摘要:美空网数据简介从今天开始,我们尝试用篇博客的内容量,搞定一个网站叫做美空网网址为,这个网站我分析了一下,我们要爬取的图片在下面这个网址然后在去分析一下,我需要找到一个图片列表页面是最好的,作为一个勤劳的爬虫,我找到了这个页面列表页面被我找
1.美空网数据-简介
从今天开始,我们尝试用2篇博客的内容量,搞定一个网站叫做“美空网”网址为:http://www.moko.cc/, 这个网站我分析了一下,我们要爬取的图片在 下面这个网址
http://www.moko.cc/post/13020...
然后在去分析一下,我需要找到一个图片列表页面是最好的,作为一个勤劳的爬虫coder,我找到了这个页面
http://www.moko.cc/post/da39d...
列表页面被我找到了,貌似没有分页,这就简单多了,但是刚想要爬,就翻车了,我发现一个严重的问题。
http://www.moko.cc/post/==da3...
我要做的是一个自动化的爬虫,但是我发现,出问题了,上面那个黄色背景的位置是啥?
ID,昵称,个性首页,这个必须要搞定。
我接下来随机的找了一些图片列表页,试图找到规律到底是啥?
http://www.moko.cc/post/978c7...
http://www.moko.cc/post/junda...
http://www.moko.cc/post/slavi...
......
没什么问题,发现规律了
http://www.moko.cc/post/==个...
这就有点意思了,我要是能找到尽量多的昵称,不就能拼接出来我想要得所有地址了吗
开干!!!
手段,全站乱点,找入口,找切入点,找是否有API
.... .... 结果没找着
下面的一些备选方案
趴这个页面,发现只有 20页 http://www.moko.cc/channels/p...
每页48个模特,20页。那么也才960人啊,完全覆盖不到尽可能多的用户。
接着又找到
http://www.moko.cc/catalog/in... 这个页面
确认了一下眼神,以为发现问题了,结果
哎呀,还么有权限,谁有权限,可以跟我交流一下,一时激动,差点去下载他们的APP,然后进行抓包去。
上面两条路,都不好弄,接下来继续找路子。
无意中,我看到了一丝曙光
关注名单,点进去
哈哈哈,OK了,这不就是,我要找到的东西吗?
不多说了,爬虫走起,测试一下他是否有反扒机制。
我找到了一个关注的人比较多的页面,1500多个人
http://www.moko.cc/subscribe/...
然后又是一波分析操作
2.美空网数据- 爬虫数据存储确定了爬虫的目标,接下来,我做了两件事情,看一下,是否对你也有帮助
确定数据存储在哪里?最后我选择了MongoDB
用正则表达式去分析网页数据
对此,我们需要安装一下MongoDB,安装的办法肯定是官网教程啦!
https://docs.mongodb.com/mast...
如果官方文档没有帮助你安装成功。
那么我推荐下面这篇博客
https://www.cnblogs.com/hacky...
安装MongoDB出现如下结果
恭喜你安装成功了。
接下来,你要学习的是 关于mongodb用户权限的管理
http://www.cnblogs.com/shiyiw...
mongodb索引的创建
https://blog.csdn.net/salmone...
