python实现多线程抓取知乎用户

需要用到的包：

beautifulsoup4
html5lib
image
requests
redis
PyMySQL

pip安装所有依赖包：

pip install \Image \requests \beautifulsoup4 \html5lib \redis \PyMySQL

运行环境需要支持中文

测试运行环境python3.5，不保证其他运行环境能完美运行

需要安装mysql和redis

配置 config.ini 文件，设置好mysql和redis，并且填写你的知乎帐号

向数据库导入 init.sql

Run

开始抓取数据: python get_user.py
查看抓取数量: python check_redis.py

效果

总体思路

1.首先是模拟登陆知乎，利用保存登陆的cookie信息
2.抓取知乎页面的html代码，留待下一步继续进行分析提取信息
3.分析提取页面中用户的个性化url，放入redis（这里特别说明一下redis的思路用法，将提取到的用户的个性化url放入redis的一个名为already_get_user的hash table，表示已抓取的用户，对于已抓取过的用户判断是否存在于already_get_user以去除重复抓取，同时将个性化url放入user_queue的队列中，需要抓取新用户时pop队列获取新的用户）
4.获取用户的关注列表和粉丝列表，继续插入到redis
5.从redis的user_queue队列中获取新用户继续重复步骤3

模拟登陆知乎

首先是登陆，登陆功能作为一个包封装了在login里面，方便整合调用

header部分，这里Connection最好设为close，不然可能会碰到max retireve exceed的错误
原因在于普通的连接是keep-alive的但是却又没有关闭

# http请求的header
headers = {
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36",
 "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
 "Host": "www.zhihu.com",
 "Referer": "https://www.zhihu.com/",
 "Origin": "https://www.zhihu.com/",
 "Upgrade-Insecure-Requests": "1",
 "Content-Type": "application/x-www-form-urlencoded; charset=UTF-8",
 "Pragma": "no-cache",
 "Accept-Encoding": "gzip, deflate, br",
 'Connection': 'close'
}

# 验证是否登陆
def check_login(self):
 check_url = 'https://www.zhihu.com/settings/profile'
 try:
   login_check = self.__session.get(check_url, headers=self.headers, timeout=35)
 except Exception as err:
   print(traceback.print_exc())
   print(err)
   print("验证登陆失败，请检查网络")
   sys.exit()
 print("验证登陆的http status code为：" + str(login_check.status_code))
 if int(login_check.status_code) == 200:
   return True
 else:
   return False

进入首页查看http状态码来验证是否登陆，200为已经登陆，一般304就是被重定向所以就是没有登陆

# 获取验证码
def get_captcha(self):
 t = str(time.time() * 1000)
 captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
 r = self.__session.get(captcha_url, headers=self.headers, timeout=35)
 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("请输入验证码\n>")
 return captcha

获取验证码的方法。当登录次数太多有可能会要求输入验证码，这里实现这个功能

# 获取xsrf
def get_xsrf(self):
 index_url = 'http://www.zhihu.com'
 # 获取登录时需要用到的_xsrf
 try:
   index_page = self.__session.get(index_url, headers=self.headers, timeout=35)
 except:
   print('获取知乎页面失败，请检查网络连接')
   sys.exit()
 html = index_page.text
 # 这里的_xsrf 返回的是一个list
 BS = BeautifulSoup(html, 'html.parser')
 xsrf_input = BS.find(attrs={'name': '_xsrf'})
 pattern = r'value=\"(.*?)\"'
 print(xsrf_input)
 self.__xsrf = re.findall(pattern, str(xsrf_input))
 return self.__xsrf[0]

获取xsrf，为什么要获取xsrf呢，因为xsrf是一种防止跨站攻击的手段，具体介绍可以看这里csrf
在获取到xsrf之后把xsrf存入cookie当中，并且在调用api的时候带上xsrf作为头部，不然的话知乎会返回403

