2. 程式人生 > >Python爬蟲入門教程 3-100 美空網數據爬取

Python爬蟲入門教程 3-100 美空網數據爬取

阿新 • • 發佈：2018-12-14
個數 exception 意思 消費 時間模塊 intel insert -o switch

簡介

從今天開始，我們嘗試用2篇博客的內容量，搞定一個網站叫做“美空網”網址為：http://www.moko.cc/， 這個網站我分析了一下，我們要爬取的圖片在 下面這個網址

http://www.moko.cc/post/1302075.html

然後在去分析一下，我需要找到一個圖片列表頁面是最好的，作為一個勤勞的爬蟲coder，我找到了這個頁面

http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html

列表頁面被我找到了，貌似沒有分頁，這就簡單多了，但是剛想要爬，就翻車了，我發現一個嚴重的問題。

http://www.moko.cc/post/==da39db43246047c79dcaef44c201492d==/list.html

我要做的是一個自動化的爬蟲，但是我發現，出問題了，上面那個黃色背景的位置是啥？

ID，昵稱，個性首頁，這個必須要搞定。

我接下來隨機的找了一些圖片列表頁，試圖找到規律到底是啥？

  1. http://www.moko.cc/post/978c74a0375f4edca114e87b0a45a0b5/list.html
  2. http://www.moko.cc/post/jundayi/list.html
  3. http://www.moko.cc/post/slavik/list.html
  4. ......

沒什麽問題，發現規律了

http://www.moko.cc/post/==個性昵稱(中文昵稱是一個加密的串)==/list.html

這就有點意思了，我要是能找到盡量多的昵稱，不就能拼接出來我想要得所有地址了嗎

開幹！！！

手段，全站亂點，找入口，找切入點，找是否有API

.... .... 結果沒找著

下面的一些備選方案

趴這個頁面，發現只有 20頁 http://www.moko.cc/channels/post/23/1.html

每頁48個模特，20頁。那麽也才960人啊，完全覆蓋不到盡可能多的用戶。

接著又找到

http://www.moko.cc/catalog/index.html 這個頁面

確認了一下眼神，以為發現問題了，結果

技術分享圖片

哎呀，還麽有權限，誰有權限，可以跟我交流一下，一時激動，差點去下載他們的APP，然後進行抓包去。

上面兩條路，都不好弄，接下來繼續找路子。

無意中，我看到了一絲曙光

技術分享圖片

關註名單，點進去

技術分享圖片

哈哈哈，OK了，這不就是，我要找到的東西嗎？

不多說了，爬蟲走起，測試一下他是否有反扒機制。

我找到了一個關註的人比較多的頁面，1500多個人

http://www.moko.cc/subscribe/chenhaoalex/1.html

然後又是一波分析操作

爬蟲數據存儲

確定了爬蟲的目標，接下來，我做了兩件事情，看一下，是否對你也有幫助

  1. 確定數據存儲在哪裏？最後我選擇了MongoDB
  2. 用正則表達式去分析網頁數據

對此，我們需要安裝一下MongoDB，安裝的辦法肯定是官網教程啦！

https://docs.mongodb.com/master/tutorial/install-mongodb-on-red-hat/

如果官方文檔沒有幫助你安裝成功。

那麽我推薦下面這篇博客

https://www.cnblogs.com/hackyo/p/7967170.html

安裝MongoDB出現如下結果

技術分享圖片

恭喜你安裝成功了。

接下來，你要學習的是 關於mongodb用戶權限的管理

http://www.cnblogs.com/shiyiwen/p/5552750.html

mongodb索引的創建

https://blog.csdn.net/salmonellavaccine/article/details/53907535

別問為啥我不重新寫一遍，懶唄~~~ 況且這些資料太多了，互聯網大把大把的。

一些我經常用的mongdb的命令


鏈接 mongo --port <端口號>

選擇數據庫 use admin 

展示當前數據庫  db 

當前數據庫授權  db.auth("用戶名","密碼")

查看數據庫  show dbs

查看數據庫中的列名  show collections 

創建列  db.createCollection("列名")