别问为啥我不重新写一遍,懒呗~~~ 况且这些资料太多了,互联网大把大把的。
一些我经常用的mongdb的命令
链接 mongo --port <端口号> 选择数据库 use admin 展示当前数据库 db 当前数据库授权 db.auth("用户名","密码") 查看数据库 show dbs 查看数据库中的列名 show collections 创建列 db.createCollection("列名") 创建索引 db.col.ensureIndex({"列名字":1},{"unique":true}) 展示所有索引 db.col.getIndexes() 删除索引 db.col.dropIndex("索引名字") 查找数据 db.列名.find() 查询数据总条数 db.列名.find().count()
上面基本是我最常用的了,我们下面实际操作一把。
用Python链接MongoDB使用 pip3 安装pymongo库
使用pymongo模块连接mongoDB数据库
一些准备工作
创建dm数据库
链接上mongodb 在终端使用命令 mongo --port 21111
[linuxboy@localhost ~]$ mongo --port 21111 MongoDB shell version v3.6.5 connecting to: mongodb://127.0.0.1:21111/ MongoDB server version: 3.6.5 >
配置用户权限:接着上面输入命令 show dbs 查看权限
权限不足
创建管理用户
db.createUser({user: "userAdmin",pwd: "123456", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } )
授权用户
db.auth("userAdmin","123456")
查看权限
> db.auth("userAdmin","123456") 1 > show dbs admin 0.000GB config 0.000GB local 0.000GB moko 0.013GB test 0.000GB >
接下来创建 dm数据库<在这之前还需要创建一个读写用户>
> use dm switched to db dm > db dm > db.createUser({user: "dba",pwd: "dba", roles: [ { role: "readWrite", db: "dm" } ] } ) Successfully added user: { "user" : "dba", "roles" : [ { "role" : "readWrite", "db" : "dm" } ] } >
重新授权
db.auth("dba","dba")
创建一列数据
> db.createCollection("demo") { "ok" : 1 } > db.collections dm.collections > show collections demo >
Python实现插入操作
import pymongo as pm #确保你已经安装过pymongo了 # 获取连接 client = pm.MongoClient("localhost", 21111) # 端口号是数值型 # 连接目标数据库 db = client.dm # 数据库用户验证 db.authenticate("dba", "dba") post = { "id": "111111", "level": "MVP", "real":1, "profile": "111", "thumb":"2222", "nikename":"222", "follows":20 } db.col.insert_one(post) # 插入单个文档 # 打印集合第1条记录 print (db.col.find_one())
编译执行
[linuxboy@bogon moocspider]$ python3 mongo.py {"_id": ObjectId("5b15033cc3666e1e28ae5582"), "id": "111111", "level": "MVP", "real": 1, "profile": "111", "thumb": "2222", "nikename": "222", "follows": 20} [linuxboy@bogon moocspider]$
好了,我们到现在为止,实现了mongodb的插入问题。
3.美空网数据-用Python 爬取关注对象首先,我需要创造一个不断抓取链接的类
这个类做的事情,就是分析
http://www.moko.cc/subscribe/...
这个页面,总共有多少页,然后生成链接
抓取页面中的总页数为77
正则表达式如下
onfocus="this.blur()">(d*?)<
在这里,由所有的分页都一样,所以,我匹配了全部的页码,然后计算了数组中的最大值
#获取页码数组 pages = re.findall(r"onfocus="this.blur()">(d*?)<",content,re.S) #获取总页数 page_size = 1 if pages: #如果数组不为空 page_size = int(max(pages)) #获取最大页数
接下来就是我们要搞定的生产者编码阶段了,我们需要打造一个不断获取连接的爬虫
简单的说就是
我们需要一个爬虫,不断的去爬取
http://www.moko.cc/subscribe/... 这个页面中所有的用户,并且还要爬取到总页数。
比如查看上述页面中,我们要获取的关键点如下
通过这个页面,我们要得到,这样子的一个数组,注意下面数组中有个位置【我用爬虫爬到的】这个就是关键的地方了
all_urls = [ "http://www.moko.cc/subscribe/chenhaoalex/1.html", "http://www.moko.cc/subscribe/chenhaoalex/2.html", "http://www.moko.cc/subscribe/chenhaoalex/3.html", "http://www.moko.cc/subscribe/chenhaoalex/4.html", ...... "http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html" "http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html" "http://www.moko.cc/subscribe/d45c1e3069c24152abdc41c1fb342b8f/1.html" "http://www.moko.cc/subscribe/【我用爬虫爬到的】/1.html" ]
