科技猎【实战视频教程】使用scrapy爬知乎live信息-36大数据
作者：邓旭东HIT
一、知乎Live抓包分析
打开知乎Live网址
https://www.zhihu.com/lives
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
https://api.zhihu.com/lives/homefeed?limit=10&offset=
{offset}&includes=live
只需要更改offset即可请求相应网址对应live信息
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
.png” />
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。
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » 【实战视频教程】使用scrapy爬知乎live信息
