知乎Elasticsearch Crawler

Posted 2022-07-13 dalton

Scrapy 爬虫登入 知乎网 使用 API 爬取用户信息

在使用此项目时请先了解 Scrapy 项目源码如何实现的:

$ git clone -b docker-elasticsearch https://github.com/slzcc/Scrapy-Zhihu.git

这里的爬虫已经结合 Docker , 由于没有使用多线程工作所以这里使用 Docker 启动特定数量的服务进行爬数据, 镜像拉去地址:

$ docker pull registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch

项目内有 Dockerfile 提供参考。

用到的服务列表:

• Elasticsearch
• Redis

Redis 使用 Lists 队列保存需要爬取的 URL，这里是爬虫自己添加 URL 队列, 队列名称为 zhihu:start_urls。
Elasticsearch 会保存 Cookie 信息，和最终爬取的用户信息, 使用的 index 名为 scrapy-zhihu, type 为 item。

注册 Cookie

原理是需要使用用户的 Cookie 进行爬虫的登入授权，其中需要使用一台拥有图形化系统的服务器进行激活码手动填写，执行:

$ docker run -e ELASTICSEARCH_DB_SERVER=http://localhost:9200 --rm -it -v $PWD/code:/Scrapy-Zhihu/code --net host registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch python rediszhihu/login.py

注意: 请结合下列的环境变量说明修改自己所需的环境。

执行上述命令后会让你填写用户，密码，验证码，验证码需要手动查看 ~/code/code.gif 图片内容进行填写。
如果成功登入会把 Cookie 保存到本地的 Elasticsearch 的 scrapy-cookie 的 item type 里面, 如果本地没有 Elasticsearch 服务请修改下面的环境变量进行修改, 这里默认会让你输入两次账号密码同一个账号也是没问题的。

建议: 登入的 Cookie 可以设置多个，如果想避免被屏蔽，这里建议使用不同的账号获取 Cookie，这里没有试验 Cookie 数量的上限值, 不做概述。

环境变量说明

拿到 Cookie 后需要设置 Elasticsearch 与 Redis 的服务器地址与端口, 默认localhost, 可自定义环境变量:
Redis 服务的服务地址与端口:

REDIS_DB_HOST=127.0.0.1
REDIS_DB_PORT=6379

Elasticsearch 服务地址, 还可以设置变更上传的 index ,以及 Cookie 保存的 index, 并支持变更 type。

ELASTICSEARCH_DB_SERVER=http://localhost:9200
ELASTICSEARCH_COOKIE_INDEX=scrapy-cookie
ELASTICSEARCH_COOKIE_TYPE=item
ELASTICSEARCH_DATA_INDEX=scrapy-zhihu
ELASTICSEARCH_DATA_TYPE=item

后续查询所需的环境变量, 其中 QUERY_ACCOUNT_NUMBER 是执行 rediszhihu/number_queries.py 查询 Cookie 的最大查询数量，QUERY_DATA_NUMBER 是执行 rediszhihu/number_queries.py 查询数据最大显示数量，TimeCounter 是执行 rediszhihu/remove_abandoned_cookie.py 后检测每次 Cookie 验证的时间，单位是秒。

QUERY_ACCOUNT_NUMBER=100
QUERY_DATA_NUMBER=5
TimeCounter=60

启动

爬虫启动:

$ docker run -d --net host registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch

请自行修改环境变量适合自己的环境执行爬虫的启动, 测试开启数十个容器进行爬取数据无任何问题, 只要容器的机器内存足够大可以尝试上百数量容器进行爬取进行测试。

个人测试 7 个容器 1 小时内可以爬到 Elasticsearch 的数据在 1.4W 条左右。

可以使用 Swarm 集群模式启动 10 数量的服务:

$ docker service create --name scrapy_zhihu -e ELASTICSEARCH_DB_SERVER=http://localhost:9200 -e REDIS_DB_HOST=127.0.0.1 --replicas 10 registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch

因为默认爬虫是会在 Redis 队列获取 URL 进行爬取的，所以需要手动填入 URL 进行爬虫的激活，进入 Redis 后执行:

lrange zhihu:start_urls 0 -1
lpush zhihu:start_urls https://www.zhihu.com/api/v4/members/stone-cok/followees?include=data%5B*%5D.url_token&offset=0&per_page=30&limit=30

第一条命令是创建 zhihu:start_urls 队列，第二条是 URL 地址。

友情提示: 每个容器会占用 40MB+ 内存大小，请根据自己需求开启容器的数量。

验证 Cookie 是否失效

验证 Cookie 也是使用简单的多少时间内进行一次验证，使用 Mongo 里面的 Cookie 列表进行逐一请求进行排查，可以设置 TimeCounter 变量设置时间，默认时间为 60秒，单位是 秒，执行命令:

$ docker run -e ELASTICSEARCH_DB_SERVER=http://localhost:9200 -d --net host registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch python rediszhihu/remove_abandoned_cookie.py

如果 Cookie 没问题会打印，如果有问题会先打印出有问题的 Cookie 并删除，容器执行完会自动退出，这里需要配合集群进行启动从而保证 Cookie 验证容器持续进行检测。

中间件说明

爬虫使用了 Middleware 中间件进行用户的 Cookie 、User-Agent 的动态变更，并且已对 Proxy 进行了配置，如果需要请打开 settings.py 的 rediszhihu.middlewares.ProxyMiddleware 注释。并
定义 settings.py 里面的 IP_LIST 列表这是使用代理的 IP 池，默认填写了一个。

爬取用户信息数量查询

查看已经爬取用户信息的数量,信息内容,Cookie 列表,可以使用内置已经写好的方法进行查询:

$ docker run -e ELASTICSEARCH_DB_SERVER=http://localhost:9200 --rm -it --net host registry.aliyuncs.com/slzcc/scrapy_zhihu:elasticsearch python rediszhihu/number_queries.py

执行后会进入交互模式，请更换对应的环境编辑进行检测，输入的命令说明:

• data 为直接查看数据。
• num 为查看爬取数据总数。
• cookie 查看 cookie 列表。

展示图

队列展示图

列出队列等待被消费的 URL

数据展示图

元数据信息

索引信息

性别饼图

粉丝名次柱状图

行业分布柱状图

职业分布柱状图

校友数量柱状图

人数数量柱状图

员工数量柱状图