第一次写爬虫，爬了课程格子的校花榜

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3202 天前的主题，其中的信息可能已经有所发展或是发生改变。

果然是大过年了闲了蛋疼，给自己找乐子。写了个很简陋的爬虫，爬校花。请原谅我，性能是硬伤> <
kechenggezi-Spider
有大牛愿意帮忙改进么。。。

爬虫

校花

GitHub

乐子

29 条回复 • 2016-02-14 11:23:40 +08:00

Kirscheis

2016-02-12 19:02:56 +08:00

设备 token 是什么。。没用过课程格子，这个东西是需要用类似 mitm 抓包的方法拿到的吗？还是算法生成的？
另外看到代码 cookie 里写死的_kecheng_session ，确定这个值不会改变吗。。？

mianju

2016-02-12 19:13:05 +08:00

@Kirscheis token 是抓包得到的，_kecheng_session 这个会不会变我也没试过，因为手上只是用了一个账号来做的实验。另外，感觉 token 是假的，我就随便输了个 token ，也是能抓取数据的。

wenyu1001

2016-02-12 19:25:03 +08:00

上 gevent or scrapy, 另外需要 code review 。

mianju

2016-02-12 19:26:16 +08:00

@wenyu1001 多谢指点> <

shyling

2016-02-12 19:27:29 +08:00

为什么我看到性能想入非非= =

mianju

2016-02-12 19:29:51 +08:00

@shyling 这。。。。

itfanr

2016-02-12 20:38:42 +08:00

@shyling 好没出息

Kirscheis

2016-02-12 22:00:32 +08:00

@mianju 原来是这样。测试了一下你的爬虫，图片只下载了前二十张就卡住了 (bug?) 。。。单线程下载爬速确实感人。另外返回的图片 url 可以直接去掉后面的 !300x300 ，这样就可以下载到原图了。

Kirscheis

2016-02-12 22:04:41 +08:00

@mianju 我试试加个多线程功能。另外对方返回的本来就是 serialize 了的 json 格式，感觉可以多保存点信息，比如说直接保存 pretty-print 的 jsonline 文件之类的。。

Kirscheis

2016-02-12 23:02:01 +08:00 via Android

发现自己并不会用 python2 。。直接用 scrapy 重构了

icedx

2016-02-12 23:04:22 +08:00

为啥不换个头像呢?

mianju

2016-02-13 00:01:07 +08:00

@Kirscheis 没有吧，我这边是慢慢悠悠的跑完了 9 千多个照片，就是速度慢，括弧哭，非常感谢你的帮助，第一次写爬虫，所以写的很烂，见谅> <

gateswong

2016-02-13 02:09:29 +08:00 via Android

性能还好其实你爬太快的话反而对网站不友好还可能被封

shyling

2016-02-13 02:32:14 +08:00 via iPad

@itfanr 妈蛋，我怎么没出息了

lijsh

2016-02-13 10:46:50 +08:00

看了下楼主代码，好像 request 用了两次？一次用来求 page 总数，一次用来迭代结果页；感觉可以再打磨一下，结果可不可以一页一页出，像 Generator 那样？

hqs123

2016-02-13 12:54:27 +08:00

楼主很厉害啊

xuxiangyang

2016-02-13 14:01:20 +08:00

楼主你好，从我们群里看到了你的帖子，也看了你的 github 。感觉你是个很不错的同学，有没有兴趣来课程格子玩玩爬虫，做做开发呀？有兴趣的话请给我发邮件： [email protected] 课程格子工程师徐向阳

N4HS3zwwKs7wira0

2016-02-13 14:06:18 +08:00

@xuxiangyang 给多少工资啊 2333

aksoft

2016-02-13 15:46:29 +08:00

亮点是校花

ahxxm

2016-02-13 17:19:14 +08:00

cookies 丢.gitignore 里吧.... 你这么 commit 上去不太安全

penjianfeng

2016-02-13 19:17:47 +08:00

校花榜...要不我也去爬一下...

jackyuJ

2016-02-13 19:20:37 +08:00

= = 你可以再尝试弄个聚类。

xuxiangyang

2016-02-13 20:18:54 +08:00

@lianxiangru 可以发简历，然后私聊~

mianju

2016-02-14 10:24:30 +08:00

@xuxiangyang 当然有兴趣> <,没想到第一次做爬虫就能引起课程格子的注意，还担心写爬虫会违法括弧哭。

mianju

2016-02-14 10:27:25 +08:00

@ahxxm 非常感谢你的提醒，在后面我会改进的

mianju

2016-02-14 10:35:56 +08:00

@lijsh 做这个是心血来潮，当时也没考虑太多，就随便先写出一个，来测试一下是否真的能跑完全部的头像

luw2007

2016-02-14 10:51:19 +08:00

爬取图片没有什么好的办法。如果过频繁抓取。会被禁用掉得。

+++ b/xhspider.py
@@ -42,12 +42,12 @@ def main():
#以下代码为保存图片
count += 1
conn = requests.get(p[i]['avatar_url'], cookies=cookies,headers=headers)
- name = str(i) +'.jpg'
+ name = str(count) +'.jpg'
f = open(r'/path/to/save/'+ name,'wb') #填写保存位置
f.write(conn.content)
f.close()
@Kirscheis 保存的逻辑有问题。

mianju

2016-02-14 10:54:38 +08:00

@luw2007
我写的处理方式是修改请求中的 cur_time ，见 xhspider.py 文件，虽然效率低，但是确实能跑完。

luw2007

2016-02-14 11:23:40 +08:00

@mianju 服务端封禁请求方法很多。目测目前这个接口没有做访问限制。
最严厉的限制是封 ip ，一般的做法是利用大量第三方代理去下载图片。