Python爬蟲入門教程 16-100 500px攝影師社區抓取攝影師數據

寫在前面

今天要抓取的網站為 https://500px.me/ ，這是一個攝影社區，在一個攝影社區里面本來應該爬取的是圖片信息，可是我發現好像也沒啥有意思的，忽然覺得爬取一下這個網站的攝影師更好玩一些，所以就有了這篇文章的由來。

基於上面的目的，我找了了一個不錯的頁面 https://500px.me/community/search/user

不過細細分析之后，發現這個頁面並不能抓取到盡可能多的用戶，因為下拉一段時間，就不能繼續了，十分糟心，難道我止步於此了么，顯然不可能的，一番的努力之后(大概廢了1分鍾吧)，我找到了突破口，任意打開一個用戶的個人中心頁，就是點擊上述鏈接的任意用戶頭像，出現如下操作。

用戶個人中心頁面，竟然有關注列表唉~~，nice啊，這個好趴啊，F12分析一下。

噠噠噠，數據得到了。
URL是 https://500px.me/community/res/relation/4f7fe110d4e0b8a1fae0632b2358c8898/follow?startTime=&page=1&size=10&type=json

參數分別如下，實際測試發現size可以設置為100

https://500px.me/community/res/relation/{用戶ID}/follow?startTime=&page={頁碼}&size={每頁數據}&type=json

那么我們只需要這么做就可以了

1. 獲取關注總數
2. 關注總數除以100，循環得到所有的關注者(這個地方為什么用關注，不用粉絲，是因為被關注的人更加有價值)
   明確我們的目標之后，就可以開始寫代碼了。

擼代碼

基本操作，獲取網絡請求，之后解析頁面，取得關注總數。

用戶的起始，我選擇的id是5769e51a04209a9b9b6a8c1e656ff9566，你可以隨機選擇一個，只要他有關注名單，就可以。
導入模塊，這篇博客，用到了redis和mongo，所以相關的基礎知識，我建議你提前准備一下，否則看起來吃力。

import requests
import threading

from redis import StrictRedis
import pymongo

#########mongo部分#########################
DATABASE_IP = '127.0.0.1'
DATABASE_PORT = 27017
DATABASE_NAME = 'sun'
client = pymongo.MongoClient(DATABASE_IP,DATABASE_PORT)
db = client.sun
db.authenticate("dba", "dba")
collection = db.px500  # 准備插入數據

#########mongo部分#########################

#########redis部分#########################
redis = StrictRedis(host="localhost",port=6379,db=1,decode_responses=True)
#########redis部分#########################


#########全局參數部分#########################
START_URL = "https://500px.me/community/v2/user/indexInfo?queriedUserId={}" # 入口鏈接
COMMENT = "https://500px.me/community/res/relation/{}/follow?startTime=&page={}&size=100&type=json"
HEADERS = {
    "Accept":"application/json",
    "User-Agent":"你自己去找找可用的就行",
    "X-Requested-With":"XMLHttpRequest"
}

need_crawlids = []  # 待爬取的userid

lock = threading.Lock() # 線程鎖
#########全局參數部分#########################

def get_followee():
    try:
        res = requests.get(START_URL.format("5769e51a04209a9b9b6a8c1e656ff9566"),
        headers=HEADERS,timeout=3)
        data = res.json()
        if data:
            totle = int(data["data"]["userFolloweeCount"])  # 返回關注數
            userid = data["data"]["id"]	# 返回用戶ID
            return {
                "userid":userid,
                "totle":totle
            }  # 返回總數據
    except Exception as e:
        print("數據獲取錯誤")
        print(e)
if __name__ == '__main__':
    start = get_followee()  # 獲取入口
    need_crawlids.append(start)
    

上面代碼中有一個非常重要的邏輯，就是為什么要先匹配種子地址的【關注數】和【用戶ID】，這兩個值是為了拼接下面的URL
https://500px.me/community/res/relation/{}/follow?startTime=&page={}&size=100&type=json
經過分析，你已經知道，這個地方第一個參數是用戶id,第二個參數是頁碼page，page需要通過關注總數除以100得到。不會算的，好好在紙上寫寫吧~

我們可以通過一個方法，獲取到了種子用戶的關注列表，以此繼續爬取下去，完善生產者代碼。關鍵代碼都進行了注釋標注。

思路如下：

1. 死循環不斷獲取need_crawlids 變量中的用戶，然后獲取該用戶的關注者列表。
2. 爬取到的信息，寫入redis方便驗證重復，快速存儲。

class Product(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)
        self._headers = HEADERS

    def get_follows(self,userid,totle):
        try:
            res = requests.get(COMMENT.format(userid,totle),headers=HEADERS,timeout=3)
            data = res.json()

            if data:
                for item in data:
                    yield {
                        "userid":item["id"],
                        "totle":item["userFolloweeCount"]
                    }
        except Exception as e:
            print("錯誤信息")
            print(e)
            self.get_follows(userid,totle)  # 出錯之后，重新調用

    def run(self):

        while 1:
            global need_crawlids  # 調用全局等待爬取的內容

            if lock.acquire():
                if len(need_crawlids)==0:  # 如果為0，無法進入循環
                    continue

                data = need_crawlids[0]  # 取得第一個
                del need_crawlids[0]  # 使用完刪除

                lock.release()

            if data["totle"] == 0:
                continue

            for page in range(1,data["totle"]//100+2):
                for i in self.get_follows(data["userid"],page):
                    if lock.acquire():
                        need_crawlids.append(i)  # 新獲取到的，追加到等待爬取的列表里面
                        lock.release()
                    self.save_redis(i)  # 存儲到redis里面


    def save_redis(self,data):
        redis.setnx(data["userid"],data["totle"])
        #print(data,"插入成功")

由於500px無反爬蟲，所以運行起來速度也是飛快了，一會就爬取了大量的數據，目測大概40000多人，由於咱是寫教程的，我停止了爬取。

這些數據不能就在redis里面趴着，我們要用它獲取用戶的所有信息，那么先找到用戶信息接口，其實在上面已經使用了一次
https://500px.me/community/v2/user/indexInfo?queriedUserId={} 后面的queriedUserId對應的是用戶id，只需要從剛才的數據里面獲取redis的key就可以了，開始編寫消費者代碼吧，我開啟了5個線程抓取。

class Consumer(threading.Thread):
    def __init__(self):
        threading.Thread.__init__(self)

    def run(self):
        while 1:
            key = redis.randomkey() # 隨機獲取一個key
            if key:
                # 刪除獲取到的key
                redis.delete(key)
                self.get_info(key)



    def get_info(self,key):
        try:
            res = requests.get(START_URL.format(key),headers=HEADERS,timeout=3)
            data = res.json()
            if data['status'] == "200":
                collection.insert(data["data"])  # 插入到mongodb中
        except Exception as e:
            print(e)
            return
if __name__ == '__main__':
    start = get_followee()  # 獲取入口
    need_crawlids.append(start)


    p = Product()
    p.start()

    for i in range(1,5):
        c = Consumer()
        c.start()

代碼沒有特別需要注意的，可以說非常簡單了，關於redis使用也不多。

redis.randomkey() # 隨機獲取一個key
redis.delete(key)  # 刪除key

(⊙o⊙)…經過幾分鍾的等待之后，大量的用戶信息就來到了我的本地。

完整代碼評論留言發送。

寫在后面

emmmmmm...... 天天在CSDN寫博客，明天就爬CSDN博客吧~~~