Python爬蟲入門教程 3-100 美空網數據爬取

時間  2019-12-04
標籤 python 爬蟲 入門 教程 數據 欄目 Python 简体版
原文   原文鏈接

1.美空網數據-簡介

從今天開始，咱們嘗試用2篇博客的內容量，搞定一個網站叫作「美空網」網址爲：http://www.moko.cc/， 這個網站我分析了一下，咱們要爬取的圖片在 下面這個網址html

http://www.moko.cc/post/13020...

而後在去分析一下，我須要找到一個圖片列表頁面是最好的，做爲一個勤勞的爬蟲coder，我找到了這個頁面python

http://www.moko.cc/post/da39d...

列表頁面被我找到了，貌似沒有分頁，這就簡單多了，可是剛想要爬，就翻車了，我發現一個嚴重的問題。linux

http://www.moko.cc/post/==da3...git

我要作的是一個自動化的爬蟲，可是我發現，出問題了，上面那個黃色背景的位置是啥？github

ID，暱稱，個性首頁，這個必需要搞定。正則表達式

我接下來隨機的找了一些圖片列表頁，試圖找到規律究竟是啥？mongodb

  1. http://www.moko.cc/post/978c7...
  2. http://www.moko.cc/post/junda...
  3. http://www.moko.cc/post/slavi...
  4. ......

沒什麼問題，發現規律了shell

http://www.moko.cc/post/==個...數據庫

這就有點意思了，我要是能找到儘可能多的暱稱，不就能拼接出來我想要得全部地址了嗎api

開幹！！！

手段，全站亂點，找入口，找切入點，找是否有API

.... .... 結果沒找着

下面的一些備選方案

趴這個頁面，發現只有 20頁 http://www.moko.cc/channels/p...

每頁48個模特，20頁。那麼也才960人啊，徹底覆蓋不到儘量多的用戶。

接着又找到

http://www.moko.cc/catalog/in... 這個頁面

確認了一下眼神，覺得發現問題了，結果

clipboard.png

哎呀，還麼有權限，誰有權限，能夠跟我交流一下，一時激動，差點去下載他們的APP，而後進行抓包去。

上面兩條路，都很差弄，接下來繼續找路子。

無心中，我看到了一絲曙光

clipboard.png

關注名單，點進去

clipboard.png

哈哈哈，OK了，這不就是，我要找到的東西嗎？

很少說了，爬蟲走起，測試一下他是否有反扒機制。

我找到了一個關注的人比較多的頁面，1500多我的

http://www.moko.cc/subscribe/...

而後又是一波分析操做

2.美空網數據- 爬蟲數據存儲

肯定了爬蟲的目標，接下來，我作了兩件事情，看一下，是否對你也有幫助

  1. 肯定數據存儲在哪裏？最後我選擇了MongoDB
  2. 用正則表達式去分析網頁數據

對此，咱們須要安裝一下MongoDB，安裝的辦法確定是官網教程啦！

https://docs.mongodb.com/mast...

若是官方文檔沒有幫助你安裝成功。

那麼我推薦下面這篇博客

https://www.cnblogs.com/hacky...

安裝MongoDB出現以下結果

clipboard.png

恭喜你安裝成功了。

接下來，你要學習的是 關於mongodb用戶權限的管理

http://www.cnblogs.com/shiyiw...

mongodb索引的建立

https://blog.csdn.net/salmone...

別問爲啥我不從新寫一遍，懶唄~~~ 何況這些資料太多了，互聯網大把大把的。

一些我常常用的mongdb的命令

連接 mongo --port <端口號>

選擇數據庫 use admin 

展現當前數據庫  db 

當前數據庫受權  db.auth("用戶名","密碼")

查看數據庫  show dbs

查看數據庫中的列名  show collections 

建立列  db.createCollection("列名")

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

展現全部索引 db.col.getIndexes()

刪除索引 db.col.dropIndex("索引名字")  

查找數據  db.列名.find()

查詢數據總條數  db.列名.find().count()

上面基本是我最經常使用的了，咱們下面實際操做一把。

用Python連接MongoDB

使用 pip3 安裝pymongo庫

使用pymongo模塊鏈接mongoDB數據庫

一些準備工做

  1. 建立dm數據庫

    連接上mongodb 在終端使用命令 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. 配置用戶權限：接着上面輸入命令 show dbs 查看權限

clipboard.png

權限不足

  1. 建立管理用戶
db.createUser({user: "userAdmin",pwd: "123456", roles: [ { role: "userAdminAnyDatabase", db: "admin" } ] } )
  1. 受權用戶
db.auth("userAdmin","123456")
  1. 查看權限
> db.auth("userAdmin","123456")
1
> show dbs
admin   0.000GB
config  0.000GB
local   0.000GB
moko    0.013GB
test    0.000GB
>
  1. 接下來建立 dm數據庫<在這以前還須要建立一個讀寫用戶>
> 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. 從新受權
db.auth("dba","dba")
  1. 建立一列數據
> db.createCollection("demo")
{ "ok" : 1 }
> db.collections
dm.collections
> show collections
demo
>
  1. Python實現插入操做
import pymongo as pm  #確保你已經安裝過pymongo了

