python获取知乎文章数据

suger7

今天我们分享下用Python爬取知乎前100用户的数据，选择对象是知乎排行榜前100用户，各自按访问量从高到低排序爬取他们个人主页的所有文章数据，包括赞同数、收藏数、标题等等，使用一些简单的数据分析手段看看技术。

首先我们打开知乎的个人主页，利用requests分析下网站，简单的分析后发现单纯的访问不带cookie返回的是空页面，而且多次访问后会被封IP，所以我们需要获取数据爬虫程序里面就需要添加上cookie和代理IP，最好是ua一起加上。代理的选择这里推荐亿牛云爬虫代理IP，IP池大，延迟低，速度快，对于有一定反爬机制的网站是最好的选择。访问过知乎的都知道，是需要先登录才能看到内容的，所以这里我们选择使用Selenium模拟浏览器的方式进行登录操作。在获取数据过程加上代理获取数据的实现过程如下：

1. from selenium import webdriver
   
2.     import string
   
3.     import zipfile
   
4. 
   
5.     # 代理服务器(产品官网 www.16yun.cn)
   
6.     proxyHost = "t.16yun.cn"
   
7.     proxyPort = "3111"
   
8. 
   
9.     # 代理验证信息
   
10.     proxyUser = "username"
    
11.     proxyPass = "password"
    
12. 
    
13. 
    
14.     def create_proxy_auth_extension(proxy_host, proxy_port,
    
15.                                     proxy_username, proxy_password,
    
16.                                     scheme='http', plugin_path=None):
    
17.         if plugin_path is None:
    
18.             plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)
    
19. 
    
20.         manifest_json = """
    
21.         {
    
22.             "version": "1.0.0",
    
23.             "manifest_version": 2,
    
24.             "name": "16YUN Proxy",
    
25.             "permissions": [
    
26.                 "proxy",
    
27.                 "tabs",
    
28.                 "unlimitedStorage",
    
29.                 "storage",
    
30.                 "<all_urls>",
    
31.                 "webRequest",
    
32.                 "webRequestBlocking"
    
33.             ],
    
34.             "background": {
    
35.                 "scripts": ["background.js"]
    
36.             },
    
37.             "minimum_chrome_version":"22.0.0"
    
38.         }
    
39.         """
    
40. 
    
41.         background_js = string.Template(
    
42.             """
    
43.             var config = {
    
44.                 mode: "fixed_servers",
    
45.                 rules: {
    
46.                     singleProxy: {
    
47.                         scheme: "${scheme}",
    
48.                         host: "${host}",
    
49.                         port: parseInt(${port})
    
50.                     },
    
51.                     bypassList: ["localhost"]
    
52.                 }
    
53.               };
    
54. 
    
55.             chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});
    
56. 
    
57.             function callbackFn(details) {
    
58.                 return {
    
59.                     authCredentials: {
    
60.                         username: "${username}",
    
61.                         password: "${password}"
    
62.                     }
    
63.                 };
    
64.             }
    
65. 
    
66.             chrome.webRequest.onAuthRequired.addListener(
    
67.                 callbackFn,
    
68.                 {urls: ["<all_urls>"]},
    
69.                 ['blocking']
    
70.             );
    
71.             """
    
72.         ).substitute(
    
73.             host=proxy_host,
    
74.             port=proxy_port,
    
75.             username=proxy_username,
    
76.             password=proxy_password,
    
77.             scheme=scheme,
    
78.         )
    
79.         print(background_js)
    
80. 
    
81.         with zipfile.ZipFile(plugin_path, 'w') as zp:
    
82.             zp.writestr("manifest.json", manifest_json)
    
83.             zp.writestr("background.js", background_js)
    
84. 
    
85.         return plugin_path
    
86. 
    
87. 
    
88.     proxy_auth_plugin_path = create_proxy_auth_extension(
    
89.         proxy_host=proxyHost,
    
90.         proxy_port=proxyPort,
    
91.         proxy_username=proxyUser,
    
92.         proxy_password=proxyPass)
    
93. 
    
94.     option = webdriver.ChromeOptions()
    
95. 
    
96.     option.add_argument("--start-maximized")
    
97. 
    
98.     # 如报错 chrome-extensions
    
99.     # option.add_argument("--disable-extensions")
    
100. 
     
101.     option.add_extension(proxy_auth_plugin_path)
     
102. 
     
103.     # 关闭webdriver的一些标志
     
104.     # option.add_experimental_option('excludeSwitches', ['enable-automation'])
     
105. 
     
106.     driver = webdriver.Chrome(
     
107.         chrome_options=option,
     
108.         executable_path="./chromdriver"
     
109.     )
     
110. 
     
111.     # 修改webdriver get属性
     
112.     # script = '''
     
113.     # Object.defineProperty(navigator, 'webdriver', {
     
114.     # get: () => undefined
     
115.     # })
     
116.     # '''
     
117.     # driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})
     
118. 
     
119. 
     
120.     driver.get("https://httpbin.org/ip")

复制代码

zchzzz

1123123123

zchzzz

123123123uu

jcflkajl

谢谢分享！

zchzzz

123123123

zchzzz

12312321312312321321

zchzzz

123123123123

zchzzz

12312312312

zchzzz

123123123

zchzzz

111111111

zchzzz

123123123

zchzzz

123123123