創建索引 db.col.ensureIndex({"列名字":1},{"unique":true})

展示所有索引 db.col.getIndexes()

刪除索引 db.col.dropIndex("索引名字")  

查找數據  db.列名.find()

查詢數據總條數  db.列名.find().count()

上面基本是我最常用的了，我們下面實際操作一把。

用Python鏈接MongoDB

使用 pip3 安裝pymongo庫

使用pymongo模塊連接mongoDB數據庫

一些準備工作

  1. 創建dm數據庫

    鏈接上mongodb 在終端使用命令 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
>
  1. 配置用戶權限：接著上面輸入命令 show dbs 查看權限

技術分享圖片

權限不足

  1. 創建管理用戶
db.createUser({user: "userAdmin",pwd: "123456", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } )
  1. 授權用戶
db.auth("userAdmin","123456")
  1. 查看權限
> db.auth("userAdmin","123456")
1
> show dbs
admin   0.000GB
config  0.000GB
local   0.000GB
moko    0.013GB
test    0.000GB
>
  1. 接下來創建 dm數據庫<在這之前還需要創建一個讀寫用戶>
> 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"
        }
    ]
}
>
  1. 重新授權
db.auth("dba","dba")
  1. 創建一列數據
> db.createCollection("demo")
{ "ok" : 1 }
> db.collections
dm.collections
> show collections
demo
>
  1. Python實現插入操作
import pymongo as pm  #確保你已經安裝過pymongo了

 # 獲取連接
client = pm.MongoClient(‘localhost‘, 21111)  # 端口號是數值型

# 連接目標數據庫
db = client.dm

# 數據庫用戶驗證
db.authenticate("dba", "dba")
post = {
        "id": "111111",
        "level": "MVP",
        "real":1,
        "profile": ‘111‘,
        ‘thumb‘:‘2222‘,
        ‘nikename‘:‘222‘,
        ‘follows‘:20
}

db.col.insert_one(post) # 插入單個文檔

# 打印集合第1條記錄
print (db.col.find_one())
  1. 編譯執行
[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，我們到現在為止，實現了mongodb的插入問題。

用Python 爬取關註對象

首先，我需要創造一個不斷抓取鏈接的類

這個類做的事情，就是分析

http://www.moko.cc/subscribe/chenhaoalex/1.html

這個頁面，總共有多少頁，然後生成鏈接

技術分享圖片

抓取頁面中的總頁數為77

技術分享圖片

正則表達式如下

onfocus=\"this\.blur\(\)\">(\d*?)<

在這裏，由所有的分頁都一樣，所以，我匹配了全部的頁碼，然後計算了數組中的最大值

#獲取頁碼數組
pages = re.findall(r‘onfocus=\"this\.blur\(\)\">(\d*?)<‘,content,re.S)   #獲取總頁數
page_size = 1
if pages:  #如果數組不為空
    page_size = int(max(pages))   #獲取最大頁數

接下來就是我們要搞定的生產者編碼階段了，我們需要打造一個不斷獲取連接的爬蟲

簡單的說就是

我們需要一個爬蟲，不斷的去爬取

http://www.moko.cc/subscribe/chenhaoalex/1.html 這個頁面中所有的用戶，並且還要爬取到總頁數。

比如查看上述頁面中,我們要獲取的關鍵點如下

技術分享圖片

通過這個頁面，我們要得到，這樣子的一個數組，註意下面數組中有個位置【我用爬蟲爬到的】這個就是關鍵的地方了

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/【我用爬蟲爬到的】/1.html"
    
    
    ]

引入必備模塊

# -*- coding: UTF-8 -*-
import requests   #網絡請求模塊
import random     #隨機模塊
import re         #正則表達式模塊
import time       #時間模塊
import threading  #線程模塊
import pymongo as pm   #mongodb模塊

接下來，我們需要準備一個通用函數模擬UserAgent做一個簡單的反爬處理

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

編寫生產者的類和核心代碼,Producer繼承threading.Thread

#生產者
class Producer(threading.Thread):
    
    def run(self):
        print("線程啟動...")
        headers = Config().getHeaders()

if __name__ == "__main__":
    p = Producer()
    p.start()

