scrapy抓取知乎所有用户信息

崔庆才老师scrapy爬取知乎用户信息博客
我的代码github地址
scrapy中文入门文档

看完别人操作一遍,肯定要自己动手做一下,否则看的有什么意思呢。

我看了一下知乎,发现并没有什么太大的变化,唯一变化的是鼠标移到用户名的时候,显示的信息比老师演示的时候要少,基本和ajax获得的信息一样,所有我爬的时候并没有请求详细信息。

说一下我遇到的问题吧,当我爬到一万多条用户消息的时候,响应码全部变成了403,打开浏览器访问知乎跳出验证码。这怎么行呢,于是我就用我自己写的代理池(顺带修复了一些bug)开始改写代码(开始犯了一个低级错误,将ProxyMiddleware写在SPIDER_MIDDLEWARES 这个参数里,实际是这个DOWNLOADER_MIDDLEWARES),运行爬虫的时候,报各种各样的错误,百度了一番也没有找到答案。

只能新开一个测试爬虫,测试网站 http://www.httpbin.org/get , 发现爬虫居然正常运行了,而且也返回代理IP,将访问次数改为200,依旧正常。(此次过程很长,而且没效果……),突然想到会不会是对https网站过敏,将测试网站改为百度,返回的状态码,什么都有,返回200的很少。做到这里,我也就放弃自己用代理池了。

总结:不知道是代理的缘故,还是scrapy本身的原因,对https网站好多代理无法正常使用,测试的时候还好,运行知乎爬虫的时候,直接报错然后爬虫结束。访问httpbin的时候200次访问只有一次失败了(应该是这个代理失效了)。

推荐一个MongoDB和mysql管理工具Treesoft(国人写的,免费使用),如果连接不了mysql,可能是MySQL新版加密规则改变,请参考这个博客

fake-useragent这个python第三方库可以自动随机生成UserAgent,我更改代理的时候也加入了随机UserAgent,效果很好。


2018-11-10 补充:使用requests和代理池爬取csdn出现同样的错误,基本可以确认是免费代理的问题(哎,免费的还是问题多)。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值