# 进行模拟登陆
def do_login(self):
 try:
   # 模拟登陆
   if self.check_login():
     print('您已经登录')
     return
   else:
     if self.config.get("zhihu_account", "username") and self.config.get("zhihu_account", "password"):
       self.username = self.config.get("zhihu_account", "username")
       self.password = self.config.get("zhihu_account", "password")
     else:
       self.username = input('请输入你的用户名\n> ')
       self.password = input("请输入你的密码\n> ")
 except Exception as err:
   print(traceback.print_exc())
   print(err)
   sys.exit()
 if re.match(r"^1\d{10}$", self.username):
   print("手机登陆\n")
   post_url = 'http://www.zhihu.com/login/phone_num'
   postdata = {
     '_xsrf': self.get_xsrf(),
     'password': self.password,
     'remember_me': 'true',
     'phone_num': self.username,
   }
 else:
   print("邮箱登陆\n")
   post_url = 'http://www.zhihu.com/login/email'
   postdata = {
     '_xsrf': self.get_xsrf(),
     'password': self.password,
     'remember_me': 'true',
     'email': self.username,
   }
 try:
   login_page = self.__session.post(post_url, postdata, headers=self.headers, timeout=35)
   login_text = json.loads(login_page.text.encode('latin-1').decode('unicode-escape'))
   print(postdata)
   print(login_text)
   # 需要输入验证码 r = 0为登陆成功代码
   if login_text['r'] == 1:
     sys.exit()
 except:
   postdata['captcha'] = self.get_captcha()
   login_page = self.__session.post(post_url, postdata, headers=self.headers, timeout=35)
   print(json.loads(login_page.text.encode('latin-1').decode('unicode-escape')))
 # 保存登陆cookie
 self.__session.cookies.save()

这个就是核心的登陆功能啦，非常关键的就是用到了requests库，非常方便的保存到session
我们这里全局都是用单例模式，统一使用同一个requests.session对象进行访问功能，保持登录状态的一致性

最后主要调用登陆的代码为

# 创建login对象
lo = login.login.Login(self.session)
# 模拟登陆
if lo.check_login():
 print('您已经登录')
else:
 if self.config.get("zhihu_account", "username") and self.config.get("zhihu_account", "username"):
   username = self.config.get("zhihu_account", "username")
   password = self.config.get("zhihu_account", "password")
 else:
   username = input('请输入你的用户名\n> ')
   password = input("请输入你的密码\n> ")
 lo.do_login(username, password)

知乎模拟登陆到此就完成啦

知乎用户抓取

def __init__(self, threadID=1, name=''):
 # 多线程
 print("线程" + str(threadID) + "初始化")
 threading.Thread.__init__(self)
 self.threadID = threadID
 self.name = name
 try:
   print("线程" + str(threadID) + "初始化成功")
 except Exception as err:
   print(err)
   print("线程" + str(threadID) + "开启失败")
 self.threadLock = threading.Lock()
 # 获取配置
 self.config = configparser.ConfigParser()
 self.config.read("config.ini")
 # 初始化session
 requests.adapters.DEFAULT_RETRIES = 5
 self.session = requests.Session()
 self.session.cookies = cookielib.LWPCookieJar(filename='cookie')
 self.session.keep_alive = False
 try:
   self.session.cookies.load(ignore_discard=True)
 except:
   print('Cookie 未能加载')
 finally:
   pass
 # 创建login对象
 lo = Login(self.session)
 lo.do_login()
 # 初始化redis连接
 try:
   redis_host = self.config.get("redis", "host")
   redis_port = self.config.get("redis", "port")
   self.redis_con = redis.Redis(host=redis_host, port=redis_port, db=0)
   # 刷新redis库
   # self.redis_con.flushdb()
 except:
   print("请安装redis或检查redis连接配置")
   sys.exit()
 # 初始化数据库连接
 try:
   db_host = self.config.get("db", "host")
   db_port = int(self.config.get("db", "port"))
   db_user = self.config.get("db", "user")
   db_pass = self.config.get("db", "password")
   db_db = self.config.get("db", "db")
   db_charset = self.config.get("db", "charset")
   self.db = pymysql.connect(host=db_host, port=db_port, user=db_user, passwd=db_pass, db=db_db,
                charset=db_charset)
   self.db_cursor = self.db.cursor()
 except:
   print("请检查数据库配置")
   sys.exit()
 # 初始化系统设置
 self.max_queue_len = int(self.config.get("sys", "max_queue_len"))