測試運行，一下，看是否可以啟動

[linuxboy@bogon moocspider]$ python3 demo.py
線程啟動...
{‘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]$

如果上面的代碼沒有問題，接下來就是我們爬蟲代碼部分了，為了方便多線程之間的調用，我們還是創建一個共享變量在N個線程之間調用

# -*- coding: UTF-8 -*-
import requests
import random
import re
import time
import threading
import pymongo as pm

 # 獲取連接
client = pm.MongoClient(‘localhost‘, 21111)  # 端口號是數值型

# 連接目標數據庫
db = client.moko

# 數據庫用戶驗證
db.authenticate("moko", "moko")

urls = ["http://www.moko.cc/subscribe/chenhaoalex/1.html"]
index = 0   #索引
g_lock = threading.Lock()  #初始化一個鎖  



#生產者
class Producer(threading.Thread):
    
    def run(self):
        print("線程啟動...")
        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() #使用完成之後及時把鎖給釋放，方便其他線程使用
            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("生產者異常")
                print(http)
                continue       
            content = response.text 
            
            rc = re.compile(r‘<a class=\"imgBorder\" href=\"\/(.*?)\" hidefocus=\"true\">‘)
            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()

上面代碼除了基本操作以外，我做了一些細小的處理

現在說明如下

fo_url.append({"index":index,"link":this_url})

這部分代碼，是為了消費者使用時候，方便進行查找並且刪除操作而特意改造的，增加了一個字段index作為標識

第二個部分，插入數據的時候，我進行了批量的操作使用的是insert_many函數，並且關鍵的地方，我增加了一個ordered=False的操作，這個地方大家可以自行研究一下，我的目的是去掉重復數據，默認情況下insert_many函數如果碰到數據重復，並且在mongodb中創建了索引==創建索引的辦法，大家自行翻閱文章上面==，那麽是無法插入的，但是這樣子會插入一部分，只把重復的地方略過，非常方便。

關於pymongo的使用，大家可以參考官網手冊

這個是 pymongo的官方教程

http://api.mongodb.com/python/current/api/pymongo/collection.html?highlight=insert_many#pymongo.collection.Collection.insert_many

MongoDB的手冊大家也可以參考

https://docs.mongodb.com/manual/reference/method/db.collection.insertMany/

 db.text.insert_many(fo_url,ordered=False )

我們鏈接上MongoDB數據庫，查詢一下我們剛剛插入的數據


> 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

其實上面代碼，有一個非常嚴重的BUG，就是當我們實際操作的時候，發現，我們每次獲取到的都是我們使用this_url = "http://www.moko.cc/subscribe/%s/1.html" % u 進行拼接的結果。

也就是說，我們獲取到的永遠都是第1頁。這個按照我們之前設計的就不符合邏輯了，

我們還要獲取到分頁的內容，那麽這個地方需要做一個簡單的判斷，就是下面的邏輯了。

==如果完整代碼，大家不知道如何觀看，可以直接翻閱到文章底部，有對應的github鏈接==

#如果是第一頁，那麽需要判斷一下
#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)   #獲取總頁數
    page_size = 1
    if pages:
        page_size = int(max(pages))   #獲取最大頁數
        if page_size > 1:   #如果最大頁數大於1，那麽獲取所有的頁面
            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數據添加
            g_lock.release()
            try:
                db.text.insert_many(url_arr,ordered=False )
            except Exception as e:
                print("數據庫輸入異常")
                print (e)
                continue
            
        else:
            pass
    else:
            pass

截止到現在為止，其實你已經實現了鏈接的生產者了 。

我們在MongoDB中生成了一堆鏈接，接下來就是使用階段了。

使用起來也是非常簡單。

我先給大家看一個比較復雜的正則表達式爬蟲寫的好不好，正則表達式站很重要的比例哦~

divEditOperate_(?P<ID>\d*)[\"] .*>[\s\S]*?<p class=\"state\">.*?(?P<級別>\w*P).*</span></span>(?P<是否認證><br/>)?.*?</p>[\s\S]*?<div class=\"info clearfix\">[\s\S]*?<a class=\"imgBorder\" href=\"\/(?P<主頁>.*?)\" hidefocus=\"true\">[\s\S]*?<img .*?src=\"(?P<頭像>.*?)\".*?alt=\".*?\" title=\"(?P<昵稱>.*?)\" />[\s\S]*?<p class=\"font12 lesserColor\">(?P<地點>.*?)&nbsp.*?<span class=\"font12 mainColor\">(?P<粉絲數目>\d*?)</span>

