Python爬虫入门教程 3-100 美空网数据爬取

Posted 梦想橡皮擦 Python爬虫、Python爬虫百例入门、

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python爬虫入门教程 3-100 美空网数据爬取相关的知识，希望对你有一定的参考价值。

美空网数据----简介

从今天开始，我们尝试用2篇博客的内容量，搞定一个网站叫做“美空网”网址为：http://www.moko.cc/， 这个网站我分析了一下，我们要爬取的图片在 下面这个网址

http://www.moko.cc/post/1302075.html

然后在去分析一下，我需要找到一个图片列表页面是最好的，作为一个勤劳的爬虫coder，我找到了这个页面

http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html

列表页面被我找到了，貌似没有分页，这就简单多了，但是刚想要爬，就翻车了，我发现一个严重的问题。

http://www.moko.cc/post/da39db43246047c79dcaef44c201492d/list.html

我要做的是一个自动化的爬虫，但是我发现，出问题了，上面那个黄色背景的位置是啥？

ID，昵称，个性首页，这个必须要搞定。

我接下来随机的找了一些图片列表页，试图找到规律到底是啥？

  1. http://www.moko.cc/post/978c74a0375f4edca114e87b0a45a0b5/list.html
  2. http://www.moko.cc/post/jundayi/list.html
  3. http://www.moko.cc/post/slavik/list.html
  4. ......

没什么问题，发现规律了

http://www.moko.cc/post/个性昵称(中文昵称是一个加密的串)/list.html

这就有点意思了，我要是能找到尽量多的昵称，不就能拼接出来我想要得所有地址了吗

开干！！！

手段，全站乱点，找入口，找切入点，找是否有API

.... .... 结果没找着

下面的一些备选方案

趴这个页面，发现只有 20页 http://www.moko.cc/channels/post/23/1.html

每页48个模特，20页。那么也才960人啊，完全覆盖不到尽可能多的用户。

接着又找到

http://www.moko.cc/catalog/index.html 这个页面

确认了一下眼神，以为发现问题了，结果

这里写图片描述

哎呀，还么有权限，谁有权限，可以跟我交流一下，一时激动，差点去下载他们的APP，然后进行抓包去。

上面两条路，都不好弄，接下来继续找路子。

无意中，我看到了一丝曙光

这里写图片描述

关注名单，点进去

这里写图片描述

哈哈哈，OK了，这不就是，我要找到的东西吗？

不多说了，爬虫走起，测试一下他是否有反扒机制。

我找到了一个关注的人比较多的页面，1500多个人

http://www.moko.cc/subscribe/chenhaoalex/1.html

然后又是一波分析操作

美空网数据----爬虫数据存储

确定了爬虫的目标，接下来，我做了两件事情，看一下，是否对你也有帮助

  1. 确定数据存储在哪里？最后我选择了MongoDB
  2. 用正则表达式去分析网页数据

对此，我们需要安装一下MongoDB，安装的办法肯定是官网教程啦！

https://docs.mongodb.com/master/tutorial/install-mongodb-on-red-hat/

如果官方文档没有帮助你安装成功。

那么我推荐下面这篇博客

https://www.cnblogs.com/hackyo/p/7967170.html

安装MongoDB出现如下结果

这里写图片描述

恭喜你安装成功了。

接下来，你要学习的是 关于mongodb用户权限的管理

http://www.cnblogs.com/shiyiwen/p/5552750.html

mongodb索引的创建

https://blog.csdn.net/salmonellavaccine/article/details/53907535

别问为啥我不重新写一遍，懒呗~~~ 况且这些资料太多了，互联网大把大把的。

一些我经常用的mongdb的命令


链接 mongo --port <端口号>

选择数据库 use admin 

展示当前数据库  db 

当前数据库授权  db.auth("用户名","密码")

查看数据库  show dbs

查看数据库中的列名  show collections 

创建列  db.createCollection("列名")

创建索引 db.col.ensureIndex({"列名字":1},{"unique":true})

展示所有索引 db.col.getIndexes()

