位置: 编程技术 - 正文
python实现多线程抓取知乎用户(python 的多线程)
编辑：rootadmin推荐整理分享python实现多线程抓取知乎用户(python 的多线程)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:python多线程操作,python多线程操作,python多线程怎么用,python中多线程,python多线程操作,python,多线程,python,多线程,python如何多线程,内容如对您有帮助，希望把文章链接给更多的朋友！
需要用到的包：
beautifulsoup4 html5lib image requests redis PyMySQL
pip安装所有依赖包：
运行环境需要支持中文
测试运行环境python3.5，不保证其他运行环境能完美运行
需要安装mysql和redis
配置 config.ini 文件，设置好mysql和redis，并且填写你的知乎帐号
向数据库导入 init.sql
Run
开始抓取数据: python get_user.py 查看抓取数量: python check_redis.py
效果
总体思路
1.首先是模拟登陆知乎，利用保存登陆的cookie信息2.抓取知乎页面的html代码，留待下一步继续进行分析提取信息3.分析提取页面中用户的个性化url，放入redis（这里特别说明一下redis的思路用法，将提取到的用户的个性化url放入redis的一个名为already_get_user的hash table，表示已抓取的用户，对于已抓取过的用户判断是否存在于already_get_user以去除重复抓取，同时将个性化url放入user_queue的队列中，需要抓取新用户时pop队列获取新的用户）4.获取用户的关注列表和粉丝列表，继续插入到redis5.从redis的user_queue队列中获取新用户继续重复步骤3
模拟登陆知乎
首先是登陆，登陆功能作为一个包封装了在login里面，方便整合调用
header部分，这里Connection最好设为close，不然可能会碰到max retireve exceed的错误原因在于普通的连接是keep-alive的但是却又没有关闭
进入首页查看http状态码来验证是否登陆，为已经登陆，一般就是被重定向所以就是没有登陆
获取验证码的方法。当登录次数太多有可能会要求输入验证码，这里实现这个功能
获取xsrf，为什么要获取xsrf呢，因为xsrf是一种防止跨站攻击的手段，具体介绍可以看这里csrf在获取到xsrf之后把xsrf存入cookie当中，并且在调用api的时候带上xsrf作为头部，不然的话知乎会返回
这个就是核心的登陆功能啦，非常关键的就是用到了requests库，非常方便的保存到session我们这里全局都是用单例模式，统一使用同一个requests.session对象进行访问功能，保持登录状态的一致性
最后主要调用登陆的代码为
知乎模拟登陆到此就完成啦
知乎用户抓取
这个是get_user.py的构造函数，主要功能就是初始化mysql连接、redis连接、验证登陆、生成全局的session对象、导入系统配置、开启多线程。
这一部分的代码就是用于抓取各个页面的html代码
用户加入redis的操作，在数据库插入出错时我们调用del_already_user删除插入出错的用户
调用知乎的API，获取所有的关注用户列表和粉丝用户列表，递归获取用户这里需要注意的是头部要记得带上xsrf不然会抛出
最后，到用户的about页面，分析页面元素，利用正则或者beatifulsoup分析抓取页面的数据这里我们SQL语句用REPLACE INTO而不用INSERT INTO，这样可以很好的防止数据重复问题
最后，入口
这里就是多线程的开启，需要开启多少个线程就把4换成多少就可以了
Docker
嫌麻烦的可以参考一下我用docker简单的搭建一个基础环境：
mysql和redis都是官方镜像
再利用docker-compose运行python镜像，我的python的docker-compose.yml：
最后附上源代码： GITHUB
详解python3百度指数抓取实例 百度指数抓取，再用图像识别得到指数前言：土福曾说，百度指数很难抓，在淘宝上面是块1个关键字：哥那么叼的人怎么会被他吓到，于是乎花了零
Python 包含汉字的文件读写之每行末尾加上特定字符 最近，接手的项目里，提供的数据文件格式简直让人看不下去，使用pandas打不开，一直是ioerror.仔细查看，发现文件中很多行数据是以"结尾，然而其他
请不要重复犯我在学习Python和Linux系统上的错误 本人已经在运维行业工作了将近十年，我最早接触Linux是在大二的样子，那时候只追求易懂，所以就选择了Ubuntu作为学习、使用的对象，它简单、易用、
标签: python 的多线程
本文链接地址:https://www.jiuchutong.com/biancheng/382430.html 转载请保留说明！上一篇：浅谈Python类里的__init__方法函数,Python类的构造函数(python 类的用法)
下一篇：详解python3百度指数抓取实例(python3.8基础教程)