上面這個正則表達式，就是我為

http://www.moko.cc/subscribe/chenhaoalex/1.html

這個頁面專門準備的。

這樣子，我就可以直接獲取到我想要的所有數據了。

技術分享圖片

消費者的代碼如下

get_index = 0
#消費者類
class Consumer(threading.Thread):
    
    def run(self):
        headers = Config().getHeaders()

        global get_index 
        while True:
            
            g_lock.acquire() 
            get_index += 1
            g_lock.release()
            #從剛才數據存儲的列裏面獲取一條數據，這裏用到find_one_and_delete方法
            #get_index 需要聲明成全局的變量
            link = db.links.find_one_and_delete({"index":get_index})
            page_url = ""
            if link:
                page_url = link["link"]
                print(page_url+">>>網頁分析中...")
            else:
                continue

            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("消費者有異常")
                print(http)
                continue
            
            content = response.text 
            rc = re.compile(r‘divEditOperate_(?P<ID>\d*)[\"] .*>[\s\S]*?<p class=\"state\">.*?(?P<級別>\w*P).*</span></span>(?P<是否認證><br/>)?.*?</p>[\s\S]*?<div class=\"info clearfix\">[\s\S]*?<a class=\"imgBorder\" href=\"\/(?P<主頁>.*?)\" hidefocus=\"true\">[\s\S]*?<img .*?src=\"(?P<頭像>.*?)\".*?alt=\".*?\" title=\"(?P<昵稱>.*?)\" />[\s\S]*?<p class=\"font12 lesserColor\">(?P<地點>.*?)&nbsp.*?<span class=\"font12 mainColor\">(?P<粉絲數目>\d*?)</span>‘)
            user_info = rc.findall(content)
            print(">>>>>>>>>>>>>>>>>>>>")
            users = []
            for user in user_info:
                post = {
                    "id": user[0],
                    "level": user[1],
                    "real":user[2],
                    "profile": user[3],
                    ‘thumb‘:user[4],
                    ‘nikename‘:user[5],
                    ‘address‘:user[6],
                    ‘follows‘:user[7]
                }

                users.append(post)
            print(users)
           
            try:
                db.mkusers.insert_many(users,ordered=False )
            except Exception as e:
                print("數據庫輸入異常")
                print (e)
                continue

            time.sleep(1)

            print("<<<<<<<<<<<<<<<<<<<<")