删除索引 db.col.dropIndex("索引名字")  

查找数据  db.列名.find()

查询数据总条数  db.列名.find().count()

上面基本是我最常用的了，我们下面实际操作一把。

美空网数据----用Python链接MongoDB

使用 pip3 安装pymongo库

使用pymongo模块连接mongoDB数据库

一些准备工作

  1. 创建dm数据库

    链接上mongodb 在终端使用命令 mongo --port 21111

[linuxboy@localhost ~]$ mongo --port 21111
MongoDB shell version v3.6.5
connecting to: mongodb://127.0.0.1:21111/
MongoDB server version: 3.6.5
>
  1. 配置用户权限：接着上面输入命令 show dbs 查看权限

这里写图片描述

权限不足

  1. 创建管理用户
db.createUser({user: "userAdmin",pwd: "123456", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } )
  1. 授权用户
db.auth("userAdmin","123456")
  1. 查看权限
> db.auth("userAdmin","123456")
1
> show dbs
admin   0.000GB
config  0.000GB
local   0.000GB
moko    0.013GB
test    0.000GB
>
  1. 接下来创建 dm数据库<在这之前还需要创建一个读写用户>
> use dm
switched to db dm
> db
dm
> db.createUser({user: "dba",pwd: "dba", roles: [ { role: "readWrite", db: "dm" } ] } )
Successfully added user: {
	"user" : "dba",
	"roles" : [
		{
			"role" : "readWrite",
			"db" : "dm"
		}
	]
}
>
  1. 重新授权
db.auth("dba","dba")
  1. 创建一列数据
> db.createCollection("demo")
{ "ok" : 1 }
> db.collections
dm.collections
> show collections
demo
>
  1. Python实现插入操作
import pymongo as pm  #确保你已经安装过pymongo了

 # 获取连接
client = pm.MongoClient(\'localhost\', 21111)  # 端口号是数值型

# 连接目标数据库
db = client.dm

# 数据库用户验证
db.authenticate("dba", "dba")
post = {
        "id": "111111",
        "level": "MVP",
        "real":1,
        "profile": \'111\',
        \'thumb\':\'2222\',
        \'nikename\':\'222\',
        \'follows\':20
}

db.col.insert_one(post) # 插入单个文档

# 打印集合第1条记录
print (db.col.find_one())
  1. 编译执行
[linuxboy@bogon moocspider]$ python3 mongo.py
{\'_id\': ObjectId(\'5b15033cc3666e1e28ae5582\'), \'id\': \'111111\', \'level\': \'MVP\', \'real\': 1, \'profile\': \'111\', \'thumb\': \'2222\', \'nikename\': \'222\', \'follows\': 20}
[linuxboy@bogon moocspider]$

好了，我们到现在为止，实现了mongodb的插入问题。

美空网数据----用Python 爬取关注对象

首先，我需要创造一个不断抓取链接的类

这个类做的事情，就是分析

http://www.moko.cc/subscribe/chenhaoalex/1.html

这个页面，总共有多少页，然后生成链接

这里写图片描述

抓取页面中的总页数为77

这里写图片描述

正则表达式如下

onfocus=\\"this\\.blur\\(\\)\\">(\\d*?)<

在这里，由所有的分页都一样，所以，我匹配了全部的页码，然后计算了数组中的最大值

#获取页码数组
pages = re.findall(r\'onfocus=\\"this\\.blur\\(\\)\\">(\\d*?)<\',content,re.S)   #获取总页数
page_size = 1
if pages:  #如果数组不为空
    page_size = int(max(pages))   #获取最大页数

