馬上又要到元旦了，在舉國一片“買買買”的呼聲中，單身汪的咆哮聲也愈發淒厲了。

作為一個 Python 程式設計師，要如何找到小姐姐，避開暴擊傷害，在智中取勝呢？於是就有了以下的對話：

so~今天我們的目標是，爬社群的小姐姐~而且，我們又要用到新的姿勢(霧)了~scrapy 爬蟲框架~學習資料也可以加下Python扣扣裙：3零4零5零799自己下載學習下

本文主要講 scrapy 框架的原理和使用，建議至少在理解掌握 Python 爬蟲原理後再使用框架(不要問我為什麼，我哭給你看)。

scrapy 原理

在寫過幾個爬蟲程式之後，我們就會知道，利用爬蟲獲取資料大概的步驟：

請求網頁。

獲取網頁。

匹配資訊。

下載資料。

資料清洗。

存入資料庫。

scrapy 是一個很有名的爬蟲框架，可以很方便的進行網頁資訊爬取。那麼 scrapy 到底是如何工作的呢？之前在網上看了不少 scrapy 入門的教程，大多數入門教程都配有這張圖。

也不知道是這張圖實在太經典了，還是程式設計師們都懶得畫圖，我第一次看到這個圖的時候，心情是這樣的。

經過了一番深入的理解，大概知道這幅圖的意思，讓我來舉個栗子(是的，我又要舉奇怪的栗子了)：

scrapy 原理圖之我要吃好吃的

當我們想吃東西的時候，我們會出門，走到街上，尋找一家想吃的店，然後點餐，服務員再通知廚房去做，最後菜到餐桌上，或者被打包帶走。這就是爬蟲程式在做的事，它要將所有獲取資料需要進行的操作，都寫好。

而 scrapy 就像一個點餐 APP 一般的存在，在訂餐列表(spiders)選取自己目標餐廳裡想吃的菜(items)，在收貨(pipeline)處寫上自己的收貨地址(儲存方式)。

點餐系統(scrapy engine)會根據訂餐情況要求商鋪(Internet)的廚房(download)將菜做好，由於會產生多個外賣取貨訂單(request)，系統會根據派單(schedule)分配外賣小哥從廚房取貨(request)和送貨(response)。說著說著我都餓了。。。。

什麼意思呢？在使用 scrapy 時，我們只需要設定 spiders(想要爬取的內容)，pipeline(資料的清洗，資料的儲存方式)，還有一個 middlewares，是各功能間對接時的一些設定，就可以不用操心其他的過程，一切交給 scrapy模組來完成。

建立 scrapy 工程

安裝 scrapy 之後，建立一個新專案：

$ scrapy startproject zhihuxjj

我用的是 pycharm 編譯器，在 spiders 檔案下建立 zhihuxjj.py。

在 zhihuxjj.py 這個檔案中，我們要編寫我們的爬取規則。

爬取規則制定(spider)

建立好了專案，讓我們來看一下我們要吃的店和菜…哦不，要爬的網站和資料。

我選用了知乎作為爬取平臺，知乎是沒有使用者從 1 到 n 的序列 id 的，每個人可以設定自己的個人主頁 id，且為唯一。

所以採選了一枚種子使用者，爬取他的關注者，也可以關注者和粉絲一起爬，考慮到粉絲中有些三無使用者，我僅選擇了爬取關注者列表，再通過關注者主頁爬取關注者的關注者，如此遞迴。

對於程式的設計，是這樣的。

之後就是種子使用者的個人主頁，知乎粉絲多的大 V 很多，但是關注多的人就比較難發現了，這裡我選擇了知乎的黃繼新，聯合創始人，想必關注了不少優質使用者(???)?。