當你使用python3 demo.py 編譯demo之後，屏幕滾動如下結果，那麽你成功了。

接下來就可以去數據庫查閱數據去了。

[linuxboy@bogon moocspider]$ python3 demo.py
線程啟動...
{‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3‘}
http://www.moko.cc/subscribe/chenhaoalex/2.html>>>網頁分析中...
[‘dde760d5dd6a4413aacb91d1b1d76721‘, ‘3cc82db2231a4449aaa97ed8016b917a‘, ‘a1835464ad874eec92ccbb31841a7590‘, ‘c9ba6a47a246494398d4e26c1e0b7e54‘, ‘902fe175e668417788a4fb5d4de7ab99‘, ‘dcb8f11265594f17b821a6d90caf96a7‘, ‘7ea0a96621eb4ed99c9c642936559c94‘, ‘d45c1e3069c24152abdc41c1fb342b8f‘, ‘chenyiqiu‘, ‘798522844‘, ‘MEERILLES‘, ‘ddfd9e1f7dca4cffb2430caebd2494f8‘, ‘d19cbd37c87e400e9da42e159560649b‘, ‘ac07e7fbfde14922bb1d0246b9e4374d‘, ‘05abc72ac7bb4f738f73028fed17ac23‘, ‘hanzhuoer‘, ‘e12e15aaee654b8aa9f528215bc3294c‘, ‘3b6d8dc6fd814789bd484f393b5c9fa8‘, ‘83256b93a2f94f449ab75c730cb80a7b‘, ‘8c1e4c738e654aad85903572f9090adb‘]
[{‘index‘: 77, ‘link‘: ‘http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html‘}, {‘index‘: 78, ‘link‘: ‘http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html‘}, {‘index‘: 79, ‘link‘: ‘http://www.moko.cc/subscribe/a1835464ad874eec92ccbb31841a7590/1.html‘}, {‘index‘: 80, ‘link‘: ‘http://www.moko.cc/subscribe/c9ba6a47a246494398d4e26c1e0b7e54/1.html‘}, {]
>>>>>>>>>>>>>>>>>>>>
[{‘id‘: ‘3533155‘, ‘level‘: ‘MP‘, ‘real‘: ‘‘, ‘profile‘: ‘b1a7e76455cc4ca4b81ed800ab68b308‘, ‘thumb‘: ‘http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg‘, ‘nikename‘: ‘模特九九‘, ‘address‘: ‘大連‘, ‘follows‘: ‘10‘}, {‘id‘: ‘3189865‘, ‘level‘: ‘VIP‘, ‘real‘: ‘‘, ‘profile‘: ‘cfdf1482a9034f65a60bc6a1cf8d6a02‘, ‘thumb‘: ‘http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg‘, ‘nikename‘: ‘何應77‘, ‘address‘: ‘杭州‘, ‘follows‘: ‘219‘}, {‘id‘: ‘14886‘, ‘level‘: ‘VIP‘, ‘real‘: ‘<br/>‘, ‘profile‘: ‘cndp‘, ‘thumb‘: ‘http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg‘, ‘nikename‘: ‘多拍PGirl‘, ‘address‘: ‘北京‘, ‘follows‘: ‘2331‘}, {‘id‘: ‘3539257‘, ‘level‘: ‘MP‘, ‘real‘: ‘<br/>‘, ‘profile‘: ‘605c8fb2824049aa841f21858a7fd142‘, ‘thumb‘: ‘http://img.mb.moko.cc/2018-02‘:

記得處理數據的時候去掉重復值

>show collections
col
links
mkusers
text
> db.mkusers.find()
{ "_id" : ObjectId("5b17931ec3666e6eff3953bc"), "id" : "3533155", "level" : "MP", "real" : "", "profile" : "b1a7e76455cc4ca4b81ed800ab68b308", "thumb" : "http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg", "nikename" : "模特九九", "address" : "大連", "follows" : "10" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953bd"), "id" : "3189865", "level" : "VIP", "real" : "", "profile" : "cfdf1482a9034f65a60bc6a1cf8d6a02", "thumb" : "http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg", "nikename" : "何應77", "address" : "杭州", "follows" : "219" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953be"), "id" : "14886", "level" : "VIP", "real" : "<br/>", "profile" : "cndp", "thumb" : "http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg", "nikename" : "多拍PGirl", "address" : "北京", "follows" : "2331" }
{ "_

最後一步，如果你想要把效率提高，修改線程就好了

if __name__ == "__main__":

    for i in range(5):
        p = Producer()
        p.start()

    for i in range(7):
        c = Consumer()
        c.start()

經過3個小時的爬取，我獲取了70000多美空的用戶ID，原則上，你可以獲取到所有的被關註者的，不過這些數據對我們測試來說，已經足夠使用。

代碼github地址： https://github.com/wangdezhen/mokospider.git

Python爬蟲入門教程 3-100 美空網數據爬取

相關推薦

Python爬蟲入門教程 3-100 美空網數據爬取

個數 exception 意思 消費 時間模塊 intel insert -o switch 簡介 從今天開始，我們嘗試用2篇博客的內容量，搞定一個網站叫做“美空網”網址為：http://www.moko.cc/， 這個網站我分析了一下，我們要爬取的圖片在 下面這個網址