接下来就是我们要搞定的生产者编码阶段了，我们需要打造一个不断获取连接的爬虫

简单的说就是

我们需要一个爬虫，不断的去爬取

http://www.moko.cc/subscribe/chenhaoalex/1.html 这个页面中所有的用户，并且还要爬取到总页数。

比如查看上述页面中,我们要获取的关键点如下

这里写图片描述

通过这个页面，我们要得到，这样子的一个数组，注意下面数组中有个位置【我用爬虫爬到的】这个就是关键的地方了

all_urls = [
    "http://www.moko.cc/subscribe/chenhaoalex/1.html",
    "http://www.moko.cc/subscribe/chenhaoalex/2.html",
    "http://www.moko.cc/subscribe/chenhaoalex/3.html",
    "http://www.moko.cc/subscribe/chenhaoalex/4.html",
    ......
    "http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html"
    "http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html"
    "http://www.moko.cc/subscribe/d45c1e3069c24152abdc41c1fb342b8f/1.html"
    "http://www.moko.cc/subscribe/【我用爬虫爬到的】/1.html"
    
    
    ]

引入必备模块

# -*- coding: UTF-8 -*-
import requests   #网络请求模块
import random     #随机模块
import re         #正则表达式模块
import time       #时间模块
import threading  #线程模块
import pymongo as pm   #mongodb模块

接下来，我们需要准备一个通用函数模拟UserAgent做一个简单的反爬处理

class Config():
    def getHeaders(self):
        user_agent_list = [ \\
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1" \\
            "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \\
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \\
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \\
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \\
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \\
            "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \\
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \\
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \\
            "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \\
            "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \\
            "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
        ]
        UserAgent=random.choice(user_agent_list)
        headers = {\'User-Agent\': UserAgent}
        return headers

编写生产者的类和核心代码,Producer继承threading.Thread

#生产者
class Producer(threading.Thread):
    
    def run(self):
        print("线程启动...")
        headers = Config().getHeaders()

if __name__ == "__main__":
    p = Producer()
    p.start()

测试运行，一下，看是否可以启动

[linuxboy@bogon moocspider]$ python3 demo.py
线程启动...
{\'User-Agent\': \'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24\'}
[linuxboy@bogon moocspider]$

如果上面的代码没有问题，接下来就是我们爬虫代码部分了，为了方便多线程之间的调用，我们还是创建一个共享变量在N个线程之间调用

# -*- coding: UTF-8 -*-
import requests
import random
import re
import time
import threading
import pymongo as pm

 # 获取连接
client = pm.MongoClient(\'localhost\', 21111)  # 端口号是数值型

# 连接目标数据库
db = client.moko

# 数据库用户验证
db.authenticate("moko", "moko")

urls = ["http://www.moko.cc/subscribe/chenhaoalex/1.html"]
index = 0   #索引
g_lock = threading.Lock()  #初始化一个锁  



#生产者
class Producer(threading.Thread):
    
    def run(self):
        print("线程启动...")
        headers = Config().getHeaders()
        print(headers)
        global urls
        global index 
        while True:
            g_lock.acquire() 
            if len(urls)==0:
                g_lock.release() 
                continue
            page_url = urls.pop()
            g_lock.release() #使用完成之后及时把锁给释放，方便其他线程使用
            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("生产者异常")
                print(http)
                continue       
            content = response.text 
            
            rc = re.compile(r\'<a class=\\"imgBorder\\" href=\\"\\/(.*?)\\" hidefocus=\\"true\\">\')
            follows = rc.findall(content)
            print(follows)
            fo_url = []
            threading_links_2 = []
            for u in follows:   
                this_url = "http://www.moko.cc/subscribe/%s/1.html" % u 
                g_lock.acquire()
                index += 1 
                g_lock.release()
                fo_url.append({"index":index,"link":this_url})
                threading_links_2.append(this_url)
           
            g_lock.acquire()
            urls += threading_links_2
            g_lock.release()
            print(fo_url)
            
            try:
                db.text.insert_many(fo_url,ordered=False )
            except:
                continue

if __name__ == "__main__":
    p = Producer()
    p.start()

上面代码除了基本操作以外，我做了一些细小的处理

现在说明如下

fo_url.append({"index":index,"link":this_url})

