我是如何用Python制作出知乎问答收集工具的？

我是如何制作知乎问答收集工具的？

标签：Pyhon源码 教程 知乎爬虫

此贴仅作技术交流！

---

效果展示

---

之前发过一款软件知乎问答收集器，没想到有这么多人喜欢，我看到评论区还有和我一样的Pyhon爱好者求源码，那么今天源码来啦！这次的源码跟我以前发的代码思路有点不一样了，这次采用严格面向对象的编程思想来写的代码，小白看起来可能就比较吃力了，所以我大概讲解一下，如果讲得不好也请大佬轻喷，本次编程使用的知识点主要有以下：

1. 面向对象的编程方法，代码里一切皆为对象
2. Tkinter包的使用，绘出普通用户也能使用的软件界面
3. 伪装请求头headers，使网站无法辨认出访问它的是Python还是浏览器。
4. 利用cookie登陆，解除未登录用户只能爬取一页的限制。
5. 分析ajax请求，推测每个参数代表的意义。
6. 利用json包解析返回的json数据
7. 用csv包把数据存储在csv文件中(Excel可以直接打开)

一共三个Python文件，第一个文件Spider.py是我第一次写的，单文件补上cookie可以运行没有依赖其它文件。后面的SSpider.py和tk_main.py是我写的图形界面，程序入口为tk_main.py文件，SSpider.py也就是把Spider.py的代码复制过去做了一点点适合图形界面的修改，然后作为包导入tk_main.py使用，发出来的那个软件就是这两个文件进行的打包，代码量较大，我就不全部发在贴子里，而把完整的三个文件代码都分享到Github，但是讲解我就讲解第一个Spider.py文件，后面的图形界面tkinter的话你如果学过一看就懂，没学过我也不好讲，你们就自己看咯。Github源码点击这里就可以看到啦！不会用Github的坛友没关系，我还会在下面的附件传一份！

---

教程

1. 首先导入所需要的包

import requests
import json
import time
import csv
import re

Python的代码一项以简洁著称，所以我们也不需要很多东西，就这五个包，requests用来处理网页请求，json用来处理得到的数据，time把返回的时间戳转化为时间，csv作为文件储存格式，re正则用来消除中文中夹杂的html代码。

---

2. 定义一个爬虫类

    class ContentSpider():
        url = 'https://www.zhihu.com/question/300985609'
        headers = {
            'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36',
            'cookie': '' #这里输入你自己的cookie
    }
        items = []

这个爬虫类包含三个属性，分别是url，headers，items，其中

• url指话题目录，如：https://www.zhihu.com/question/19603240
• headers包括user-agent和你的cookie即可
• items是一个列表，我们把爬取到的信息储存在items里面

3. 定义类的构造函数

    def __init__(self, offset):
        self.console_items = []
        self.api = 'https://www.zhihu.com/api/v4/questions/'+self.url.split('/')[-1]+'/answers?include=data%5B%2A%5D.is_normal%2Cadmin_closed_comment%2Creward_info%2Cis_collapsed%2Cannotation_action%2Cannotation_detail%2Ccollapse_reason%2Cis_sticky%2Ccollapsed_by%2Csuggest_edit%2Ccomment_count%2Ccan_comment%2Ccontent%2Ceditable_content%2Cvoteup_count%2Creshipment_settings%2Ccomment_permission%2Ccreated_time%2Cupdated_time%2Creview_info%2Crelevant_info%2Cquestion%2Cexcerpt%2Crelationship.is_authorized%2Cis_author%2Cvoting%2Cis_thanked%2Cis_nothelp%2Cis_labeled%2Cis_recognized%2Cpaid_info%2Cpaid_info_content%3Bdata%5B%2A%5D.mark_infos%5B%2A%5D.url%3Bdata%5B%2A%5D.author.follower_count%2Cbadge%5B%2A%5D.topics&limit=10&offset={}&platform=desktop&sort_by=default'.format(offset) #每次请求10条数据，从format处开始
        self.get_data()
        self.sort_data()
        self.write_csv()
        self.console_print()

