今天我们分享下用Python爬取知乎前100用户的数据，选择对象是知乎排行榜前100用户，各自按访问量从高到低排序爬取他们个人主页的所有文章数据，包括赞同数、收藏数、标题等等，使用一些简单的数据分析手段看看技术。

首先我们打开知乎的个人主页，利用requests分析下网站，简单的分析后发现单纯的访问不带cookie返回的是空页面，而且多次访问后会被封IP，所以我们需要获取数据爬虫程序里面就需要添加上cookie和代理IP，最好是ua一起加上。代理的选择这里推荐亿牛云爬虫代理IP，IP池大，延迟低，速度快，对于有一定反爬机制的网站是最好的选择。访问过知乎的都知道，是需要先登录才能看到内容的，所以这里我们选择使用Selenium模拟浏览器的方式进行登录操作。在获取数据过程加上代理获取数据的实现过程如下：

from selenium import webdriver

import string

import zipfile

# 代理服务器(产品官网 www.16yun.cn)

proxyHost = "t.16yun.cn"

proxyPort = "3111"

# 代理验证信息

proxyUser = "username"

proxyPass = "password"

def create_proxy_auth_extension(proxy_host, proxy_port,

proxy_username, proxy_password,

scheme='http', plugin_path=None):

if plugin_path is None:

plugin_path = r'/tmp/{}_{}@t.16yun.zip'.format(proxy_username, proxy_password)

manifest_json = """

{

"version": "1.0.0",

"manifest_version": 2,

"name": "16YUN Proxy",

"permissions": [

"proxy",

"tabs",

"unlimitedStorage",

"storage",

"<all_urls>",

"webRequest",

"webRequestBlocking"

],

"background": {

"scripts": ["background.js"]

},

"minimum_chrome_version":"22.0.0"

}

"""

background_js = string.Template(

"""

var config = {

mode: "fixed_servers",

rules: {

singleProxy: {

scheme: "${scheme}",

host: "${host}",

port: parseInt(${port})

},

bypassList: ["localhost"]

}

};

chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});

function callbackFn(details) {

return {

authCredentials: {

username: "${username}",

password: "${password}"

}

};

}

chrome.webRequest.onAuthRequired.addListener(

callbackFn,

{urls: ["<all_urls>"]},

['blocking']

);

"""

).substitute(

host=proxy_host,

port=proxy_port,

username=proxy_username,

password=proxy_password,

scheme=scheme,

)

print(background_js)

with zipfile.ZipFile(plugin_path, 'w') as zp:

zp.writestr("manifest.json", manifest_json)

zp.writestr("background.js", background_js)

return plugin_path

proxy_auth_plugin_path = create_proxy_auth_extension(

proxy_host=proxyHost,

proxy_port=proxyPort,

proxy_username=proxyUser,

proxy_password=proxyPass)

option = webdriver.ChromeOptions()

option.add_argument("--start-maximized")

# 如报错 chrome-extensions

# option.add_argument("--disable-extensions")

option.add_extension(proxy_auth_plugin_path)

# 关闭webdriver的一些标志

# option.add_experimental_option('excludeSwitches', ['enable-automation'])

driver = webdriver.Chrome(

chrome_options=option,

executable_path="./chromdriver"

)

# 修改webdriver get属性

# script = '''

# Object.defineProperty(navigator, 'webdriver', {

# get: () => undefined

# })

# '''

# driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {"source": script})

driver.get("https://httpbin.org/ip")

通过爬虫程序我们已经可以获取得到文章数据了，把获取到的数据保存到本地，但是这些获取的文章数据比较杂乱，我们需要经过后期的清洗整理后才能有 完整的数据。整个过程比较粗略，重点是给大家分析了应对网站反爬机制的策略，毕竟对爬虫来说越有数据价值的网站反爬机制就严格，我们要在实践中不停的提升我们的技术能力。