这部分代码，是为了消费者使用时候，方便进行查找并且删除操作而特意改造的，增加了一个字段index作为标识

第二个部分，插入数据的时候，我进行了批量的操作使用的是insert_many函数，并且关键的地方，我增加了一个ordered=False的操作，这个地方大家可以自行研究一下，我的目的是去掉重复数据，默认情况下insert_many函数如果碰到数据重复，并且在mongodb中创建了索引创建索引的办法，大家自行翻阅文章上面，那么是无法插入的，但是这样子会插入一部分，只把重复的地方略过，非常方便。

关于pymongo的使用，大家可以参考官网手册

这个是 pymongo的官方教程

http://api.mongodb.com/python/current/api/pymongo/collection.html?highlight=insert_many#pymongo.collection.Collection.insert_many

MongoDB的手册大家也可以参考

https://docs.mongodb.com/manual/reference/method/db.collection.insertMany/

 db.text.insert_many(fo_url,ordered=False )

我们链接上MongoDB数据库，查询一下我们刚刚插入的数据


> show collections
col
links
text
> db.text
moko.text
> db.text.find()
{ "_id" : ObjectId("5b1789e0c3666e642364a70b"), "index" : 1, "link" : "http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html" }
{ "_id" : ObjectId("5b1789e0c3666e642364a70c"), "index" : 2, "link" : "http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html" }
.......
{ "_id" : ObjectId("5b1789e0c3666e642364a71e"), "index" : 20, "link" : "http://www.moko.cc/subscribe/8c1e4c738e654aad85903572f9090adb/1.html" }
Type "it" for more

其实上面代码，有一个非常严重的BUG，就是当我们实际操作的时候，发现，我们每次获取到的都是我们使用this_url = "http://www.moko.cc/subscribe/%s/1.html" % u 进行拼接的结果。

也就是说，我们获取到的永远都是第1页。这个按照我们之前设计的就不符合逻辑了，

我们还要获取到分页的内容，那么这个地方需要做一个简单的判断，就是下面的逻辑了。

如果完整代码，大家不知道如何观看，可以直接翻阅到文章底部，有对应的github链接

#如果是第一页，那么需要判断一下
#print(page_url)
is_home =re.search(r\'(\\d*?)\\.html\',page_url).group(1)
if is_home == str(1):
    pages = re.findall(r\'onfocus=\\"this\\.blur\\(\\)\\">(\\d*?)<\',content,re.S)   #获取总页数
    page_size = 1
    if pages:
        page_size = int(max(pages))   #获取最大页数
        if page_size > 1:   #如果最大页数大于1，那么获取所有的页面
            url_arr = []
            threading_links_1 = []
            for page in range(2,page_size+1):
                url =  re.sub(r\'(\\d*?)\\.html\',str(page)+".html",page_url)  
                threading_links_1.append(url)
                g_lock.acquire()
                index += 1 
                g_lock.release()

                url_arr.append({ "index":index, "link": url})

            g_lock.acquire()
            urls += threading_links_1  #  URL数据添加
            g_lock.release()
            try:
                db.text.insert_many(url_arr,ordered=False )
            except Exception as e:
                print("数据库输入异常")
                print (e)
                continue
            
        else:
            pass
    else:
            pass

截止到现在为止，其实你已经实现了链接的生产者了 。

我们在MongoDB中生成了一堆链接，接下来就是使用阶段了。

使用起来也是非常简单。

我先给大家看一个比较复杂的正则表达式爬虫写的好不好，正则表达式站很重要的比例哦~

divEditOperate_(?P<ID>\\d*)[\\"] .*>[\\s\\S]*?<p class=\\"state\\">.*?(?P<级别>\\w*P).*</span></span>(?P<是否认证><br/>)?.*?</p>[\\s\\S]*?<div class=\\"info clearfix\\">[\\s\\S]*?<a class=\\"imgBorder\\" href=\\"\\/(?P<主页>.*?)\\" hidefocus=\\"true\\">[\\s\\S]*?<img .*?src=\\"(?P<头像>.*?)\\".*?alt=\\".*?\\" title=\\"(?P<昵称>.*?)\\" />[\\s\\S]*?<p class=\\"font12 lesserColor\\">(?P<地点>.*?)&nbsp.*?<span class=\\"font12 mainColor\\">(?P<粉丝数目>\\d*?)</span>

