python爬虫论坛代码_Python爬虫： 500px摄影师社区抓取摄影师数据

今天要抓取的网站为 https://500px.me/ ，这是一个摄影社区，在一个摄影社区里面本来应该爬取的是图片信息，可是我发现好像也没啥有意思的，忽然觉得爬取一下这个网站的摄影师更好玩一些，所以就有了这篇文章的由来。

基于上面的目的，我找了了一个不错的页面 https://500px.me/community/search/user

不过细细分析之后，发现这个页面并不能抓取到尽可能多的用户，因为下拉一段时间，就不能继续了，十分糟心，难道我止步于此了么，显然不可能的，一番的努力之后(大概废了1分钟吧)，我找到了突破口，任意打开一个用户的个人中心页，就是点击上述链接的任意用户头像，出现如下操作。

用户个人中心页面，竟然有关注列表唉~~，nice啊，这个好趴啊，F12分析一下。

哒哒哒，数据得到了。

URL是 https://500px.me/community/res/relation/4f7fe110d4e0b8a1fae0632b2358c8898/follow?startTime=&page=1&size=10&type=json

参数分别如下，实际测试发现size可以设置为100

https://500px.me/community/res/relation/{用户ID}/follow?startTime=&page={页码}&size={每页数据}&type=json

那么我们只需要这么做就可以了获取关注总数

关注总数除以100，循环得到所有的关注者(这个地方为什么用关注，不用粉丝，是因为被关注的人更加有价值)

明确我们的目标之后，就可以开始写代码了。

撸代码

基本操作，获取网络请求，之后解析页面，取得关注总数。

用户的起始，我选择的id是5769e51a04209a9b9b6a8c1e656ff9566，你可以随机选择一个，只要他有关注名单，就可以。

导入模块，这篇博客，用到了redis和mongo，所以相关的基础知识，我建议你提前准备一下，否则看起来吃力。

上面代码中有一个非常重要的逻辑，就是为什么要先匹配种子地址的【关注数】和【用户ID】，这两个值是为了拼接下面的URL

https://500px.me/community/res/relation/{}/follow?startTime=&page={}&size=100&type=json

经过分析，你已经知道，这个地方第一个参数是用户id,第二个参数是页码page，page需要通过关注总数除以100得到。不会算的，好好在纸上写写吧~

我们可以通过一个方法，获取到了种子用户的关注列表，以此继续爬取下去，完善生产者代码。关键代码都进行了注释标注。

思路如下：死循环不断获取need_crawlids 变量中的用户，然后获取该用户的关注者列表。

爬取到的信息，写入redis方便验证重复，快速存储。

由于500px无反爬虫，所以运行起来速度也是飞快了，一会就爬取了大量的数据，目测大概40000多人，由于咱是写教程的，我停止了爬取。

这些数据不能就在redis里面趴着，我们要用它获取用户的所有信息，那么先找到用户信息接口，其实在上面已经使用了一次

https://500px.me/community/v2/user/indexInfo?queriedUserId={} 后面的queriedUserId对应的是用户id，只需要从刚才的数据里面获取redis的key就可以了，开始编写消费者代码吧，我开启了5个线程抓取。

代码没有特别需要注意的，可以说非常简单了，关于redis使用也不多。

(⊙o⊙)…经过几分钟的等待之后，大量的用户信息就来到了我的本地。