数据采集又叫网络爬虫/蜘蛛，是一个自动提取网页的程序。搜索引擎之所以能保存那么多网页，就是不断地收录各种网页，并定时去采集最新信息。
常见的爬虫软件windows版本有八爪鱼、Octoparse、火车头等，高级功能需要收费，甚至连WordPress这类插件都有。还有各种语言的采集工具。这里介绍一个介绍一个专门采集微信公众号的工具，基于 Python 2.7 + firefox 36.0 ，模拟正常人访问搜狗搜索，来采集微信公众号数据。文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
0.为什么采集
原因多多，可能是想找点好内容推荐或者转发，也有可能是收藏文章内容，数据采样、分析、整理。对于内容站点来说，更多的是获取最新，最热的关键字，没东西写的时候，转载一波。文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
1.界面预览
1） 要爬取的微信公众号列表文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
2） 要爬取的文章关键字列表文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
3） 已经爬取的微信文章文章源自很文博客https://www.hinvn.com/很文博客-https://www.hinvn.com/11186.html
4） 查看文章，并标记是否可用
5） 控制爬取进程数
2.安装
1. PYTHON环境
检查python的版本，是否为2.7.x，如果不是，安装2.7.6。
如果是centos 6.x，升级python2.6到python2.7，参考教程
如果是centos 7.x，默认就是python2.7,不用升级
如果是mac osx，可以使用virtualenv，安装python2.7
2. 安装依赖包, CLONE代码
安装Mysql-python依赖
- #yum是Linux的包管理工具，Mac下有homebrew，Python有pip
- #一般Python会附带安装pip，如果没有安装的话可以安装一下
- $ sudo easy_install pip
- yum install python-devel mysql-devel gcc
- pip里没有python-devel mysql-devel这2个插件，所以装不上，后面运行也不影响，可以跳过。
- gcc装xcode就有了，如果不安装Xcode，可以用其他方式安装如homebrew
安装lxml依赖
- yum install libxslt-devel libxml2-devel
- pip里一样没有，可以通过homebrew来安装
- 我开始也是跳过了，但后面运行程序时报错，在stackoverflow找到这个答案，解决了，运行下面四个命令就行，需要先按照homebrew。
- brew install libxml2
- brew install libxslt
- brew link libxml2 --force
- brew link libxslt --force
- tips:安装这些的时候又报Xcode错误
- Error: Xcode alone is not sufficient on Sierra.
- Install the Command Line Tools:
- xcode-select --install
- 就用提示的这句安装xcode-select。自动搜索安装后，就能安装上面4个了
安装浏览器环境 selenium依赖.(如果是mac环境，仅需安装firefox， 但确保版本是 firefox 36.0，使用最新的版本会报错)
- #mac 直接跳过这3句，下载firefox安装
- yum install xorg-x11-server-Xvfb
- yum upgrade glib2 # 确保glib2版本大于2.42.2，否则firefox启动会报错
- yum install firefox # centos下安装最新的firefox版本
- Mac firefox 36.0 下载地址：https://ftp.mozilla.org/pub/firefox/releases/36.0.1/mac/
- 安装后偏好设置注意不要让其自动更新
clone代码,安装依赖python库
- $ git clone https://github.com/bowenpay/wechat-spider.git
- $ cd wechat-spider
- $ pip install -r requirements.txt
3. 创建MYSQL数据库
创建数据库wechatspider，默认采用utf8编码。（如果系统支持，可以采用utf8mb4，以兼容emoji字符。
- mysql> CREATE DATABASE `wechatspider` CHARACTER SET utf8;
4. 安装和运行REDIS
- $ wget http://download.redis.io/releases/redis-2.8.3.tar.gz
- $ tar xzvf redis-2.8.3.tar.gz
- $ cd redis-2.8.3
- $ make
- $ make install
- $ redis-server
5. 更新配置文件LOCAL_SETTINGS
在 wechatspider 目录下,添加 local_settings.py 文件,配置如下，注意修改成自己的配置，如数据库密码:
- # -*- coding: utf-8 -*-
- SECRET_KEY="xxxxxx"
- CRAWLER_DEBUG = True
- # aliyun oss2, 可以将图片和视频存储到阿里云，也可以选择不存储，爬取速度会更快。 默认不存储。
- #OSS2_ENABLE = True
- #OSS2_CONFIG = {
- # "ACCESS_KEY_ID": "XXXXXXXXXXXXXX",
- # "ACCESS_KEY_SECRET": "YYYYYYYYYYYYYYYYYYYYYY",
- # "ENDPOINT": "",
- # "BUCKET_DOMAIN": "oss-cn-hangzhou.aliyuncs.com",
- # "BUCKET_NAME": "XXXXX",
- # "IMAGES_PATH": "images/",
- # "VIDEOS_PATH": "videos/",
- # "CDN_DOMAIN": "XXXXXX.oss-cn-hangzhou.aliyuncs.com"
- #}
- # mysql 数据库配置
- DATABASES = {
- 'default': {
- 'ENGINE': 'django.db.backends.mysql',
- 'HOST': '127.0.0.1',
- 'NAME': 'wechatspider',
- 'USER': 'root',
- 'PASSWORD': '',
- 'OPTIONS':{
- 'charset': 'utf8mb4',
- },
- }
- }
- # redis配置,用于消息队列和k-v存储
- REDIS_OPTIONS = {
- 'host': 'localhost',
- 'port': 6379,
- 'password': '',
- 'db': 4
- }
6. 初始化数据库表
- $ python manage.py migrate
7. 启动网站
- python manage.py runserver 0.0.0.0:8001
访问 http://localhost:8001/。
创建超级管理员账号,访问后台，并配置要爬取的公众号和关键字
- python manage.py createsuperuser
8. 启动爬虫
mac需要4个terminal同时跑这些服务
- $ python bin/scheduler.py
- $ python bin/downloader.py
- $ python bin/extractor.py
- $ python bin/processor.py
3.其他
- 0. 中间出现权限问题permission failed，尝试加sudo提权root
- 1. mac默认安装了一个Python，并且安全保护机制导致安装依赖的时候权限不够而出错（即使加了sudo），可以安装使用virtualenv，对项目隔离出一个独立的Python
- 2.默认抓取当天能搜索的10条，但是有些公众号群发的不止10条，可以将wechat/downloaders.py里面的 [:10] 去掉。
- 3.单机版容易被检测爬虫，要求输入验证码，甚至限制ip，提示操作过于频繁，请稍后再试。
- 4.以上步骤执行成功，并能爬取文章后。可以参考以下部分配置生产环境。部署nginx前期先用nginx将域名www.mydomain.com转发到8001端口。部署supervisor脚本参考文件
supervisord.conf部署crontab脚本参考文件
crontab - 5.进程管理，查看线程
需要自己安装和使用supervisor，并且自己修改/wechatspider/templates/nav.html，修改相应的a标签。
-
6. 后面的确是配置到头晕了，使用Intellij Idea 这个开发工具直接导入，配置独立Python env，安装依赖，运行，简单快捷。只是要注意一下：manager.py不能直接运行，需要配置script parameters:runserver 0.0.0.0:8001，爬虫的4个线程就可以直接运行。
-
7. 局限性和问题还是挺多，希望项目未来完善。而且数据采集本来就是专业活，普通用户还是使用专门的软件和插件来得快。
评论