去年我們做過一個叫「學長問答」的社群活動，里面沉淀了大量有價值的互動信息，后來因為各種原因終止了。今天和涂騰聊起來，覺得這些信息就這么沉寂了太浪費。所以就試著用python爬取了知識星球的內容。
這個過程又學習了一些新的知識，已經在代碼中以批注的形式寫出。但還有一個沒有解決的問題，就是一個提問底下可以跟好幾個評論，我暫時還不能在輸出結果里將「一個提問+n個評論」以整體的形式給出，而只能把評論的信息以一個字典的形式展現，這算是沒有爬取的太徹底。將來再看看有沒有新的解決方法。
import requests
import json
import urllib
import csv
#頭信息。網站只提供掃碼登陸的方式，沒有賬號密碼。我以為應該比較麻煩，但在header信息里找到了Authorization信息之后，直接可以保持登陸狀態了。
# 令一個標志是直接在瀏覽器里訪問內頁網址的話，瀏覽器的報錯是“{"succeeded":false,"code":401,"info":"","resp_data":{}}”，這個很像原來node.js的數據中心沒有登陸的報錯，而數據中心的模擬登陸也是通過在header中添加Authorization來實現的。
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',
'Referer': 'https://wx.zsxq.com/dweb/',
'Authorization': '51EC09CA-6BCC-8847-4419-FA04A2FC9E00'
}
#打開并寫入csv文件
f = open('/Users/damo/Desktop/wendatuan.csv', 'w+')
writer = csv.writer(f)
writer.writerow(['created_time','ask_name','ask_content','comment'])
#定義爬取信息的函數主體
def get_info(url):
res = requests.get(url,headers = headers)
json_data = json.loads(res.text)
datas = json_data['resp_data']['topics']
for data in datas:
if 'talk' in data.keys(): # 判斷json中是否包含 talk 這個鍵
ask_name = data['talk']['owner']['name']
ask_content = data['talk']['text']
else:
ask_name = ''
ask_content = ''
if 'show_comments' in data.keys():
comment = data['show_comments']
else:
comment = ''
created_time = data['create_time']
writer.writerow([created_time,ask_name,ask_content,comment])
# 截止到前面的代碼，已經可以實現一個頁面的爬取。下面的代碼內容主要任務是實現“如何自動實現多頁面爬取”
# 多頁面的爬取是通過Network中Query String Parameters來實現的：這里提供兩個參數，觀察之后發現count是固定值，而end_time和網址最后的時間是一樣的。
# 只不過在網頁中用到了 urlencode的轉化，這部分是新學習的知識。
# 在這個爬蟲案例中，網頁構造的核心邏輯是“上一組最后一個數據的創建時間剛好是下一組數據訪問網址中的一個參數”，以此來構造循環抓取的網址
end_time = datas[19]['create_time']
url_encode = urllib.parse.quote(end_time) # urlencode，將網址中的文本轉化
next_url = 'https://api.zsxq.com/v1.10/groups/518282858584/topics?count=20&end_time='+url_encode # 通過觀察構造下一組數據的網址
get_info(next_url) # 這里比較巧，直接在函數內部再次調用函數，從而實現不斷的自循環
if __name__ == '__main__':
url = 'https://api.zsxq.com/v1.10/groups/518282858584/topics?count=20'
get_info(url)
)
