使用需要输入验证码的方式登录
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.json()
        print(login_code['msg'])
    # 保存 cookies 到文件,
    # 下次可以使用 cookie 直接登录,不需要输入账号和密码
    session.cookies.save()

try:
    input = input
except:
    pass


if __name__ == '__main__':
    if isLogin():
        print('您已经登录')
        #info()
        get_followers()
    else:
        account = input('请输入你的用户名\n>  ')
        secret = input("请输入你的密码\n>  ")
        login(secret, account)
版权声明:本文为博主原创文章,未经博主允许不得转载。

[python]知乎用户头像爬虫

这是一个简单的python小爬虫,登录本人知乎的个人中心,通过关注者即可实现爬虫在页面间的连接,先看看爬取的效果,虽然简单却挺有趣:                                  ...

通过Python爬虫爬取知乎某个问题下的图片

该爬虫主要是通过requests来实现的,该模块完全可以很好的代替urllib和urllib2,而且功能更强大,详细可以看这里。同时也用到了pillow模块中的image对象,实现环境是Python2...
  • Enter_
  • Enter_
  • 2016年07月10日 21:36
  • 14402

Python爬虫爬取知乎小结

博客首发至Marcovaldo’s blog (http://marcovaldong.github.io/)最近学习了一点网络爬虫,并实现了使用python来爬取知乎的一些功能,这里做一个小的总结。...

PHP爬虫:百万级别知乎用户数据爬取与分析

http://www.techweb.com.cn/network/system/2016-01-22/2266210.shtml 这次抓取了110万的用户数据,数据分析结果如下: 开发前...

php爬虫:知乎用户数据爬取和分析

转载自:http://segmentfault.com/a/1190000004357994 背景说明:小拽利用php的curl写的爬虫,实验性的爬取了知乎5w用户的基本信息;同时,针对爬取...

如何下载网页中嵌入的flash文件

这个似乎以前转发过. 不过时间已经很久了,不如再来一次. http://www.makeuseof.com/tag/how-to-download-embedded-flash-swf-fi...

python pandas 聚合与分组函数

pandas groupby与agg聚合函数与分组函数(1)

Scrapy爬取知乎用户信息遇见的问题

首先在将ROBOTSTXT_OBEY设置成False之后运行爬虫进行测试,发现错误,错误码为500. 经检查发现是缺少User-Agent. 在setting中找到DEFAULT_REQUES...

discuz X3.2 在用户信息表加一个头像字段(已解决)

想做discuz开发要了解它的目录结构 一) Discuz!的文件系统目录 a) Admin:后台管理功能模块 b) Api:DZ系统与其它系统之间接口程序 c) Archiver:DZ中,用以...

flask笔记:7:用户资料信息页和头像

用户信息页 创建一个新的视图函数 app/views.py from app import app,db,lm,models from flask import render_template,f...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:爬取知乎用户信息、头像、问题关注者、用户的所有关注者的头像
举报原因:
原因补充:

(最多只允许输入30个字)