2021-03-29.知乎爬虫实战记录(获取某用户的所有回答)

2020以来知乎的反爬机制越来越完善,对api的调用也做了加密限制,以往快捷的方法不能用了,还是回归requests+selenium的老方法吧。碰巧最近毕设需要做一个小型爬虫项目,用知乎来练练手吧。


爬取目标:知乎某用户的所有回答(可以改成文章、动态···)
爬虫环境:python3.8+requests库+bs4+selenium
爬虫流程

1、确定start_url;
2、xpath定位页数所在标签,获取总页数;
3、循环调用函数get_answers(question_url)获取每一页的回答。每一页最多20条回答,循环20次;


问题记录

  1. 登录问题。若不登录首先会有频繁的弹窗影响速度,其次会受到某些反爬机制的限制;
    解决方案:一般的思想是先手动进行一次登录(或脚本模拟),get cookies后带上cookie发送http请求。这里由于使用了selenium库,直接接管登录过的浏览器就好。
    首先是通过命令行启动一个chrome

// 端口port可改成任意私有端口
chrome.exe --remote-debugging-port=8222 --user-data-dir="C:\selenum\AutomationProfile"

在打开的浏览器登录知乎后,运行python即可。

chrome_options = Options()
chrome_options.add_experimental_option("debuggerAddress", "127.0.0.1:8222")
return webdriver.Chrome(executable_path='F:/ChromeDriver/chromedriver.exe', chrome_options=chrome_options)
  1. ip封禁。爬取数据量较小,暂时没遇到。一般的解决方法是设置ip代理池。

# -*- coding: utf-8 -*-
"""
Created on Mon Mar 29 16:30:00 2021
@author: zw
"""
# 引入必要的库
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import json
import time
import re

def get_driver():
    #采用接管已打开浏览器的方式
    try:
        chrome_options = Options()
        chrome_options.add_experimental_option("debuggerAddress", "127.0.0.1:8222")
        return webdriver.Chrome(executable_path='F:/ChromeDriver/chromedriver.exe', chrome_options=chrome_options)
    except Exception:
        return webdriver.Firefox()


# 爬取一页的答案
def get_answers(question_url):
    driver.get(question_url)
    count = 0
    for k in range(20):
        try:
            # xpath = '/html/body/div[1]/div/main/div/div[2]/div[1]/div/div[3]/div/div[2]/div[{}]/div/div[2]/div'.format(k+1)
            #for封禁账号
            xpath = '/html/body/div[1]/div/main/div/div[3]/div[1]/div/div[3]/div/div[2]/div[{}]/div/div[2]/div'.format(k+1)
            button = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH, xpath+'/button')))
            button.click()
            element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH, xpath+'/span')))
            answer = element.text
            # print(answer)
            file = open('F:/爬虫/jin-rong-nan.txt','a',encoding='utf-8')
            file.write(answer)
            file.close()
            count = count + 1
            # print('answer '+ str(count) +' collected!')
        except:
            continue
    return count
   

if __name__ == "__main__":
    
    driver = get_driver()

    #设置爬取的用户回答url

    #兰飞鸿
    # start_url = 'https://www.zhihu.com/people/lan-fei-hong-3/answers'
    # start_url = 'https://www.zhihu.com/people/lan-fei-hong-2/answers'
    # start_url = 'https://www.zhihu.com/people/lan-fei-hong-26/answers'

    #爱分析的金融男
    start_url = 'https://www.zhihu.com/people/ai-jin-rong-de-fen-xi-ren/answers'


    # xpath = '/html/body/div[1]/div/main/div/div[2]/div[1]/div/div[3]/div/div[2]/div[last()]/button[last()-1]'
    #for封禁账号
    xpath = '/html/body/div[1]/div/main/div/div[3]/div[1]/div/div[3]/div/div[2]/div[last()]/button[last()-1]'

    driver.get(start_url)
    element = WebDriverWait(driver, 10).until(EC.presence_of_element_located((By.XPATH, xpath)))
    pagenum = int(element.text)
    count = 0
    print(pagenum)
    print('crawl running...')
    for k in range(pagenum):
        # 设置你想要搜索的问题
        question_url = start_url + '?page={}'.format(k+1)
        count = count + get_answers(question_url)
        print('answer '+ str(count) +' collected!')
        pass
    
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,524评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,869评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,813评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,210评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,085评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,117评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,533评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,219评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,487评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,582评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,362评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,218评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,589评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,899评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,176评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,503评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,707评论 2 335

推荐阅读更多精彩内容