引入必备模块
# -*- coding: UTF-8 -*- import requests #网络请求模块 import random #随机模块 import re #正则表达式模块 import time #时间模块 import threading #线程模块 import pymongo as pm #mongodb模块
接下来,我们需要准备一个通用函数模拟UserAgent做一个简单的反爬处理
class Config(): def getHeaders(self): user_agent_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" ] UserAgent=random.choice(user_agent_list) headers = {"User-Agent": UserAgent} return headers
编写生产者的类和核心代码,Producer继承threading.Thread
#生产者 class Producer(threading.Thread): def run(self): print("线程启动...") headers = Config().getHeaders() if __name__ == "__main__": p = Producer() p.start()
测试运行,一下,看是否可以启动
[linuxboy@bogon moocspider]$ python3 demo.py 线程启动... {"User-Agent": "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"} [linuxboy@bogon moocspider]$
如果上面的代码没有问题,接下来就是我们爬虫代码部分了,为了方便多线程之间的调用,我们还是创建一个共享变量在N个线程之间调用
# -*- coding: UTF-8 -*- import requests import random import re import time import threading import pymongo as pm # 获取连接 client = pm.MongoClient("localhost", 21111) # 端口号是数值型 # 连接目标数据库 db = client.moko # 数据库用户验证 db.authenticate("moko", "moko") urls = ["http://www.moko.cc/subscribe/chenhaoalex/1.html"] index = 0 #索引 g_lock = threading.Lock() #初始化一个锁 #生产者 class Producer(threading.Thread): def run(self): print("线程启动...") headers = Config().getHeaders() print(headers) global urls global index while True: g_lock.acquire() if len(urls)==0: g_lock.release() continue page_url = urls.pop() g_lock.release() #使用完成之后及时把锁给释放,方便其他线程使用 response = "" try: response = requests.get(page_url,headers=headers,timeout=5) except Exception as http: print("生产者异常") print(http) continue content = response.text rc = re.compile(r"") follows = rc.findall(content) print(follows) fo_url = [] threading_links_2 = [] for u in follows: this_url = "http://www.moko.cc/subscribe/%s/1.html" % u g_lock.acquire() index += 1 g_lock.release() fo_url.append({"index":index,"link":this_url}) threading_links_2.append(this_url) g_lock.acquire() urls += threading_links_2 g_lock.release() print(fo_url) try: db.text.insert_many(fo_url,ordered=False ) except: continue if __name__ == "__main__": p = Producer() p.start()
上面代码除了基本操作以外,我做了一些细小的处理
现在说明如下
fo_url.append({"index":index,"link":this_url})
这部分代码,是为了消费者使用时候,方便进行查找并且删除操作而特意改造的,增加了一个字段index作为标识
第二个部分,插入数据的时候,我进行了批量的操作使用的是insert_many函数,并且关键的地方,我增加了一个ordered=False的操作,这个地方大家可以自行研究一下,我的目的是去掉重复数据,默认情况下insert_many函数如果碰到数据重复,并且在mongodb中创建了索引==创建索引的办法,大家自行翻阅文章上面==,那么是无法插入的,但是这样子会插入一部分,只把重复的地方略过,非常方便。
关于pymongo的使用,大家可以参考官网手册
这个是 pymongo的官方教程
http://api.mongodb.com/python...
MongoDB的手册大家也可以参考
https://docs.mongodb.com/manu...