 # 獲取鏈接
client = pm.MongoClient('localhost', 21111)  # 端口號是數值型

# 鏈接目標數據庫
db = client.dm

# 數據庫用戶驗證
db.authenticate("dba", "dba")
post = {
        "id": "111111",
        "level": "MVP",
        "real":1,
        "profile": '111',
        'thumb':'2222',
        'nikename':'222',
        'follows':20
}

db.col.insert_one(post) # 插入單個文檔

# 打印集合第1條記錄
print (db.col.find_one())
  1. 編譯執行
[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，咱們到如今爲止，實現了mongodb的插入問題。

3.美空網數據-用Python 爬取關注對象

首先，我須要創造一個不斷抓取連接的類

這個類作的事情，就是分析

http://www.moko.cc/subscribe/...

這個頁面，總共有多少頁，而後生成連接

clipboard.png

抓取頁面中的總頁數爲77

clipboard.png

正則表達式以下

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

在這裏，由全部的分頁都同樣，因此，我匹配了所有的頁碼，而後計算了數組中的最大值

#獲取頁碼數組
pages = re.findall(r'onfocus=\"this\.blur\(\)\">(\d*?)<',content,re.S)   #獲取總頁數
page_size = 1
if pages:  #若是數組不爲空
    page_size = int(max(pages))   #獲取最大頁數

接下來就是咱們要搞定的生產者編碼階段了，咱們須要打造一個不斷獲取鏈接的爬蟲

簡單的說就是

咱們須要一個爬蟲，不斷的去爬取

http://www.moko.cc/subscribe/... 這個頁面中全部的用戶，而且還要爬取到總頁數。

好比查看上述頁面中,咱們要獲取的關鍵點以下

clipboard.png

經過這個頁面，咱們要獲得，這樣子的一個數組，注意下面數組中有個位置【我用爬蟲爬到的】這個就是關鍵的地方了

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/【我用爬蟲爬到的】/1.html"
    
    
    ]

引入必備模塊

# -*- coding: UTF-8 -*-
import requests   #網絡請求模塊
import random     #隨機模塊
import re         #正則表達式模塊
import time       #時間模塊
import threading  #線程模塊
import pymongo as pm   #mongodb模塊

接下來，咱們須要準備一個通用函數模擬UserAgent作一個簡單的反爬處理

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

編寫生產者的類和核心代碼,Producer繼承threading.Thread

#生產者
class Producer(threading.Thread):
    
    def run(self):
        print("線程啓動...")
        headers = Config().getHeaders()

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

測試運行，一下，看是否能夠啓動

[linuxboy@bogon moocspider]$ python3 demo.py
線程啓動...
{'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]$

若是上面的代碼沒有問題，接下來就是咱們爬蟲代碼部分了，爲了方便多線程之間的調用，咱們仍是建立一個共享變量在N個線程之間調用

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

 # 獲取鏈接
client = pm.MongoClient('localhost', 21111)  # 端口號是數值型

# 鏈接目標數據庫
db = client.moko

# 數據庫用戶驗證
db.authenticate("moko", "moko")

urls = ["http://www.moko.cc/subscribe/chenhaoalex/1.html"]
index = 0   #索引
g_lock = threading.Lock()  #初始化一個鎖  



#生產者
class Producer(threading.Thread):
    
    def run(self):
        print("線程啓動...")
        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() #使用完成以後及時把鎖給釋放，方便其餘線程使用
            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("生產者異常")
                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()

上面代碼除了基本操做之外，我作了一些細小的處理

如今說明以下

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

這部分代碼，是爲了消費者使用時候，方便進行查找而且刪除操做而特地改造的，增長了一個字段index做爲標識

第二個部分，插入數據的時候，我進行了批量的操做使用的是insert_many函數，而且關鍵的地方，我增長了一個ordered=False的操做，這個地方你們能夠自行研究一下，個人目的是去掉重複數據，默認狀況下insert_many函數若是碰到數據重複，而且在mongodb中建立了索引==建立索引的辦法，你們自行翻閱文章上面==，那麼是沒法插入的，可是這樣子會插入一部分，只把重複的地方略過，很是方便。

關於pymongo的使用，你們能夠參考官網手冊

這個是 pymongo的官方教程

http://api.mongodb.com/python...

