# -*- coding: utf-8 -*- # 导入依赖包
import scrapy
from selenium import webdriver
import time
import json # 构建spider自动生成的基本配置
class ZhihuSpider(scrapy.Spider):
name = 'zhihu'
allowed_domains = ['www.zhihu.com']
start_urls = ['http://www.zhihu.com/'] # 模拟请求的headers,非常重要,不设置也可能知乎不让你访问请求
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0",
"HOST": "www.zhihu.com"
} # 第一步:使用selenium登录知乎并获取登录后的cookies,cookies没失效时,只要初次请求执行一次
def loginZhihu(self):
# 登录网址
loginurl='https://www.zhihu.com/signin'
# 加载webdriver驱动,用于获取登录页面标签属性
driver=webdriver.Chrome()
driver.get(loginurl) # 方式1 通过填充用户名和密码
# driver.find_element_by_name('username').clear() # 获取用户名框
# driver.find_element_by_name('username').send_keys(u'username') # 填充用户名
# driver.find_element_by_name('password').clear() # 获取密码框
# driver.find_element_by_name('password').send_keys(u'password') # 填充密码
# time.sleep(10) # 执行休眠10s等待浏览器的加载
# input("检查网页是否有验证码要输入,有就在网页输入验证码,输入完后在编辑器中回车;如果无验证码,则直接回车")
# 非常关键,有时候知乎会在输入密码后弹出验证码,这一步可将代码执行暂时停滞
# driver.find_element_by_css_selector("button[class='Button SignFlow-submitButton Button--primary Button--blue']").click() # 点击登录按钮 # 方式2 直接通过扫描二维码,如果不是要求全自动化,建议用这个,非常直接
# 毕竟我们这一步只是想保存登录后的cookies,至于用何种方式登录,可以不必过于计较
time.sleep(10) # 同样休眠10s等待页面
input("请页面二维码,并确认登录后,点击回车:") #点击二维码手机扫描登录
# 通过上述的方式实现登录后,其实我们的cookies在浏览器中已经有了,我们要做的就是获取
cookies = driver.get_cookies() # Selenium为我们提供了get_cookies来获取登录cookies
driver.close() # 获取cookies便可以关闭浏览器
# 然后的关键就是保存cookies,之后请求从文件中读取cookies就可以省去每次都要登录一次的
# 当然可以把cookies返回回去,但是之后的每次请求都要先执行一次login没有发挥cookies的作用
jsonCookies=json.dumps(cookies) # 通过json将cookies写入文件
with open('zhihuCookies.json','w') as f:
f.write(jsonCookies)
print(cookies)
# return cookies # Scrapy使用保存ookies请求发现模块,看是否是登录之后的状态
def question(self,response):
with open('zhihu_find.html','w',encoding='utf-8') as f:
f.write(response.text) #写入文件,保存成.html文件
pass def parse(self, response):
pass # scrapy请求的开始时start_request
def start_requests(self):
zhihu_findUrl = 'https://www.zhihu.com/explore'
self.loginZhihu() # 首次使用,先执行login,保存cookies之后便可以注释,
# 毕竟每次执行都要登录还是挺麻烦的,我们要充分利用cookies的作用
# 从文件中获取保存的cookies
with open('zhihuCookies.json','r',encoding='utf-8') as f:
listcookies=json.loads(f.read()) # 获取cookies
# 把获取的cookies处理成dict类型
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']
print(cookies_dict)
# Scrapy发起其他页面请求时,带上cookies=cookies_dict即可,同时记得带上header值,
yield scrapy.Request(url=zhihu_findUrl,cookies=cookies_dict,callback=self.question,headers=self.headers)