这个是get_user.py的构造函数，主要功能就是初始化mysql连接、redis连接、验证登陆、生成全局的session对象、导入系统配置、开启多线程。

# 获取首页html
def get_index_page(self):
 index_url = 'https://www.zhihu.com/'
 try:
   index_html = self.session.get(index_url, headers=self.headers, timeout=35)
 except Exception as err:
   # 出现异常重试
   print("获取页面失败，正在重试......")
   print(err)
   traceback.print_exc()
   return None
 finally:
   pass
 return index_html.text
# 获取单个用户详情页面
def get_user_page(self, name_url):
 user_page_url = 'https://www.zhihu.com' + str(name_url) + '/about'
 try:
   index_html = self.session.get(user_page_url, headers=self.headers, timeout=35)
 except Exception as err:
   # 出现异常重试
   print("失败name_url：" + str(name_url) + "获取页面失败，放弃该用户")
   print(err)
   traceback.print_exc()
   return None
 finally:
   pass
 return index_html.text
# 获取粉丝页面
def get_follower_page(self, name_url):
 user_page_url = 'https://www.zhihu.com' + str(name_url) + '/followers'
 try:
   index_html = self.session.get(user_page_url, headers=self.headers, timeout=35)
 except Exception as err:
   # 出现异常重试
   print("失败name_url：" + str(name_url) + "获取页面失败，放弃该用户")
   print(err)
   traceback.print_exc()
   return None
 finally:
   pass
 return index_html.text
def get_following_page(self, name_url):
 user_page_url = 'https://www.zhihu.com' + str(name_url) + '/followers'
 try:
   index_html = self.session.get(user_page_url, headers=self.headers, timeout=35)
 except Exception as err:
   # 出现异常重试
   print("失败name_url：" + str(name_url) + "获取页面失败，放弃该用户")
   print(err)
   traceback.print_exc()
   return None
 finally:
   pass
 return index_html.text
# 获取首页上的用户列表，存入redis
def get_index_page_user(self):
 index_html = self.get_index_page()
 if not index_html:
   return
 BS = BeautifulSoup(index_html, "html.parser")
 self.get_xsrf(index_html)
 user_a = BS.find_all("a", class_="author-link") # 获取用户的a标签
 for a in user_a:
   if a:
     self.add_wait_user(a.get('href'))
   else:
     continue

这一部分的代码就是用于抓取各个页面的html代码

# 加入带抓取用户队列，先用redis判断是否已被抓取过
def add_wait_user(self, name_url):
 # 判断是否已抓取
 self.threadLock.acquire()
 if not self.redis_con.hexists('already_get_user', name_url):
   self.counter += 1
   print(name_url + " 加入队列")
   self.redis_con.hset('already_get_user', name_url, 1)
   self.redis_con.lpush('user_queue', name_url)
   print("添加用户 " + name_url + "到队列")
 self.threadLock.release()
# 获取页面出错移出redis
def del_already_user(self, name_url):
 self.threadLock.acquire()
 if not self.redis_con.hexists('already_get_user', name_url):
   self.counter -= 1
   self.redis_con.hdel('already_get_user', name_url)
 self.threadLock.release()