MongoDB的手冊你們也能夠參考

https://docs.mongodb.com/manu... 
db.text.insert_many(fo_url,ordered=False )

咱們連接上MongoDB數據庫，查詢一下咱們剛剛插入的數據

> 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

其實上面代碼，有一個很是嚴重的BUG，就是當咱們實際操做的時候，發現，咱們每次獲取到的都是咱們使用this_url = "http://www.moko.cc/subscribe/%s/1.html" % u 進行拼接的結果。

也就是說，咱們獲取到的永遠都是第1頁。這個按照咱們以前設計的就不符合邏輯了，

咱們還要獲取到分頁的內容，那麼這個地方須要作一個簡單的判斷，就是下面的邏輯了。

==若是完整代碼，你們不知道如何觀看，能夠直接翻閱到文章底部，有對應的github連接==

#若是是第一頁，那麼須要判斷一下
#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)   #獲取總頁數
    page_size = 1
    if pages:
        page_size = int(max(pages))   #獲取最大頁數
        if page_size > 1:   #若是最大頁數大於1，那麼獲取全部的頁面
            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數據添加
            g_lock.release()
            try:
                db.text.insert_many(url_arr,ordered=False )
            except Exception as e:
                print("數據庫輸入異常")
                print (e)
                continue
            
        else:
            pass
    else:
            pass

截止到如今爲止，其實你已經實現了連接的生產者了 。

咱們在MongoDB中生成了一堆連接，接下來就是使用階段了。

使用起來也是很是簡單。

我先給你們看一個比較複雜的正則表達式爬蟲寫的好很差，正則表達式站很重要的比例哦~

divEditOperate_(?P<ID>\d*)[\"] .*>[\s\S]*?<p class=\"state\">.*?(?P<級別>\w*P).*</span></span>(?P<是否定證><br/>)?.*?</p>[\s\S]*?<div class=\"info clearfix\">[\s\S]*?<a class=\"imgBorder\" href=\"\/(?P<主頁>.*?)\" hidefocus=\"true\">[\s\S]*?<img .*?src=\"(?P<頭像>.*?)\".*?alt=\".*?\" title=\"(?P<暱稱>.*?)\" />[\s\S]*?<p class=\"font12 lesserColor\">(?P<地點>.*?)&nbsp.*?<span class=\"font12 mainColor\">(?P<粉絲數目>\d*?)</span>

上面這個正則表達式，就是我爲

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

這個頁面專門準備的。

這樣子，我就能夠直接獲取到我想要的全部數據了。

clipboard.png

消費者的代碼以下

get_index = 0
#消費者類
class Consumer(threading.Thread):
    
    def run(self):
        headers = Config().getHeaders()

        global get_index 
        while True:
            
            g_lock.acquire() 
            get_index += 1
            g_lock.release()
            #從剛纔數據存儲的列裏面獲取一條數據，這裏用到find_one_and_delete方法
            #get_index 須要聲明成全局的變量
            link = db.links.find_one_and_delete({"index":get_index})
            page_url = ""
            if link:
                page_url = link["link"]
                print(page_url+">>>網頁分析中...")
            else:
                continue

            response = ""
            try:
                response = requests.get(page_url,headers=headers,timeout=5)
                
            except Exception as http:
                print("消費者有異常")
                print(http)
                continue
            
            content = response.text 
            rc = re.compile(r'divEditOperate_(?P<ID>\d*)[\"] .*>[\s\S]*?<p class=\"state\">.*?(?P<級別>\w*P).*</span></span>(?P<是否定證><br/>)?.*?</p>[\s\S]*?<div class=\"info clearfix\">[\s\S]*?<a class=\"imgBorder\" href=\"\/(?P<主頁>.*?)\" hidefocus=\"true\">[\s\S]*?<img .*?src=\"(?P<頭像>.*?)\".*?alt=\".*?\" title=\"(?P<暱稱>.*?)\" />[\s\S]*?<p class=\"font12 lesserColor\">(?P<地點>.*?)&nbsp.*?<span class=\"font12 mainColor\">(?P<粉絲數目>\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("數據庫輸入異常")
                print (e)
                continue

            time.sleep(1)

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

當你使用python3 demo.py 編譯demo以後，屏幕滾動以下結果，那麼你成功了。

接下來就能夠去數據庫查閱數據去了。

[linuxboy@bogon moocspider]$ python3 demo.py
線程啓動...
{'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>>>網頁分析中...
['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': '大連', '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': '何應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':

記得處理數據的時候去掉重複值

>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" : "大連", "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" : "何應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" }
{ "_

最後一步，若是你想要把效率提升，修改線程就行了

if __name__ == "__main__":

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

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

通過3個小時的爬取，我獲取了70000多美空的用戶ID，原則上，你能夠獲取到全部的被關注者的，不過這些數據對咱們測試來講，已經足夠使用。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程