既然是Python程式員找美女，就要用python程式員的方法。

今天我們的目標是，爬社區的美女~而且，我們又要用到新的姿勢(霧)了~scrapy爬蟲框架~

1scrapy原理

在寫過幾個爬蟲程式之後，我們就知道，利用爬蟲獲取數據大概的步驟：請求網頁，獲取網頁，匹配信息，下載數據，數據清洗，存入資料庫。

scrapy是一個很有名的爬蟲框架，可以很方便的進行網頁信息爬取。那麼scrapy到底是如何工作的呢？之前在網上看了不少scrapy入門的教程，大多數入門教程都配有這張圖。

_(:зゝ∠)_也不知道是這張圖實在太經典了，還是程式員們都懶得畫圖，第一次看到這個圖的時候，米醬的心情是這樣的

GIF

經過了一番深入的理解，大概知道這幅圖的意思，讓我來舉個慄子(是的，我又要舉奇怪的慄子了)：

當我們想吃東西的時候，我們會出門，走到街上，尋找一家想吃的點，然後點餐，服務員再通知廚房去做，最後菜到餐桌上，或者被打包帶走。這就是爬蟲程式在做的事，它要將所有獲取數據需要進行的操作，都寫好。

而scrapy就像一個點餐app一般的存在，在訂餐列表(spiders)選取自己目標餐廳里想吃的菜(items)，在收貨(pipeline)處寫上自己的收貨地址(存儲方式)，點餐系統(scrapy engine)會根據訂餐情況要求商鋪(Internet)的廚房(download)將菜做好，由於會產生多個外賣取貨訂單(request)，系統會根據派單(schedule)分配外賣小哥從廚房取貨(request)和送貨(response)。說著說著我都餓了。。。。

什麼意思呢？在使用scrapy時，我們只需要設置spiders(想要爬取的內容)，pipeline(數據的清洗，數據的存儲方式)，還有一個middlewares，是各功能間對接時的一些設置，就可以不用操心其他的過程，一切交給scrapy模塊來完成。

2創建scrapy工程

安裝scrapy之後，創建一個新項目

我用的是pycharm編譯器，在spiders文件下創建zhihuxjj.py

在zhihuxjj.py這個文件中，我們要編寫我們的爬取規則。

3 爬取規則制定(spider)

創建好了項目，讓我們來看一下我們要吃的店和菜…哦不，要爬的網站和數據。

我選用了知乎作為爬取平臺，知乎是沒有用戶從1到n的序列id的，每個人可以設置自己的個人主頁id，且為唯一。所以採選了選取一枚種子用戶，爬取他的關註者，也可以關註者和粉絲一起爬，考慮到粉絲中有些三無用戶，我僅選擇了爬取關註者列表，再通過關註者主頁爬取關註者的關註者，如此遞歸。

對於程式的設計，是這樣的。

start url是scrapy中的一個標誌性的值，它用於設置爬蟲程式的開始，也就是從哪裡開始爬，按照設定，從種子用戶個人主頁開始爬便是正義，但是考慮到個人主頁的鏈接會進行重覆使用，所以在這裡我將起始url設成了知乎主頁。

之後就是種子用戶的個人主頁，知乎粉絲多的大V很多，但是關註多的人就比較難發現了，這裡我選擇了知乎的黃繼新，聯合創始人，想必關註了不少優質用戶(≖‿≖)。

分析一下個人主頁可知，個人主頁由'https://www.zhihu.com/people/' + 用戶id 組成，我們要獲取的信息是用callback回調函數(敲黑板！！劃重點！！)的方式設計，這裡一共設計了兩個回調函數：用戶的關註列表和關註者的個人信息。