分析一下個人主頁可知，個人主頁由'https://www.zhihu.com/people/' + 使用者 id 組成。

我們要獲取的資訊是用 callback 回撥函式(敲黑板！！劃重點！！)的方式設計，這裡一共設計了倆個回撥函式：使用者的關注列表和關注者的個人資訊。

使用 chrome 瀏覽器檢視上圖的頁面可知獲取關注列表的 url，以及關注者的使用者 id。

將滑鼠放在使用者名稱上，如下圖：

可以獲得個人使用者資訊的 url，分析 url 可知：

關注者列表連結構成：'https://www.zhihu.com/api/v4/members/' + '使用者id' + '/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20' 個人資訊連結構成：'https://www.zhihu.com/api/v4/members/' + '使用者id' + '?include=allow_message%2Cis_followed%2Cis_following%2Cis_org%2Cis_blocking%2Cemployments%2Canswer_count%2Cfollower_count%2Carticles_count%2Cgender%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics'

so，我們在上一節中建立的 zhihuxjj.py 檔案中寫入以下程式碼：

import json from zhihuxjj.items import ZhihuxjjItem from scrapy import Spider,Request class ZhihuxjjSpider(Spider): name='zhihuxjj' #scrapy用於區別其他spider的名字，具有唯一性。 allowed_domains = ["www.zhihu.com"] #爬取範圍 start_urls = ["https://www.zhihu.com/"] start_user = "jixin" followees_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset={offset}&limit=20' #關注列表網址 user_url = 'https://www.zhihu.com/api/v4/members/{user}?include=locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,avatar_hue,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics' #個人資訊連結 def start_requests(self): yield Request(self.followees_url.format(user=self.start_user,offset=0),callback=self.parse_fo) #回撥種子使用者的關注列表 yield Request(self.user_url.format(user=self.start_user,include = self.user_include),callback=self.parse_user) #回撥種子使用者的個人資訊 def parse_user(self, response): result = json.loads(response.text) print(result) item = ZhihuxjjItem() item['user_name'] = result['name'] item['sex'] = result['gender'] # gender為1是男，0是女，-1是未設定 item['user_sign'] = result['headline'] item['user_avatar'] = result['avatar_url_template'].format(size='xl') item['user_url'] = 'https://www.zhihu.com/people/' + result['url_token'] if len(result['locations']): item['user_add'] = result['locations'][0]['name'] else: item['user_add'] = '' yield item def parse_fo(self, response): results = json.loads(response.text) for result in results['data']: yield Request(self.user_url.format(user=result['url_token'], include=self.user_include),callback=self.parse_user) yield Request(self.followees_url.format(user=result['url_token'], offset=0),callback=self.parse_fo) # 對關注者的關注者進行遍歷，爬取深度depth+=1 if results['paging']['is_end'] is False: #關注列表頁是否為尾頁 next_url = results['paging']['next'].replace('http','https') yield Request(next_url,callback=self.parse_fo) else: pass

這裡需要劃重點的是 yield 的用法，以及 item['name']，將爬取結果賦值給 item，就是告訴系統，這是我們要選的菜…啊呸…要爬的目標資料。

設定其他資訊

在 items.py 檔案中，按照 spider 中設定的目標資料 item，新增對應的程式碼。

import scrapy class ZhihuxjjItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() user_name = scrapy.Field() sex = scrapy.Field() user_sign = scrapy.Field() user_url = scrapy.Field() user_avatar = scrapy.Field() user_add = scrapy.Field() pass

在 pipeline.py 中新增存入資料庫的程式碼：

import pymysql def dbHandle(): conn = pymysql.connect( host='localhost', user='root', passwd='資料庫密碼', charset='utf8', use_unicode=False ) return conn class ZhihuxjjPipeline(object): def process_item(self, item, spider): dbObject = dbHandle() # 寫入資料庫 cursor = dbObject.cursor() sql = "insert into xiaojiejie.zhihu(user_name,sex,user_sign,user_avatar,user_url,user_add) values(%s,%s,%s,%s,%s,%s)" param = (item['user_name'],item['sex'],item['user_sign'],item['user_avatar'],item['user_url'],item['user_add']) try: cursor.execute(sql, param) dbObject.commit() except Exception as e: print(e) dbObject.rollback() return item

因為使用了 pipeline.py，所以我們還需要在 setting.py 檔案中，將 ITEM_PIPELINE 註釋解除，這裡起到連線兩個檔案的作用。

到這裡，基本就都設定好了，程式基本上就可以跑了。

不過因為 scrapy 是遵循robots.txt法則的，所以讓我們來觀察一下知乎的法則：https://www.zhihu.com/robots.txt

emmmmmmm，看完法則了嗎，很好，然後我們在setting.py中，將ROBOTSTXT_OBEY 改成 False。

好像…還忘了點什麼，對了，忘記設定 headers 了。

通用的設定 headers 的方法同樣是在 setting.py 檔案中，將 DEFAULTREQUESTHEADERS 的程式碼註釋狀態取消，並設定模擬瀏覽器頭。

知乎是要模擬登入的，如果使用遊客方式登入，就需要新增 authorization，至於這個 authorization 是如何獲取的，我，就，不，告，訴，你......