Python爬蟲入門教程 3-100 美空網資料爬取

簡介 從今天開始，我們嘗試用2篇部落格的內容量，搞定一個網站叫做“美空網”網址為：http://www.moko.cc/， 這個網站我分析了一下，我們要爬取的圖片在 下面這個網址 http://www.moko.cc/post/1302075.html 然後在去分析一下，我需要找到一個圖片列表

Python爬蟲入門教程 4-100 美空網未登入圖片爬取

簡介 上一篇寫的時間有點長了，接下來繼續把美空網的爬蟲寫完，這套教程中編寫的爬蟲在實際的工作中可能並不能給你增加多少有價值的技術點，因為它只是一套入門的教程，老鳥你自動繞過就可以了，或者帶帶我也行。 爬蟲分析 首先，我們已經爬取到了N多的使用者個人主頁，我通過連結拼接獲取到了 www.moko.cc/

Python爬蟲入門教程 4-100 美空網未登錄圖片爬取

表數 價值 圖片下載 開發 所有圖片 mpi focus .data data 簡介 上一篇寫的時間有點長了，接下來繼續把美空網的爬蟲寫完，這套教程中編寫的爬蟲在實際的工作中可能並不能給你增加多少有價值的技術點，因為它只是一套入門的教程，老鳥你自動繞過就可以了，或者帶帶我也

Python爬蟲入門教程 31-100 36氪(36kr)數據抓取 scrapy

published views lse format 後臺 get 速度 allow response 1. 36氪(36kr)數據----寫在前面 今天抓取一個新聞媒體，36kr的文章內容，也是為後面的數據分析做相應的準備的，預計在12月底，爬蟲大概寫到50篇案例的時刻，

Python爬蟲入門教程 15-100 石家莊政民互動資料爬取

寫在前面 今天，咱抓取一個網站，這個網站呢，涉及的內容就是 網友留言和回覆，特別簡單，但是網站是gov的。網址為 http://www.sjz.gov.cn/col/1490066682000/index.html 首先宣告，為了學習，絕無惡意抓取資訊，不管

Python爬蟲入門教程 12-100 半次元COS圖爬取

寫在前面 今天在瀏覽網站的時候，忽然一個莫名的連結指引著我跳轉到了半次元網站 https://bcy.net/ 開啟之後，發現也沒有什麼有意思的內容，職業的敏感讓我瞬間聯想到了 cosplay ，這種網站必然會有這個的存在啊，於是乎，我準備好我的大爬蟲了。 把上面的連結開啟之後

Python爬蟲入門教程 18-100 煎蛋網XXOO圖片抓取

寫在前面 很高興我這系列的文章寫道第18篇了，今天寫一個爬蟲愛好者特別喜歡的網站煎蛋網http://jandan.net/ooxx，這個網站其實還是有點意思的，網站很多人寫了N多的教程了，各種方式的都有，當然網站本身在爬蟲愛好者的不斷進攻下，也在不斷的完善，反爬措施也很多，今天我用selenium在揍他一波

Python爬蟲入門教程 12-100 二次元COS圖爬取

寫在前面 今天在瀏覽網站的時候，忽然一個莫名的連結指引著我跳轉到了半次元網站   https://bcy.net/ 開啟之後，發現也沒有什麼有意思的內容，職業的敏感讓我瞬間聯想到了 cosplay ，這種網站必然會有這個的存在啊，於是乎，我準備好我的大爬蟲了。

Python爬蟲入門教程 20-100 慕課網免費課程抓取

寫在前面 美好的一天又開始了，今天咱繼續爬取IT線上教育類網站，慕課網，這個平臺的資料量並不是很多，所以爬取起來還是比較簡單的 準備爬取 開啟我們要爬取的頁面，尋找分頁點和檢視是否是非同步載入的資料。 進行了一些相應的分析，發現並沒有非同步資料，只需要模擬翻頁就，在進行HTML的解析就可以獲取資料