使用chrome瀏覽器查看上圖的頁面可知獲取關註列表的url，以及關註者的用戶id。

將滑鼠放在用戶名上。

可以獲得個人用戶信息的url。分析url可知：

so，我們在上一節中創建的zhihuxjj.py文件中寫入以下代碼。

這裡需要劃重點的是yield的用法，以及item['name']，將爬取結果賦值給item，就是告訴系統，這是我們要選的菜…啊呸…要爬的目標數據。

4設置其他信息

在items.py文件中，按照spider中設置的目標數據item，添加對應的代碼。

在pipeline.py中添加存入資料庫的代碼(資料庫咋用上一篇文章寫了哦~)。

因為使用了pipeline.py，所以我們還需要再setting.py文件中，將ITEM_PIPELINE註釋解除，這裡起到連接兩個文件的作用。

到這裡，基本就都設置好了，程式基本上就可以跑了。不過因為scrapy是遵循robots.txt法則的，所以讓我們來觀察一下知乎的法則https://www.zhihu.com/robots.txt

emmmmmmm，看完法則了嗎，很好，然後我們在setting.py中，將ROBOTSTXT_OBEY 改成 False。(逃

好像…還忘了點什麼，對了，忘記設置headers了。通用的設置headers的方法同樣是在setting.py文件中，將DEFAULTREQUESTHEADERS的代碼註釋狀態取消，並設置模擬瀏覽器頭。知乎是要模擬登錄的，如果使用游客方式登錄，就需要添加authorization，至於這個authorization是如何獲取的，我，就，不，告，訴，你(逃

為了減少伺服器壓力&防止被封，解除DOWNLOADDELAY註釋狀態，這是設置下載延遲，將下載延遲設為3(robots法則里要求是10，但10實在太慢了_(:зゝ∠)知乎的程式員小哥哥看不見這句話看不見這句話…

寫到這裡你會發現，很多我們需要進行的操作，scrapy都已經寫好了，只需要將註釋去掉，再稍作修改，就可以實現功能了。scrapy框架還有很多功能，可以閱讀官方文檔瞭解。

5運行scrapy文件

寫好scrapy程式後，我們可以在終端輸入

運行文件。

但也可以在文件夾中添加main.py，並添加以下代碼。

然後直接用pycharm運行main.py文件即可，然後我們就可以愉快的爬知乎用戶啦~(小姐姐我來啦~

6查找美女

經過了X天的運行，_(:зゝ∠)_爬到了7w條用戶數據，爬取深度5。(這爬取速度讓我覺得有必要上分散式爬蟲了…這個改天再嘮)

有了數據我們就可以選擇，同城市的用戶進行研究了……

先國際慣例的分析一下數據。

在7w用戶中，明顯男性超過了半數，標明自己是女性的用戶只占了30%左右，還有一部分沒有註明性別，優質的小姐姐還是稀缺資源呀~

再來看看小姐姐們都在哪個城市。(從7w用戶中篩選出性別女且地址信息不為空的用戶)

看來小姐姐們還是集中在北上廣深杭的，所以想發現優質小姐姐的男孩紙們還是要向一線看齊啊，當然也不排除在二三線的小姐姐們沒有標記處自己的地理位置。

emmmmm……這次的分析，就到此為止，你們可以去撩小姐姐們了。(逃

7研究小姐姐

GIF

意不意外？開不開心？這裡還有一章。正所謂，授之以魚，不如授之以漁；撒了心靈雞湯，還得加一隻心靈雞腿；找到了小姐姐，我們還要瞭解小姐姐…………

讓我再舉個慄子~來研究一個小姐姐。(知乎名：動次，已獲取小姐姐授權作為示例。)

讓我們來爬一下她的動態，chrome右鍵檢查翻network這些套路我就不說了，直接將研究目標。

 

贊同的答案和文章(瞭解小姐姐的興趣點)

發佈的答案和文章(瞭解小姐姐的世界觀、人生觀、價值觀)

關註的問題和收藏夾(瞭解小姐姐需求)

提出的問題(瞭解小姐姐的疑惑)

代碼也不貼了，會放在gayhub的，來看一下輸出。

因為你乎風格，所以對停用詞進行了一些加工，添加了“如何”“看待”“體驗”等詞語，得到了小姐姐回答問題的詞頻。小姐姐的回答里出現了喜歡、朋友、爺爺等詞語。

還有！！在關註、贊同和輸出中，都有的詞(ω)。(是不是可以靠美味捕獲小姐姐呢……

再來一張劉看山背景的，答題詞雲。