DEFAULT_REQUEST_HEADERS = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36", 'authorization': 'oauth c3cef7c66a1843f8b3a9e6a1e3160e20' }

為了減少伺服器壓力&防止被封，解除 DOWNLOAD_DELAY 註釋狀態，這時設定下載延遲，將下載延遲設為 3(robots 法則裡要求是 10，但 10 實在太慢了_(:зゝ∠)知乎的程式設計師小哥哥看不見這句話看不見這句話…

寫到這裡你會發現，很多我們需要進行的操作，scrapy 都已經寫好了，只需要將註釋去掉，再稍作修改，就可以實現功能了。scrapy 框架還有很多功能，可以閱讀官方文件瞭解。

執行scrapy檔案

寫好 scrapy 程式後，我們可以在終端輸入。

$ scrapy crawl zhihuxjj

執行檔案，但也可以在資料夾中新增 main.py，並新增以下程式碼。

然後直接用 pycharm 執行 main.py 檔案即可，然後我們就可以愉快的爬知乎使用者啦~(小姐姐我來啦~）

查詢小姐姐

經過了 X 天的執行，_(:зゝ∠)_爬到了 7w 條使用者資料，爬取深度 5。(這爬取速度讓我覺得有必要上分散式爬蟲了…這個改天再嘮)

有了資料我們就可以選擇，同城市的使用者進行研究了……先國際慣例的分析一下資料。

知乎使用者性別分佈

在 7w 使用者中，明顯男性超過了半數，標明自己是女性的使用者只佔了 30% 左右，還有一部分沒有註明性別，優質的小姐姐還是稀缺資源呀~

再來看看小姐姐們都在哪個城市。(從 7w 使用者中篩選出性別女且地址資訊不為空的使用者)

知乎女性使用者位置分佈

看來小姐姐們還是集中在北上廣深杭的，所以想發現優質小姐姐的男孩紙們還是要向一線看齊啊，當然也不排除在二三線的小姐姐們沒有標記出自己的地理位置。

emmmmm……這次的分析，就到此為止，你們可以去撩小姐姐們了。

研究小姐姐

意不意外？開不開心？這裡還有一章。正所謂，授之以魚，不如授之以漁；撒了心靈雞湯，還得加一隻心靈雞腿；找到了小姐姐，我們還要了解小姐姐…………

讓我再舉個栗子~來研究一個小姐姐。(知乎名：動次，已獲取小姐姐授權作為示例。)

知乎使用者：動次

讓我們來爬一下她的動態，chrome 右鍵檢查翻 network 這些套路我就不說了，直接講研究目標。

贊同的答案和文章(瞭解小姐姐的興趣點)

釋出的答案和文章(瞭解小姐姐的世界觀、人生觀、價值觀)

關注的問題和收藏夾(瞭解小姐姐需求)

提出的問題(瞭解小姐姐的疑惑)

程式碼也不貼了，會放在 GitHub 的，來看一下輸出。

研究動次的結果輸出

因為你乎風格，所以對停用詞進行了一些加工，添加了“如何”、“看待”、“體驗”等詞語，得到了小姐姐回答問題的詞頻。小姐姐的回答裡出現了喜歡、朋友、爺爺等詞語。學習資料也可以加下Python扣扣裙：3零4零5零799自己下載學習下

動次回答問題的詞頻

還有！！在關注、贊同和輸出中，都有的詞(?ω?)。(是不是可以靠美味捕獲小姐姐呢……

再來一張劉看山背景的，答題詞雲。

動次的回答問題詞雲

後記

本文涉及專案會持續更新，會將研究物件拓展至各平臺，並進行後續優化，有興趣的盆友可以關注 GitHub 專案。

結尾引用知乎使用者陳壯壯在《當你追求女生時，你們聊些什麼？》的回答。(因為窮我就不申請轉載了你們自己點進去看吧(?﹏?)，你們只要知道我有顆帶你們撩妹的心就行了)