scrapy 知乎用户信息爬虫

zhihu_spider

此项目的功能是爬取知乎用户信息以及人际拓扑关系，爬虫框架使用scrapy，数据存储使用mongo，下载这些数据感受也没什么用，就当为你们学习scrapy提供一个例子吧。代码地址：https://github.com/LiuRoy/zhihu_spider，欢迎各位大神指出问题，另外知乎也欢迎你们关注哈 ^_^.

流程图

• 请求https://www.zhihu.com获取页面中的_xsrf数据，知乎开启了跨站请求伪造功能，全部的POST请求都必须带上此参数。
• 提交用户名，密码已经第一步解析的_xsrf参数到https://www.zhihu.com/login/email，登录获取cookies
• 访问用户主页，以个人主页为例https://www.zhihu.com/people/weizhi-xiazhi， 以下图： 

 

• 解析的用户信息包括昵称，头像连接，我的基本信息还有关注人的数量和粉丝的数量。这个页面还能获取关注人页面和粉丝页面。
• 由上一步获取的分页列表页面和关注人页面获取用户人际关系，这两个页面相似，惟一麻烦的是获得的静态页面最多只有二十个，获取所有的人员必须经过POST请求，解析到的我的主页再由上一步来解析。

代码解释

scrapy文档很是详细，在此我就不详细讲解，你所能碰到的任何疑问均可以在文档中找到解答。 

• 爬虫框架从start_requests开始执行，此部分会提交知乎主页的访问请求给引擎，并设置回调函数为post_login.
• post_login解析主页获取_xsrf保存为成员变量中，并提交登录的POST请求，设置回调函数为after_login.
• after_login拿到登录后的cookie，提交一个start_url的GET请求给爬虫引擎，设置回调函数parse_people.
• parse_people解析我的主页，一次提交关注人和粉丝列表页面到爬虫引擎，回调函数是parse_follow, 并把解析好的我的数据提交爬虫引擎写入mongo。
• parse_follow会解析用户列表，同时把动态的人员列表POST请求发送只引擎，回调函数是parse_post_follow，把解析好的用户主页连接请求也发送到引擎，人员关系写入mongo。
• parse_post_follow单纯解析用户列表，提交用户主页请求至引擎。

效果图