用户加入redis的操作，在数据库插入出错时我们调用del_already_user删除插入出错的用户

# 分析粉丝页面获取用户的所有粉丝用户
# @param follower_page get_follower_page()中获取到的页面，这里获取用户hash_id请求粉丝接口获取粉丝信息
def get_all_follower(self, name_url):
 follower_page = self.get_follower_page(name_url)
 # 判断是否获取到页面
 if not follower_page:
   return
 BS = BeautifulSoup(follower_page, 'html.parser')
 # 获取关注者数量
 follower_num = int(BS.find('span', text='关注者').find_parent().find('strong').get_text())
 # 获取用户的hash_id
 hash_id = \
   json.loads(BS.select("#zh-profile-follows-list")[0].select(".zh-general-list")[0].get('data-init'))[
     'params'][
     'hash_id']
 # 获取关注者列表
 self.get_xsrf(follower_page) # 获取xsrf
 post_url = 'https://www.zhihu.com/node/ProfileFollowersListV2'
 # 开始获取所有的关注者 math.ceil(follower_num/20)*20
 for i in range(0, math.ceil(follower_num / 20) * 20, 20):
   post_data = {
     'method': 'next',
     'params': json.dumps({"offset": i, "order_by": "created", "hash_id": hash_id})
   }
   try:
     j = self.session.post(post_url, params=post_data, headers=self.headers, timeout=35).text.encode(
       'latin-1').decode(
       'unicode-escape')
     pattern = re.compile(r"class=\"zm-item-link-avatar\"[^\"]*\"([^\"]*)", re.DOTALL)
     j = pattern.findall(j)
     for user in j:
       user = user.replace('\\', '')
       self.add_wait_user(user) # 保存到redis
   except Exception as err:
     print("获取正在关注失败")
     print(err)
     traceback.print_exc()
     pass
# 获取正在关注列表
def get_all_following(self, name_url):
 following_page = self.get_following_page(name_url)
 # 判断是否获取到页面
 if not following_page:
   return
 BS = BeautifulSoup(following_page, 'html.parser')
 # 获取关注者数量
 following_num = int(BS.find('span', text='关注了').find_parent().find('strong').get_text())
 # 获取用户的hash_id
 hash_id = \
   json.loads(BS.select("#zh-profile-follows-list")[0].select(".zh-general-list")[0].get('data-init'))[
     'params'][
     'hash_id']
 # 获取关注者列表
 self.get_xsrf(following_page) # 获取xsrf
 post_url = 'https://www.zhihu.com/node/ProfileFolloweesListV2'
 # 开始获取所有的关注者 math.ceil(follower_num/20)*20
 for i in range(0, math.ceil(following_num / 20) * 20, 20):
   post_data = {
     'method': 'next',
     'params': json.dumps({"offset": i, "order_by": "created", "hash_id": hash_id})
   }
   try:
     j = self.session.post(post_url, params=post_data, headers=self.headers, timeout=35).text.encode(
       'latin-1').decode(
       'unicode-escape')
     pattern = re.compile(r"class=\"zm-item-link-avatar\"[^\"]*\"([^\"]*)", re.DOTALL)
     j = pattern.findall(j)
     for user in j:
       user = user.replace('\\', '')
       self.add_wait_user(user) # 保存到redis
   except Exception as err:
     print("获取正在关注失败")
     print(err)
     traceback.print_exc()
     pass

调用知乎的API，获取所有的关注用户列表和粉丝用户列表，递归获取用户
这里需要注意的是头部要记得带上xsrf不然会抛出403

# 分析about页面，获取用户详细资料
def get_user_info(self, name_url):
 about_page = self.get_user_page(name_url)
 # 判断是否获取到页面
 if not about_page:
   print("获取用户详情页面失败，跳过，name_url：" + name_url)
   return
 self.get_xsrf(about_page)
 BS = BeautifulSoup(about_page, 'html.parser')
 # 获取页面的具体数据
 try:
   nickname = BS.find("a", class_="name").get_text() if BS.find("a", class_="name") else ''
   user_type = name_url[1:name_url.index('/', 1)]
   self_domain = name_url[name_url.index('/', 1) + 1:]
   gender = 2 if BS.find("i", class_="icon icon-profile-female") else (1 if BS.find("i", class_="icon icon-profile-male") else 3)
   follower_num = int(BS.find('span', text='关注者').find_parent().find('strong').get_text())
   following_num = int(BS.find('span', text='关注了').find_parent().find('strong').get_text())
   agree_num = int(re.findall(r'<strong>(.*)</strong>.*赞同', about_page)[0])
   appreciate_num = int(re.findall(r'<strong>(.*)</strong>.*感谢', about_page)[0])
   star_num = int(re.findall(r'<strong>(.*)</strong>.*收藏', about_page)[0])
   share_num = int(re.findall(r'<strong>(.*)</strong>.*分享', about_page)[0])
   browse_num = int(BS.find_all("span", class_="zg-gray-normal")[2].find("strong").get_text())
   trade = BS.find("span", class_="business item").get('title') if BS.find("span",
                                      class_="business item") else ''
   company = BS.find("span", class_="employment item").get('title') if BS.find("span",
                                        class_="employment item") else ''
   school = BS.find("span", class_="education item").get('title') if BS.find("span",
                                       class_="education item") else ''
   major = BS.find("span", class_="education-extra item").get('title') if BS.find("span",
                                          class_="education-extra item") else ''
   job = BS.find("span", class_="position item").get_text() if BS.find("span",
                                     class_="position item") else ''
   location = BS.find("span", class_="location item").get('title') if BS.find("span",
                                        class_="location item") else ''
   description = BS.find("div", class_="bio ellipsis").get('title') if BS.find("div",
                                         class_="bio ellipsis") else ''
   ask_num = int(BS.find_all("a", class_='item')[1].find("span").get_text()) if \
     BS.find_all("a", class_='item')[
       1] else int(0)
   answer_num = int(BS.find_all("a", class_='item')[2].find("span").get_text()) if \
     BS.find_all("a", class_='item')[
       2] else int(0)
   article_num = int(BS.find_all("a", class_='item')[3].find("span").get_text()) if \
     BS.find_all("a", class_='item')[3] else int(0)
   collect_num = int(BS.find_all("a", class_='item')[4].find("span").get_text()) if \
     BS.find_all("a", class_='item')[4] else int(0)
   public_edit_num = int(BS.find_all("a", class_='item')[5].find("span").get_text()) if \
     BS.find_all("a", class_='item')[5] else int(0)
   replace_data = \
     (pymysql.escape_string(name_url), nickname, self_domain, user_type,
      gender, follower_num, following_num, agree_num, appreciate_num, star_num, share_num, browse_num,
      trade, company, school, major, job, location, pymysql.escape_string(description),
      ask_num, answer_num, article_num, collect_num, public_edit_num)
   replace_sql = '''REPLACE INTO
          user(url,nickname,self_domain,user_type,
          gender, follower,following,agree_num,appreciate_num,star_num,share_num,browse_num,
          trade,company,school,major,job,location,description,
          ask_num,answer_num,article_num,collect_num,public_edit_num)
          VALUES(％s,％s,％s,％s,
          ％s,％s,％s,％s,％s,％s,％s,％s,
          ％s,％s,％s,％s,％s,％s,％s,
          ％s,％s,％s,％s,％s)'''
   try:
     print("获取到数据：")
     print(replace_data)
     self.db_cursor.execute(replace_sql, replace_data)
     self.db.commit()
   except Exception as err:
     print("插入数据库出错")
     print("获取到数据：")
     print(replace_data)
     print("插入语句：" + self.db_cursor._last_executed)
     self.db.rollback()
     print(err)
     traceback.print_exc()
 except Exception as err:
   print("获取数据出错，跳过用户")
   self.redis_con.hdel("already_get_user", name_url)
   self.del_already_user(name_url)
   print(err)
   traceback.print_exc()
   pass

