可以说爬虫是学习 Python 的入门必修课。当能独立写出第一个完整的爬虫的时候，我们已经迈出了一大步。因为在这过程中，我们已经学会了如何查看文档，学会使用 Python 相关库的操作，怎样使用 Chrome 的开发者工具（相关工具）和把抓取的数据保存到数据库中等等一系列操作，当然收获最多的还是学习 Python 的自信心。
下面以抓取知乎图片为例，迈出我们自学 Python 爬虫的第一步。分享不错学习裙：
整体思路
在浏览知乎的时候，经常会看到一些有趣的问题，例如有什么万能表情包？回答中网友分享了收藏多年的表情。但是近1500多条回答，手动保存表情不现实，所以使用爬虫帮我们完成这项工作。
首先我们需要做的是收集此类问题。获取问题的 ID（URL 中 question 后的 ID），构建爬虫任务池。收集问题的工作可以交给爬虫，但是为了抓取的图片都符合预期，建议先手动收集此类问题。然后将问题的 ID 存入数据库中，爬虫运行时读库获取需要爬取的目标贴。通过写一个爬虫，生成任务池多线程调用。将获取到的答案数据清洗，只收集答案中的图片。本案例我们使用 mongo 数据库，因为 mongo 数据库简单方便，也方便我们之后增减字段。
存入库中的结构和知乎的类似：答案集合保存所有答案，每一个答案是一条独立的文档。
具体类似这种结构：
其中Answer为数据库的集合，集合中的每一项是一条回答。用这种格式保存的好处是我们只需通过贴子的 ID 查询答案即可，保存起来也非常方便。
开始之前
在开始之前需要安装项目依赖，只用到两个常用库：
python3 -m pip install requests pymongo
分别用来请求 URL 和操作数据库。安装完成后记得启动mongo服务。
Spider
爬虫代码比较简单，关键找到知乎答案的接口，解析即可。而且这个接口也是非常好找的。此处用到 Chrome 的开发者工具。
接口也没有任何加密或权限限制，在请求头中加入Cookies就可以了。
通过 Chrome 开发者工具分析，请求携带了如下参数，我们只用到limit和offset，用来控制接口返回的数量和返回的位置。
完整的请求 URL 是：
只要动态更改其中的question，limit和offset就可以了。通过接口返回的答案总数，判断需要翻多少页，当然也可以通过接口返回的next和previous来获取下一页或前一页答案链接。
当然在翻页抓取的时候切记设置睡眠时间，放在服务器上爬的慢一点也没关系。我们控制好频率，不要影响到知乎的正常服务。
请求成功后我们就可以根据自己的需求，存储数据了，至于如何判断答案中是否有图片，可以参考以下代码。
使用到了lxml库，也可以使用re库代替。
先判断回答中是否有img标签，如果没有直接返回空列表，如果有的话，通过data-original属性获取原始大小的图片链接。也是返回一个包含图片链接的列表。
在入库的时候，我们通过parse_content的返回判断是否需要入库，如果是[]就跳过，如果列表不为空就入库。这样在之后根据作者展示数据的时候不会只显示作者信息，却没有回答的情况了（其实是该作者回答中只有问题没有图片）。
调用爬虫
当我们完成上述操作，就可以单独写一个文件使用多线程调用爬虫了。
qid_list来自查库获取所有的知乎贴子 ID。使用concurrent.futures库并行执行任务，在我们的代码里使用ThreadPoolExecutor，它使用线程池来异步执行调用。max_workers控制最多线程的使用，本例中使用最多4个线程执行任务。ThreadPoolExecutor让我们使用多线程时更加简单。具体文档见 ThreadPoolExecutor。
总结
代码比较简单，项目只要思路明确，分而治之，实现了所有的小部分，也就实现了整个项目的大部分。
最后总结一下整体思路：我们先把需要抓取的 ID 存入数据库，作为任务池，爬虫调取任务池中的 ID，将爬取结果再保存到数据库。
等我们学会了 Python 爬虫，再学 Web 开发的时候，还能将我们抓取的结果展示出来，做一个表情包大全网站。一不小心又学习了 Python Web 开发，多好。
网友评论