1. 知乎文章图片写在前面
今天开始尝试爬取一下知乎,看一下这个网站都有什么好玩的内容可以爬取到,可能断断续续会写几篇文章,今天首先爬取最简单的,单一文章的所有回答,爬取这个没有什么难度。
找到我们要爬取的页面,我随便选了一个
https://www.zhihu.com/question/292393947
1084
个回答,数据量可以说非常小了,就爬取它吧。
2. 知乎文章图片选取操作库和爬取地址
爬取使用requests
存储使用 mongodb 就可以了
爬取地址经过分析之后,找到了一个可以返回json的数据接口
提取链接,看一下各参数的意思,方便我们程序模拟
https://www.zhihu.com/api/v4/questions/292393947/answers?include=data%5b%2a%5d.is_normal%2cadmin_closed_comment%2creward_info%2cis_collapsed%2cannotation_action%2cannotation_detail%2ccollapse_reason%2cis_sticky%2ccollapsed_by%2csuggest_edit%2ccomment_count%2ccan_comment%2ccontent%2ceditable_content%2cvoteup_count%2creshipment_settings%2ccomment_permission%2ccreated_time%2cupdated_time%2creview_info%2crelevant_info%2cquestion%2cexcerpt%2crelationship.is_authorized%2cis_author%2cvoting%2cis_thanked%2cis_nothelp%3bdata%5b%2a%5d.mark_infos%5b%2a%5d.url%3bdata%5b%2a%5d.author.follower_count%2cbadge%5b%2a%5d.topics&limit=5&offset=10&sort_by=default
上面的连接进行了url编码,去找个解码工具解析一下,编程下面的url就比较好解释了,answers
后面跟了一堆的参数,应该是返回的关键字,找到limit
每页显示的数据量,offset
偏移量,我们下拉滚动条,发现这个在不断的叠加+5,sort_by
就是排序。
https://www.zhihu.com/api/v4/questions/292393947/answers?include=data[*].is_normal,admin_closed_comment,reward_info,is_collapsed,annotation_action,annotation_detail,collapse_reason,is_sticky,collapsed_by,suggest_edit,comment_count,can_comment,content,editable_content,voteup_count,reshipment_settings,comment_permission,created_time,updated_time,review_info,relevant_info,question,excerpt,relationship.is_authorized,is_author,voting,is_thanked,is_nothelp;data[*].mark_infos[*].url;data[*].author.follower_count,badge[*].topics&limit=5&offset=10&sort_by=default
做好上面的工作,接下来就是爬取了,我简化了一下爬取的地址,只保留了一些关键的信息
https://www.zhihu.com/api/v4/questions/292393947/answers?include=comment_count,content,voteup_count,reshipment_settings,is_author,voting,is_thanked,is_nothelp;data[*].mark_infos[*].url;data[*].author.follower_count,badge[*].topics&limit=5&offset=0&sort_by=default
3. 知乎文章图片编写代码
分析完毕之后,发现代码非常简单了
import requests from fake_useragent import useragent ############## 数据存储 import pymongo import time database_ip = '127.0.0.1' database_port = 27017 database_name = 'sun' client = pymongo.mongoclient(database_ip,database_port) db = client.sun db.authenticate("dba", "dba") collection = db.zhihuone # 准备插入数据 ################################## class zhihuone(object): def __init__(self,totle): self._offset = 0 self._totle = totle #self._ua = useragent() def run(self): print("正在抓取 {} 数据".format(self._offset)) headers = { "upgrade-insecure-requests":"1", "user-agent": "mozilla/5.0 (windows nt 10.0; wow64)" } with requests.session() as s: try: with s.get("https://www.zhihu.com/api/v4/questions/292393947/answers?include=comment_count,content,voteup_count,reshipment_settings,is_author,voting,is_thanked,is_nothelp;data[*].mark_infos[*].url;data[*].author.follower_count,badge[*].topics&limit=5&offset={}&sort_by=default".format(self._offset),headers=headers,timeout=3) as rep: data = rep.json() if data: collection.insert_many(data["data"]) except exception as e: print(e.args) finally: if self._offset <= self._totle: self._offset = self._offset + 5 # 每次+5 print("防止被办,休息3s") time.sleep(3) self.run() else: print("所有数据获取完毕") if __name__ == '__main__': # 偏移量是0,5,10 i=1 (i-1)*5 zhi = zhihuone(1084) zhi.run()
上面主程序入口中,我写了个1084
,这个偷懒,就硬编码了,数据当然也可以通过爬取获取,没有任何问题
4. 知乎文章图片写在后面
本篇文章是知乎文章爬取器之一,接下来完善的功能
- 爬取地址用户可以输入
- 自动答案总数
- 文章中图片自动下载
- 等功能
![](http://www.lhsxpumps.com/_images3/10qianwan/20190117/b_0_201901170923099694.jpg)
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的,请点击进行留言回复,万千网友为您解惑!
网友评论