最后，到用户的about页面，分析页面元素，利用正则或者beatifulsoup分析抓取页面的数据
这里我们SQL语句用REPLACE INTO而不用INSERT INTO，这样可以很好的防止数据重复问题

# 开始抓取用户，程序总入口
def entrance(self):
 while 1:
   if int(self.redis_con.llen("user_queue")) < 1:
     self.get_index_page_user()
   else:
     # 出队列获取用户name_url redis取出的是byte，要decode成utf-8
     name_url = str(self.redis_con.rpop("user_queue").decode('utf-8'))
     print("正在处理name_url：" + name_url)
     self.get_user_info(name_url)
     if int(self.redis_con.llen("user_queue")) <= int(self.max_queue_len):
       self.get_all_follower(name_url)
       self.get_all_following(name_url)
   self.session.cookies.save()
def run(self):
 print(self.name + " is running")
 self.entrance()

最后，入口

if __name__ == '__main__':
 login = GetUser(999, "登陆线程")
 threads = []
 for i in range(0, 4):
   m = GetUser(i, "thread" + str(i))
   threads.append(m)
 for i in range(0, 4):
   threads[i].start()
 for i in range(0, 4):
   threads[i].join()

这里就是多线程的开启，需要开启多少个线程就把4换成多少就可以了

Docker

嫌麻烦的可以参考一下我用docker简单的搭建一个基础环境：

mysql和redis都是官方镜像

docker run --name mysql -itd mysql:latestdocker run --name redis -itd mysql:latest

再利用docker-compose运行python镜像，我的python的docker-compose.yml：

python: container_name: python build: . ports:  - "84:80" external_links:  - memcache:memcache  - mysql:mysql  - redis:redis volumes:  - /docker_containers/python/www:/var/www/html tty: true stdin_open: true extra_hosts:  - "python:192.168.102.140" environment:  PYTHONIOENCODING: utf-8

最后附上源代码： GITHUB https://github.com/kong36088/ZhihuSpider

本站下载地址： http://xiazai.jb51.net/201612/yuanma/ZhihuSpider(jb51.net).zip