db.text.insert_many(fo_url,ordered=False )
我们链接上MongoDB数据库,查询一下我们刚刚插入的数据
> show collections col links text > db.text moko.text > db.text.find() { "_id" : ObjectId("5b1789e0c3666e642364a70b"), "index" : 1, "link" : "http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html" } { "_id" : ObjectId("5b1789e0c3666e642364a70c"), "index" : 2, "link" : "http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html" } ....... { "_id" : ObjectId("5b1789e0c3666e642364a71e"), "index" : 20, "link" : "http://www.moko.cc/subscribe/8c1e4c738e654aad85903572f9090adb/1.html" } Type "it" for more
其实上面代码,有一个非常严重的BUG,就是当我们实际操作的时候,发现,我们每次获取到的都是我们使用this_url = "http://www.moko.cc/subscribe/%s/1.html" % u 进行拼接的结果。
也就是说,我们获取到的永远都是第1页。这个按照我们之前设计的就不符合逻辑了,
我们还要获取到分页的内容,那么这个地方需要做一个简单的判断,就是下面的逻辑了。
==如果完整代码,大家不知道如何观看,可以直接翻阅到文章底部,有对应的github链接==
#如果是第一页,那么需要判断一下 #print(page_url) is_home =re.search(r"(d*?).html",page_url).group(1) if is_home == str(1): pages = re.findall(r"onfocus="this.blur()">(d*?)<",content,re.S) #获取总页数 page_size = 1 if pages: page_size = int(max(pages)) #获取最大页数 if page_size > 1: #如果最大页数大于1,那么获取所有的页面 url_arr = [] threading_links_1 = [] for page in range(2,page_size+1): url = re.sub(r"(d*?).html",str(page)+".html",page_url) threading_links_1.append(url) g_lock.acquire() index += 1 g_lock.release() url_arr.append({ "index":index, "link": url}) g_lock.acquire() urls += threading_links_1 # URL数据添加 g_lock.release() try: db.text.insert_many(url_arr,ordered=False ) except Exception as e: print("数据库输入异常") print (e) continue else: pass else: pass
截止到现在为止,其实你已经实现了链接的生产者了 。
我们在MongoDB中生成了一堆链接,接下来就是使用阶段了。
使用起来也是非常简单。
我先给大家看一个比较复杂的正则表达式爬虫写的好不好,正则表达式站很重要的比例哦~
divEditOperate_(?Pd*)["] .*>[sS]*? .*?(?P<级别>w*P).*(?P<是否认证>
[sS]*?
)?.*?相关文章
Python爬虫入门教程 3-100 美空网数据爬取
摘要:美空网数据简介从今天开始,我们尝试用篇博客的内容量,搞定一个网站叫做美空网网址为,这个网站我分析了一下,我们要爬取的图片在下面这个网址然后在去分析一下,我需要找到一个图片列表页面是最好的,作为一个勤劳的爬虫,我找到了这个页面列表页面被我找 1.美空网数据-简介 从今天开始,我们尝试用2篇博客的内容量,搞定一个网站叫做美空网网址为:http://www.moko.cc/, 这个网站我...
Python爬虫入门教程 3-100 美空网数据爬取
摘要:美空网数据简介从今天开始,我们尝试用篇博客的内容量,搞定一个网站叫做美空网网址为,这个网站我分析了一下,我们要爬取的图片在下面这个网址然后在去分析一下,我需要找到一个图片列表页面是最好的,作为一个勤劳的爬虫,我找到了这个页面列表页面被我找 1.美空网数据-简介 从今天开始,我们尝试用2篇博客的内容量,搞定一个网站叫做美空网网址为:http://www.moko.cc/, 这个网站我...
Python爬虫入门教程 4-100 美空网未登录图片爬取
摘要:爬虫分析首先,我们已经爬取到了多的用户个人主页,我通过链接拼接获取到了在这个页面中,咱们要找几个核心的关键点,发现平面拍摄点击进入的是图片列表页面。 简介 上一篇写的时间有点长了,接下来继续把美空网的爬虫写完,这套教程中编写的爬虫在实际的工作中可能并不能给你增加多少有价值的技术点,因为它只是一套入门的教程,老鸟你自动绕过就可以了,或者带带我也行。 爬虫分析 首先,我们已经爬取到了N多的...
发表评论
0条评论
阅读 3842·2021-09-27 13:36
阅读 4319·2021-09-22 15:12
阅读 3032·2021-09-13 10:29
阅读 1792·2021-09-10 10:50
阅读 2318·2021-09-03 10:43
阅读 478·2019-08-29 17:10
阅读 413·2019-08-26 13:52
阅读 3175·2019-08-23 14:37