Python爬蟲入門教程 10-100 圖蟲網多執行緒爬取

寫在前面 經歷了一頓噼裡啪啦的操作之後，終於我把部落格寫到了第10篇，後面，慢慢的會涉及到更多的爬蟲模組，有人問scrapy 啥時候開始用，這個我預計要在30篇以後了吧，後面的套路依舊慢節奏的，所以莫著急了，100篇呢，預計4~5個月寫完，常見的反反爬後面也會寫的，還有fuck login類的內容。

Python爬蟲入門教程 10-100 圖蟲網多線程爬取

全局變量 app str tlist img exception 父類 json urn 寫在前面 經歷了一頓劈裏啪啦的操作之後，終於我把博客寫到了第10篇，後面，慢慢的會涉及到更多的爬蟲模塊，有人問scrapy 啥時候開始用，這個我預計要在30篇以後了吧，後面的套路依舊慢

Python爬蟲入門教程 10-100 圖蟲網多執行緒爬取！

寫在前面 經歷了一頓噼裡啪啦的操作之後，終於我把部落格寫到了第10篇，後面，慢慢的會涉及到更多的爬蟲模組，有人問 scrapy 啥時候開始用，這個我預計要在30篇以後了吧，後面的套路依舊慢節奏的，所以莫著急了，100篇呢，預計4~5個月寫完，常見的反反爬後面也會寫的，還有fuck login類的

Python爬蟲入門教程 19-100 51CTO學院IT技術課程抓取

寫在前面 從今天開始的幾篇文章，我將就國內目前比較主流的一些線上學習平臺數據進行抓取，如果時間充足的情況下，會對他們進行一些簡單的分析，好了，平臺大概有51CTO學院，CSDN學院，網易雲課堂，慕課網等平臺，資料統一抓取到mongodb裡面，如果對上述平臺造成了困擾，請見諒，畢竟我就抓取那麼一小會的時間，不

Python爬蟲學習筆記（七）——智高考數據爬取

pid items bubuko strong eai res har href name 介紹 智高考是一個高考誌願網站，也是基於Ajax的。高中的時候我在wyz大神的幫忙下，嘗試過爬取信息來為填誌願做準備。但是當時沒有系統學習過爬蟲，幾乎都是靠大神帶飛，因此今天再次嘗試

Python爬蟲入門教程 2-100 妹子圖網站爬取

字典 註意 while import 我們 分鐘 基礎 便是 訪問 前言 從今天開始就要擼起袖子，直接寫Python爬蟲了，學習語言最好的辦法就是有目的的進行，所以，接下來我將用10+篇的博客，寫爬圖片這一件事情。希望可以做好。 為了寫好爬蟲，我們需要準備一個火狐瀏覽器，還

Python爬蟲入門教程 9-100 河北陽光理政投訴板塊

寫在前面 之前幾篇文章都是在寫圖片相關的爬蟲，今天寫個留言板爬出，為另一套資料分析案例的教程做做準備，作為一個河北人，遵紀守法，有事投訴是必備的技能，那麼咱看看我們大河北人都因為什麼投訴過呢？ 今天要爬取的網站地址 http://yglz.tousu.hebne

Python爬蟲入門教程 5-100 27270圖片爬取

retrying ont star 都是 ram emp ret afa else 獲取待爬取頁面 今天繼續爬取一個網站，http://www.27270.com/ent/meinvtupian/ 這個網站具備反爬，so我們下載的代碼有些地方處理的也不是很到位，大家重點

Python爬蟲入門教程 6-100 蜂鳥網圖片爬取之一

enter 第一步 {} status .... 一個 網站分析 except rep 1. 簡介 國慶假日結束了，新的工作又開始了，今天我們繼續爬取一個網站，這個網站為 http://image.fengniao.com/ ，蜂鳥一個攝影大牛聚集的地方，本教程請用來學習，

Python爬蟲入門教程 8-100 蜂鳥網圖片爬取之三

asyncio esp 分享圖片 0.10 結果 .text win int lang 啰嗦兩句 前幾天的教程內容量都比較大，今天寫一個相對簡單的，爬取的還是蜂鳥，依舊采用aiohttp 希望你喜歡爬取頁面https://tu.fengniao.com/15/ 本篇教程還