【公众号:大邓python】用scrapy爬取知乎live_腾讯视频https://v.qq.com/x/cover/u0551wi70m1/u0551wi70m1.html
一、知乎Live抓包分析
打开知乎Live网址
打开浏览器开发者工具(F12)
我们直接拖动页面向下滚动,Network中就出现了很多网址和数据。 其中如下图的网址
数据与网页直播的title对应上了。说明找到了对应的网址。而且这数据还是json格式,使用起来特别方便。
网址如下
为了节约时间,今天我就只爬live标题和演讲者。
二、创建scrapy项目
打开终端命令行输入
scrapy startproject livespider [项目存放的文件夹的路径]
我在桌面上首先新建了一个scrapysqlite文件夹,然后才在终端创建livespider,项目存放于scrapysqlite文件夹中
现在我们用Pycharm打开livespider项目
现在我们看下打开后的文件目录
三、livespider项目解读
上图打开的项目目录,都是scrapy startproject livespider这个命令行回车后自动生成的。
文件或文件夹功能spiders文件夹是用来存放爬虫逻辑的文件夹items.pyspider文件夹中的爬虫脚本解析的数据,通过items.py组织数据形式pipelines.py爬虫解析出的数据,通过items封装后传递给管道,流到数据库或数据文件。pipelines实际上就是配置数据库或数据文件的settings.py整个爬虫项目的配置文件middleware.py一般不怎么用,忽略。
四、创建spider
我们要在spiders文件夹里创建一个zhihu.py 爬虫(spider)。我们可以通过点击Pycharm下方的Terminal,输入
scrapy genspider zhihu zhihu.com
生成zhihu.py文件,爬虫允许爬的域名为http://zhihu.com。
五、settings.py设置
现在我们要开始对项目进行全局配置。 打开settings.py文件,将
ROBOTSTXT_OBEY = True
改为(不遵守机器人协议,方便爬取数据)
ROBOTSTXT_OBEY = False
取消DOWNLOAD_DELAY的注释符#,并赋值为1。 此处为限制爬虫的访问网站速度。
取消DEFAULTREQUESTHEADERS的注释,并填写zhihu页面解析时的headers请求头
DEFAULT_REQUEST_HEADERS = {
'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36',
'Authorization':'oauth 8274ffb553d511e6a7ffffff'
}
这里注意,经过测试发现,如果没有Authorization,只有useragent,是无法正常访问知乎网站的。所以自己查找并填写。
取消ITEM_PIPELINES的注释符#
六、items.py配置
因为今天为了省事,我们就只爬知乎Live的标题和演讲者。
items.py功能相当于爬虫解析出的数据需要一个结构化的容器封装,方便传递给pipelines使用。
形象一点的比喻就是,items将数据打包,方便运输。本项目中的zhihu.py爬虫将网站中得到的数据通过items的形式打包数据,传递给pipelines水管,并将数据流入数据库保存。
打开items.py文件,将文件修改为
from scrapy import Field,Item
class LivespiderItem(Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = Field()
speaker = Field()
现在开始我们先创建好数据库,然后在配置pipelines.py Pycharm实际上可以可视化操作sqlite。
七、SQLite在PyCharm中的使用
7.1配置SQLite
步骤如下:打开pycharm,在最右侧点击Database按钮,如图中的红色数字1位置
然后依次点击2、3
2. sqlite数据库要能在Pycharm中第一次使用,需要先安装驱动。
图中底部红线指示,点击Download即可
7.2 创建sqlite数据库
选择scrapy创建好的livespider项目路径,并将数据库命名为zhihulive.db ,点击apply和ok
7.3 创建表
按照图中的123,依次点击Database 、zhihulive.db 、main
点击图中红框,先设置Table表名为LiveTable。 点击加号,依次设置了id为主键整数型自增序号。title和speaker均为TEXT格式数据
创建好数据库和表,后面我们就要在pipeline.py中操作数据。
八、pipelines.py配置
打开pipelines.py你会看到如下默认代码
import sqlite3
class LivespiderPipeline(object): def process_item(self, item, spider): pass
我们应该首先知道,pipelines是为了将数据存入数据的。爬虫启动时候,要打开数据库。
爬虫运行时候要将数据写入数据库。
爬虫结束的时候要关闭数据库。
依次对应的scrapy默认的功能函数为
def open_spider(self,spider):
pass
def process_item(self, item, spider):
#写入数据库或数据文件
return item
def close(self,spider):
#关闭数据库
pass
根据上面的知识,我们完成了下面的pipelines.py 的配置。注意format传递值的时候,前面的变量是要用 '{}'。
import sqlite3
class LivespiderPipeline(object):
def open_spider(self,spider):
#初始化爬虫,开启数据库或者新建一个csv文件
self.con = sqlite3.connect('zhihulive.db')
self.cur = self.con.cursor()
def process_item(self, item, spider):
#写入数据库或数据文件
title = item['title']
speaker = item['speaker']
sql_command = "INSERT INTO LiveTable (title,speaker) VALUES ('{title}','{speaker}')".format(title=title, speaker=speaker)
self.cur.execute(sql_command)
self.con.commit() return item
def close_spider(self,spider): #关闭数据库或者数据文件
self.con.close()
九、spider的书写
前面所有的准备都是为了这一刻,我们能够将爬到的数据存起来。现在我们开始爬虫的逻辑,也是最关键的部分。spiders文件夹下的zhihu.py
在ZhihuSpider类中,scrapy框架有默认的请求函数start_requests ,该函数对网址发起请求,yield方式返回的相应数据传递给该ZhihuSpider类中的parse函数解析。
9.1 start_requests函数
callback是回调,也就是说start_requests得到的网页数据要传输给parse函数解析。
def start_requests(self):
starturl = 'https://api.zhihu.com/lives/homefeed?limit=10&offset=10&includes=live'
yield Request(url=starturl, callback=self.parse)
9.2 parse函数
parse函数负责解析数据,将数据以item形式封装,并以yield方式传输给pipelines,最终写入数据库。
yield其实很像return,只不过,return后会结束函数。而yield的函数相当于生成器,返回结果后并不直接结束函数,而是保留状态,下次运行函数会按照上次的位置继续迭代下去。
from scrapy import Spider,Request
from livespider.items import LivespiderItem
import json
class ZhihuSpider(Spider):
name = 'zhihu'
allowed_domains = ['zhihu.com']
start_urls = ['http://zhihu.com/']
def start_requests(self):
starturl = 'https://api.zhihu.com/lives/homefeed?limit=10&offset=10&includes=live'
yield Request(url=starturl, callback=self.parse)
def parse(self, response):
item = LivespiderItem()
result = json.loads(response.text)
records = result['data']
for record in records:
item['title'] = record['live']['subject']
item['speaker'] = record['live']['speaker']['member']['name']
#将item传给pipelines.py保存到数据库
yield item
next_page_url = result['paging']['next']+'&includes=live'
yield Request(url=next_page_url, callback=self.parse)
全部写好了。现在在Pycharm终端Terminal中输入
scrapy crawl zhihu
开始愉悦的爬数据,而且还能用Pycharm看到数据库中的数据
这部分写的很粗糙,不懂的可以反复看我的视频。
项目代码在这期公众号的文章末尾
公众号:大邓带你玩Python