Scrapy与Selenium完美结合获取小红书涨粉榜单

　　Scrapy框架与Selenium我们前面都介绍过，本次给大家分享的是两者如何配合使用。

　　本次我们获取千瓜的数据：http://www.qian-gua.com/rank/category/

Scrapy与Selenium完美结合获取小红书涨粉榜单111

　　不好意思!接下来这个页面你会很郁闷!

Scrapy与Selenium完美结合获取小红书涨粉榜单133

　　我们想获取更多的日榜达人的数据怎么操作?借助selenium哦!为了获取更多我们结合Scrapy完成此次的爬虫任务。

　　任务要求：

　　Python3环境

　　Scrapy框架

　　Selenium 可以参照https://selenium-python-zh.readthedocs.io/en/latest/

　　谷歌浏览器+ChromeDriver

　　ChromeDriver的下载地址：https://chromedriver.storage.googleapis.com/index.html

　　首先我们创建项目：scrapy startproject qiangua_spider

　　然后进入qiangua_spider目录下，执行：scrapy genspider qiangua qian-gua.com

　　在Pycharm中打开创建的项目，目录结构如下：

Scrapy与Selenium完美结合获取小红书涨粉榜单510

　　修改settings.py文件ROBOTSTXT_OBEY 为 False

　　编写items.py文件内容如下：

Scrapy与Selenium完美结合获取小红书涨粉榜单569

　　代码如下：

import scrapy

class QianguaSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    level = scrapy.Field()
    fans = scrapy.Field()
    likeCollect = scrapy.Field()

　　编写spider.py爬虫文件，如果不登陆我们是无法看的更多的小红书达人们的账号排行、涨粉等信息。如果想看的更多则需要登陆才可以。

　　流程与思路：

　　先进入http://www.qian-gua.com/rank/category/

　　点击右上角的登陆(此过程需要有千瓜的账号才可以)

　　有两种登陆方式，我们可以选择微信扫码登陆，或者手机登陆(本案例采用手机登陆)

　　获取登陆的Cookies

　　保存Cookies并访问

　　http://api.qian-gua.com/Rank/GetBloggerRank?pageSize=50&pageIndex=页码数&dateCode=20211104&period=1&originRankType=2&rankType=2&tagId=0&_=时间戳

　　得到json数据并解析数据

　　在上述的流程中1-4，我们都是结合selenium完成的。

　　代码如下

import json
import time
import scrapy
from selenium import webdriver
from qiangua_spider.items import QianguaSpiderItem

class QianguaSpider(scrapy.Spider):
    name = 'qiangua'
    allowed_domains = ['www.qian-gua.com']
    # start_urls = ['http://www.qian-gua.com/rank/category/']

    headers = {
        'Origin': 'http://app.qian-gua.com',
        'Host': 'api.qian-gua.com',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/14.1.2 Safari/605.1.15'
    }

    def start_requests(self):
        driver = webdriver.Chrome()
        url = 'http://www.qian-gua.com/rank/category/'
        driver.get(url)
        driver.implicitly_wait(5)
        driver.find_element_by_xpath('//div[@class="loggin"]/a').click()
        time.sleep(2)
        driver.find_element_by_xpath('//div[@class="login-tab"]/span[2]').click()
        driver.find_element_by_xpath('//input[@class="js-tel"]').send_keys('15010185644')
        driver.find_element_by_xpath('//input[@class="js-pwd"]').send_keys('qiqining123')
        driver.find_element_by_xpath('//button[@class="btn-primary js-login-tel-pwd"]').click()
        time.sleep(2)
        cookies = driver.get_cookies()
        driver.close()

        jsonCookies = json.dumps(cookies) # 通过json将cookies写入文件
        with open('qianguaCookies.json', 'w') as f:
            f.write(jsonCookies)
        print(cookies)
        with open('qianguaCookies.json', 'r', encoding='utf-8') as f:
            listcookies = json.loads(f.read()) # 获取cookies

        cookies_dict = dict()
        for cookie in listcookies:
            # 在保存成dict时，我们其实只要cookies中的name和value，而domain等其他都可以不要
            cookies_dict[cookie['name']] = cookie['value']
# 更多的数据需要开通会员才可以，我们当前获取了top30的数据
        for page in range(1, 2):
            t = time.time()
            timestamp = str(t).replace(".", '')[:13]
            data_url = "http://api.qian-gua.com/Rank/GetBloggerRank?pageSize=50&pageIndex=" + str(
                page) + "&dateCode=20211104&period=1&originRankType=2&rankType=2&tagId=0&_=" + timestamp

            yield scrapy.Request(url=data_url, cookies=cookies_dict, callback=self.parse, headers=self.headers)

    def parse(self, response):
        rs = json.loads(response.text)
        if rs.get('Msg')=='ok':
            blogger_list = rs.get('Data').get("ItemList")
            for blogger in blogger_list:
                name = blogger.get('BloggerName')
                level = blogger.get('LevelName','无')
                fans = blogger.get('Fans')
                likeCollect = blogger.get('LikeCollectCount')
                item = QianguaSpiderItem()
                item['name'] = name
                item['level'] = level
                item['fans'] = fans
                item['likeCollect'] = likeCollect
                yield item

　　最后我们添加pipelines.py保存解析的数据，我们是将数据保存到csv文件中

　　代码如下：

import csv
from itemadapter import ItemAdapter

class QianguaSpiderPipeline:
    def __init__(self):
        self.stream = open('blogger.csv', 'w', newline='', encoding='utf-8')
        self.f = csv.writer(self.stream)

    def open_spider(self, spider):
        print("爬虫开始...")

    def process_item(self, item, spider):
        data = [item.get('name'), item.get('level'), item.get('fans'), item.get('likeCollect')]
        self.f.writerow(data)

    def close_spider(self, spider):
        self.stream.close()
        print('爬虫结束！')

　　务必记得将settings.py中pipelines部分的代码注释取消掉

ITEM_PIPELINES = {
'qiangua_spider.pipelines.QianguaSpiderPipeline': 300,
}

　　执行爬虫

　　scrapy crawl qiangua

　　结果很令我们满意

Scrapy与Selenium完美结合获取小红书涨粉榜单4773

更多关于 python培训的问题，欢迎咨询千锋教育在线名师。千锋教育拥有多年 IT培训服务经验，采用全程面授高品质、高体验培养模式，拥有国内一体化教学管理及学员服务，助力更多学员实现高薪梦想。