上面这个正则表达式，就是我为

http://www.moko.cc/subscribe/chenhaoalex/1.html

这个页面专门准备的。

这样子，我就可以直接获取到我想要的所有数据了。

这里写图片描述

消费者的代码如下

get_index = 0
#消费者类
class Consumer(threading.Thread):
    
    def run(self):
        headers = Config().getHeaders()

        global get_index 
        while True:
            
            g_lock.acquire() 
            get_index += 1
            g_lock.release()
            #从刚才数据存储的列里面获取一条数据，这里用到find_one_and_delete方法
            #get_index 需要声明成全局的变量
            link = db.links.find_one_and_delete({"index":get_index})
            page_url = ""
            if link:
                page_url = link["link"]
                print(page_url+">>>网页分析中...")
            else:
                continue

            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("消费者有异常")
                print(http)
                continue
            
            content = response.text 
            rc = re.compile(r\'divEditOperate_(?P<ID>\\d*)[\\"] .*>[\\s\\S]*?<p class=\\"state\\">.*?(?P<级别>\\w*P).*</span></span>(?P<是否认证><br/>)?.*?</p>[\\s\\S]*?<div class=\\"info clearfix\\">[\\s\\S]*?<a class=\\"imgBorder\\" href=\\"\\/(?P<主页>.*?)\\" hidefocus=\\"true\\">[\\s\\S]*?<img .*?src=\\"(?P<头像>.*?)\\".*?alt=\\".*?\\" title=\\"(?P<昵称>.*?)\\" />[\\s\\S]*?<p class=\\"font12 lesserColor\\">(?P<地点>.*?)&nbsp.*?<span class=\\"font12 mainColor\\">(?P<粉丝数目>\\d*?)</span>\')
            user_info = rc.findall(content)
            print(">>>>>>>>>>>>>>>>>>>>")
            users = []
            for user in user_info:
                post = {
                    "id": user[0],
                    "level": user[1],
                    "real":user[2],
                    "profile": user[3],
                    \'thumb\':user[4],
                    \'nikename\':user[5],
                    \'address\':user[6],
                    \'follows\':user[7]
                }

                users.append(post)
            print(users)
           
            try:
                db.mkusers.insert_many(users,ordered=False )
            except Exception as e:
                print("数据库输入异常")
                print (e)
                continue

            time.sleep(1)

            print("<<<<<<<<<<<<<<<<<<<<")

