工具准备
在开始之前，请确保scrpay正确安装，手头有一款简洁而强大的浏览器， 若是你有使用postman那就更好了。
scrapy genspider zhihu
使用以上命令生成知乎爬虫,代码如下:
# -*- coding: utf-8 -*-import scrapyclassZhihuSpider(scrapy.Spider): name ='zhihu' allowed_domains = ['www.zhihu.com'] start_urls = ['http://www.zhihu.com/']defparse(self, response):pass
有一点切记，不要忘了启用Cookies,切记切记：
# Disable cookies (enabled by default)COOKIES_ENABLED =True
模拟登陆
过程如下：
进入登录页，获取Header和Cookie信息，
完善的Header信息能尽量伪装爬虫， 有效Cookie信息能迷惑知乎服务端，使其认为当前登录非首次登录，若无有效Cookie会遭遇验证码。 在抓取数据之前，请在浏览器中登录过知乎，这样才使得Cookie是有效的。
欢迎加入我的QQ群`923414804`与我一起学习，群里有我学习过程中整理的大量学习资料。加群即可免费获取
Header和Cookie整理如下:
headers = {'Host':'www.zhihu.com','Connection':'keep-alive','Origin':'https://www.zhihu.com','User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36','Content-Type':'application/x-www-form-urlencoded; charset=UTF-8','Accept':'*/*','X-Requested-With':'XMLHttpRequest','DNT':1,'Referer':'https://www.zhihu.com/','Accept-Encoding':'gzip, deflate, br','Accept-Language':'zh-CN,zh;q=0.8,en;q=0.6',}cookies = {'d_c0':'"AHCAtu1iqAmPTped76X1ZdN0X_qAwhjdLUU=|1458699045"','__utma':'51854390.1407411155.1458699046.1458699046.1458699046.1','__utmv':'51854390.000--|3=entry_date=20160322=1','_zap':'850897bb-cba4-4d0b-8653-fd65e7578ac2','q_c1':'b7918ff9a5514d2981c30050c8c732e1|1502937247000|1491446589000','aliyungf_tc':'AQAAAHVgviiNyQsAOhSntJ5J/coWYtad','_xsrf':'b12fdca8-cb35-407a-bc4c-6b05feff37cb','l_cap_id':'"MDk0MzRjYjM4NjAwNDU0MzhlYWNlODQ3MGQzZWM0YWU=|1503382513|9af99534aa22d5db92c7f58b45f3f3c772675fed"','r_cap_id':'"M2RlNDZjN2RkNTBmNGFmNDk2ZjY4NjIzY2FmNTE4NDg=|1503382513|13370a99ee367273b71d877de17f05b2986ce0ef"','cap_id':'"NmZjODUxZjQ0NzgxNGEzNmJiOTJhOTlkMTVjNWIxMDQ=|1503382513|dba2e9c6af7f950547474f827ef440d7a2950163"',
}
在浏览器中，模拟登陆，抓取登陆请求信息。
从图中可以看到_xsrf参数, 这个参数与登陆验证信息无关，但很明显是由登陆页面携带的信息。Google了下xsrf的含义， 用于防范跨站请求伪造。
整理以上，代码如下：
loginUrl ='https://www.zhihu.com/#signin'siginUrl ='https://www.zhihu.com/login/email'defstart_requests(self):return [ scrapy.http.FormRequest( self.loginUrl, headers=self.headers, cookies=self.cookies, meta={'cookiejar':1}, callback=self.post_login) ]defpost_login(self, response): xsrf = response.css('div.view-signin > form > input[name=_xsrf]::attr(value)' ).extract_first() self.headers['X-Xsrftoken'] = xsrfreturn [ scrapy.http.FormRequest( self.siginUrl, method='POST', headers=self.headers, meta={'cookiejar': response.meta['cookiejar']}, formdata={'_xsrf': xsrf,'captcha_type':'cn','email':'[email protected]','password':'xxxxxx',
},
callback=self.after_login)
]
设置Bearer Token
经过上述步骤登陆成功了，有点小激动，有没有！ 但苦难到此还远没有结束，这个时候尝试抓取最近热门话题，直接返回code:401,未授权的访问。 授权信息未设置，导致了此类错误，莫非遗漏了什么，看来只能在浏览器中追踪请求参数来侦测问题。 在浏览器的请求中，包含了Bearer Token, 而我在scrapy中模拟的请求中未包含此信息， 所以我被服务器认定为未授权的。 通过观察发现Bearer Token的关键部分，就是Cookies中的z_c0包含的信息。
z_c0包含的信息，是在登陆完成时种下的，所以从登陆完成返回的登陆信息里，获取要设置的Cookie信息， 然后拼接出Bearer Token,最后设置到Header中。
代码整理如下:
defafter_login(self, response): jdict = json.loads(response.body) print('after_login', jdict)if jdict['r'] ==0: z_c0 = response.headers.getlist('Set-Cookie')[2].split(';')[0].split('=')[1] self.headers['authorization'] ='Bearer ' + z_c0return scrapy.http.FormRequest( url=self.feedUrl, method='GET', meta={'cookiejar': response.meta['cookiejar']}, headers=self.headers, formdata={'action_feed':'True','limit':'10','action':'down','after_id': str(self.curFeedId),'desktop':'true' }, callback=self.parse)else: print(jdict['error'])
获取数据
上述步骤后，数据获取就水到渠成了，为了检测成功与否， 把返回信息写到文件中,而且只获取前五十个,代码如下：
feedUrl ='https://www.zhihu.com/api/v3/feed/topstory'nextFeedUrl =''curFeedId =0defparse(self, response):with open('zhihu.json','a')as fd: fd.write(response.body) jdict = json.loads(response.body) jdatas = jdict['data']for entryin jdatas: entry['pid'] = entry['id']yield entry jpaging = jdict['paging'] self.curFeedId += len(jdatas)if jpaging['is_end'] ==Falseand self.curFeedId <50: self.nextFeedUrl = jpaging['next']yield self.next_request(response)defnext_request(self, response):return scrapy.http.FormRequest( url=self.nextFeedUrl, method='GET', meta={'cookiejar': response.meta['cookiejar']},
headers=self.headers,
callback=self.parse)
最终获取的数据如下图所示：
写在最后
知乎的数据，只有登录完成之后，才可有效的获取，所以模拟登陆是无法忽略不管的。 所谓的模拟登陆，只是在scrapy中尽量的模拟在浏览器中的交互过程，使服务端无感抓包过程。 请求中附加有效的Cookies和Headers头信息，可有效的迷惑服务端， 同时在交互的过程中，获取后续请求必要信息和认证信息，使得整个流程能不断先前。