这里我们在构造函数里又给类赋予了两个属性，因为这两个属性是动态的，所以在构造函数里定义，大家可以看到类的api属性有很大一串，这个是怎么得来的呢？

1. 首先打开某个问答的话题网址，如：https://www.zhihu.com/question/300985609，然后按F12，浏览器自动抓包，经过一个一个的筛选，我们最终照到了如图所示的关键包，那为什么是这个包呢？因为它里面包含了我们所需要的信息，当然如果你找的多，就会有直觉了，能找的快一些，刚开始都得慢慢找，后面心里就明白了规律。

2. 既然找到了我们需要的包，那么我们来看看这个包是怎么得到的，就是右边这一长串链接了，我们可以看到最后有两个参数，offset和limit，然后我把这段链接放在Python里模拟请求，并改变这两个参数的值发现，offset就表示你从第几个回答开始，limit是一次请求多少个回答，那这样就简单了，我们只需要设定limit为某一个值，我这里设置为10，也可以设置为其它的，一般在5-20都可以，然后将offset改变，每次增加limit的值个，就可以连续请求，直到最后没有数据才会停止了。这就是api属性的由来。

4. 定义类的方法

    def get_data(self): #通过ajax请求得到json数据
        rsp = requests.get(self.api, headers=self.headers)
        print(rsp.status_code)
        self.data = json.loads(rsp.content)['data']
    def sort_data(self): #给数据分类，内容content，作者author[name],评论数comment_count，赞成voteup_count，编辑时间戳updated_time
        for i in self.data:
            id = i['id']
            author = i['author']['name']
            updated_time = time.localtime(i['updated_time'])
            updated_time = time.strftime("%Y-%m-%d %H:%M:%S", updated_time)
            voteup_count = i['voteup_count']
            comment_count = i['comment_count']
            content = i['content']
            content = re.sub('<(.*?)>', '', content)
            link = self.url+'/answer/'+str(id)
            self.items.append([id, author, updated_time, voteup_count, comment_count, content, link])
            self.console_items.append([id, author, updated_time, voteup_count, comment_count, content, link])
    def write_csv(self):
        with open('data.csv', 'w', encoding='utf-8-sig') as csvfile:
            writer = csv.writer(csvfile)
            writer.writerow(['ID', '作者', '编辑时间', '点赞数', '评论数', '内容', '网址'])
            for item in self.items:
                writer.writerow(item)
    def console_print(self):
        for i in self.console_items:
            print(i)

我们这个爬虫类不能空有一身属性，还得有技能（类的方法）才行对吧，那我就从上到下一个给它定义了四项技能，分别是。

1. 获取数据，即通过requests请求网址来获取数据。
2. 整理数据，获取的数据那么繁杂，我们只需要其中的部分数据，所以交给这个函数来处理
3. 写入数据，数据整理好后我们可以将其写入csv文件（可直接用Excel打开）
4. 显示数据，不论是在代码写好前还是在爬取时，我们都需要关注我们到底爬取了哪些内容，因此我们把相关的结果打印出来，方便我们查漏补缺。

---

至此类的属性和方法我们全都定义完毕，现在就很好办了，因为构造函数里已经调用了类的全部方法，所以我们只需要将类实例化即可执行我们的Python代码了。

5. 标明程序入点，将类实例化开始执行代码

if __name__ == '__main__':
    offset = 0
    while True:
        spider = ContentSpider(offset)
        if not len(spider.data):
            print('爬取完毕!')
            break
        offset += 10

这样，我们的程序就写完啦！

---

总结

我们可以看出来，用面向对象的思想写代码思路将是如此简单轻松，即使网站变更了我们也可以很容的找出需要修改的地方，这次没有用多线程是因为经过我的实际测试，多线程爬取速度过快触发反爬机制而被禁掉，当然如果你非要多线程的话就需要用代(过滤)理IP了，那就是把简单问题搞复杂了，因为每个问题本来也就没多少数据，1000条8秒就可以搞定，就算是10000个回答你也就等一分多钟而已，况且这种回答数很高的问题很少，所以没必要，我们这里只需要用单线程就可以了，也不会占用别人的服务器的资源。

欢迎大家一起来交流讨论！