当你使用python3 demo.py 编译demo之后，屏幕滚动如下结果，那么你成功了。

接下来就可以去数据库查阅数据去了。

[linuxboy@bogon moocspider]$ python3 demo.py
线程启动...
{\'User-Agent\': \'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3\'}
http://www.moko.cc/subscribe/chenhaoalex/2.html>>>网页分析中...
[\'dde760d5dd6a4413aacb91d1b1d76721\', \'3cc82db2231a4449aaa97ed8016b917a\', \'a1835464ad874eec92ccbb31841a7590\', \'c9ba6a47a246494398d4e26c1e0b7e54\', \'902fe175e668417788a4fb5d4de7ab99\', \'dcb8f11265594f17b821a6d90caf96a7\', \'7ea0a96621eb4ed99c9c642936559c94\', \'d45c1e3069c24152abdc41c1fb342b8f\', \'chenyiqiu\', \'798522844\', \'MEERILLES\', \'ddfd9e1f7dca4cffb2430caebd2494f8\', \'d19cbd37c87e400e9da42e159560649b\', \'ac07e7fbfde14922bb1d0246b9e4374d\', \'05abc72ac7bb4f738f73028fed17ac23\', \'hanzhuoer\', \'e12e15aaee654b8aa9f528215bc3294c\', \'3b6d8dc6fd814789bd484f393b5c9fa8\', \'83256b93a2f94f449ab75c730cb80a7b\', \'8c1e4c738e654aad85903572f9090adb\']
[{\'index\': 77, \'link\': \'http://www.moko.cc/subscribe/dde760d5dd6a4413aacb91d1b1d76721/1.html\'}, {\'index\': 78, \'link\': \'http://www.moko.cc/subscribe/3cc82db2231a4449aaa97ed8016b917a/1.html\'}, {\'index\': 79, \'link\': \'http://www.moko.cc/subscribe/a1835464ad874eec92ccbb31841a7590/1.html\'}, {\'index\': 80, \'link\': \'http://www.moko.cc/subscribe/c9ba6a47a246494398d4e26c1e0b7e54/1.html\'}, {]
>>>>>>>>>>>>>>>>>>>>
[{\'id\': \'3533155\', \'level\': \'MP\', \'real\': \'\', \'profile\': \'b1a7e76455cc4ca4b81ed800ab68b308\', \'thumb\': \'http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg\', \'nikename\': \'模特九九\', \'address\': \'大连\', \'follows\': \'10\'}, {\'id\': \'3189865\', \'level\': \'VIP\', \'real\': \'\', \'profile\': \'cfdf1482a9034f65a60bc6a1cf8d6a02\', \'thumb\': \'http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg\', \'nikename\': \'何应77\', \'address\': \'杭州\', \'follows\': \'219\'}, {\'id\': \'14886\', \'level\': \'VIP\', \'real\': \'<br/>\', \'profile\': \'cndp\', \'thumb\': \'http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg\', \'nikename\': \'多拍PGirl\', \'address\': \'北京\', \'follows\': \'2331\'}, {\'id\': \'3539257\', \'level\': \'MP\', \'real\': \'<br/>\', \'profile\': \'605c8fb2824049aa841f21858a7fd142\', \'thumb\': \'http://img.mb.moko.cc/2018-02\':

记得处理数据的时候去掉重复值

>show collections
col
links
mkusers
text
> db.mkusers.find()
{ "_id" : ObjectId("5b17931ec3666e6eff3953bc"), "id" : "3533155", "level" : "MP", "real" : "", "profile" : "b1a7e76455cc4ca4b81ed800ab68b308", "thumb" : "http://img.mb.moko.cc/2018-02-17/d7db42d4-7f34-46d2-a760-c88eb90d6e0d.jpg", "nikename" : "模特九九", "address" : "大连", "follows" : "10" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953bd"), "id" : "3189865", "level" : "VIP", "real" : "", "profile" : "cfdf1482a9034f65a60bc6a1cf8d6a02", "thumb" : "http://img.mb.moko.cc/2016-09-30/98c1ddd3-f9a8-4a15-a106-5d664fa7b558.jpg", "nikename" : "何应77", "address" : "杭州", "follows" : "219" }
{ "_id" : ObjectId("5b17931ec3666e6eff3953be"), "id" : "14886", "level" : "VIP", "real" : "<br/>", "profile" : "cndp", "thumb" : "http://img2.moko.cc/users/0/49/14886/logo/img2_des_x3_10100286.jpg", "nikename" : "多拍PGirl", "address" : "北京", "follows" : "2331" }
{ "_

最后一步，如果你想要把效率提高，修改线程就好了

if __name__ == "__main__":

    for i in range(5):
        p = Producer()
        p.start()

    for i in range(7):
        c = Consumer()
        c.start()

经过3个小时的爬取，我获取了70000多美空的用户ID，原则上，你可以获取到所有的被关注者的，不过这些数据对我们测试来说，已经足够使用。

代码github地址： https://github.com/wangdezhen/mokospider.git

以上是关于Python爬虫入门教程 3-100 美空网数据爬取的主要内容，如果未能解决你的问题，请参考以下文章

Python爬虫入门教程 4-100 美空网未登录图片爬取

Python爬虫入门教程 4-100 美空网未登录图片爬取

如何一个月入门Python爬虫，轻松爬取大规模数据

如何用爬虫爬取网页上的数据

python爬虫登录知乎后怎样爬取数据

python爬虫从入门到放弃之 实例爬取上海高级人民法院网开庭公告数据