知乎爬虫（scrapy默认配置下单机1小时可爬取60多万条数据）

版本：1.0
作者: AlexTan
CSDN: http://blog.csdn.net/alextan_
e-mail: alextanbz@gmail.com
Github: https://github.com/AlexTan-b-z

代码请移步GitHub：ZhihuSpider

前言：

在这里特别鸣谢: 九茶 http://blog.csdn.net/bone_ace

学了爬虫差不多快一年了，然而由于项目原因，这还是第一次发爬虫的博客，在学习的过程中，受益最大的就是看了九茶的微博爬虫吧，所以在这里特别鸣谢。他的代码里涉及了很多：自动化技术、模拟登录、分布式、redis、mongodb等都有涉及，而且还讲了代码的可复用性，深受启发。不过，对于爬虫的知识块儿来讲，还没涉及抓包（因为个人觉得，如果只抓取json数据的话，会比抓取普通网页速度来得快得多）、以及自动更换IP技术，于是在这里写一个知乎爬虫的博客，这篇博客里，除了九茶的微博爬虫所涉及的知识以外，还有抓包、以及更换ip技术，欢迎大家提问，互相学习。

环境：

Ubuntu16.04
Python环境是ubuntu自带的python3.5.2
需要安装的软件Redis, MongoDB, Phantomjs;
需要安装的python模块：scrapy, scrapy-redis, selenium
电脑是用的小米笔记本4999元的那个版本，如果是台式机的话速度应该会更快。（ps:如果想更快，可以加大setting.py 中的 CONCURRENT_REQUESTS的值，这个值默认是16，可以调大，直到CPU使用率达到80-90%，相信速度会快很多，绝不仅仅是一分钟6000多条。当然也可以在单机上多进程爬取）

使用说明：

打开cookie.py,填入你的知乎账号密码
运行爬虫： scrapy crawl zhishuspider 即可
分布式扩展：把代码考到新一台机器上，只需要把setting.py里的REDIS_HOST和FILTER_HOST改成主机的地址就好，其他的根据自己的具体情况修改。然后运行即可。
提示：如果你的账号数量不够多，建议把DOWNLOAD_DELAY开启（即把代码里注释的那四行取消注释掉），数值多少根据自己具体情况更改。

代码说明：

爬虫基于scrapy+redis架构进行开发、优化。
爬虫支持断点续爬。
非常简易地，便可实现分布式扩展。
使用Redis的“位”进行去重，1G的内存可满足80亿个用户ID的瞬间去重。
将种子优化到不足40个字符，大大降低了Redis的内存消耗，也提高了各子爬虫从Redis取种子的速度。
维护了一个Cookie池，各子机器共用一个Cookie池，断点续爬不会重复获取Cookie，当某个Cookie失效时会自动更新。
直接爬取通过抓包得到的json格式的链接，请求速度更快、爬取速度更快。单机一小时可爬取60多万条数据
代码中自带proxy（自动更换ip），但并未启用，经测试，只要账号数量够多，暂不需要启用，如需启用，请自行购买代理ip，并修改代码proxy.py中GetIPPOOLS()函数（我是用的大象代理，5元20000个，不是广告，挺便宜，但真心觉得不咋好用，每十个ip差不多有一个能用(延迟在2s内)），如果你是用的大象代理，就不需要修改代码。
支持手动识别验证码和自动识别验证码，如需自动登录，请自行购买云打码平台账号。默认启动的是手动识别，需要手动输入验证码。如果你想自己写个代码识别验证码，那也是可以的。

爬取内容：

用户的个人信息以及粉丝和关注的人（可以生成用户的拓扑关系图）
用户的回答
用户的提问
文章

爬取字段：

ZhihuItem（用户个人信息）:

字段名	含义
user_id	用户id
user_image_url	用户头像链接
name	用户昵称
locations	用户住址
business	用户所在行业
employments	用户职业经历
gender	用户性别
education	用户教育经历
followees_num	用户关注数
followers_num	用户粉丝数

RelationItem（关系）:

字段名	含义
user_id	用户id
relation_type	关系类型
relations_id	关系的人的id

AnswerItem（回答）：

字段名	含义
answer_user_id	回答的用户
answer_id	回答内容的id
question_id	问题的id
cretated_time	创建的时间戳
updated_time	更新的时间戳
voteup_count	赞成数
comment_count	评论数
content	回答内容

QuestionItem（问题）:

字段名	含义
ask_user_id	提问人的id
question_id	问题的id
ask_time	提问时间
answer_count	回答数量
followees_count	关注数量
title	提问标题

ArticleItem（文章）:

字段名	含义
author_id	作者id
title	文章标题
article_id	文章id
content	文章内容
cretated_time	创建时间戳
updated_time	更新时间戳
voteup_count	赞成数
comment_count	评论数

关于抓包获取到的几个链接问题：

未登录状态下需要Authorization才能访问json数据的链接，带登录后的cookie访问就不需要了。

Authorization可以通过访问任意一个用户页面在请求json数据链接中的header中获取，建议通过模拟浏览器的方式获取，不过如果登陆了就不需要了，故代码中没有获取Authorization

最后，欢迎大家提出问题，共同学习！！！

转载请注明出处，谢谢！（原文链接： http://blog.csdn.net/AlexTan_/article/details/77057068）