Python爬虫教程

爬虫功能：

此项目实现将单机的新浪微博爬虫重构成分布式爬虫。

Master机只管任务调度，不管爬数据；Slaver机只管将Request抛给Master机，需要Request的时候再从Master机拿。

环境、架构：

开发语言：Python2.7

开发环境：64位Windows8系统，4G内存，i7-3612QM处理器。

数据库：MongoDB 3.2.0、Redis 3.0.501

（Python编辑器：Pycharm；MongoDB管理工具：MongoBooster；Redis管理工具：RedisStudio）

爬虫框架使用 Scrapy，使用 scrapy_redis 和 Redis 实现分布式。

分布式中有一台机充当Master，安装Redis进行任务调度，其余机子充当Slaver只管从Master那里拿任务去爬。原理是：Slaver运行的时候，scrapy遇到Request并不是交给spider去爬，而是统一交给Master机上的Redis数据库，spider要爬的Request也都是从Redis中取来的，而Redis接收到Request后先去重再存入数据库，哪个Slaver要Request了再给它，由此实现任务协同。

使用说明：

Python需要安装好Scrapy、pymongo、json、base64、requests。

Master机只需要安装好Redis即可（内存要求大点），Slaver机需要安装python环境和MongoDB来存储数据。如果想要将数据都存储到一台机子上，直接改一下爬虫程序（pipeline）里面MongoDB的IP即可，或者建议搭建一个MongoDB集群。Redis和MongoDB都是安装好即可，不需要配置。

将你用来登录的微博账号和密码加入到 cookies.py 文件中，里面已经有两个账号作为格式参考了。

可以修改scrapy里面setting的设置，例如间隔时间、日志级别、redis的IP等等。

以上配置完以后运行 Begin.py 即可。重申Master机不需要跑程序，它的功能是利用Redis进行任务调度。Slaver机跑爬虫，新增一台Slaver机，只需要把python环境和MongoDB搭建好，然后将代码复制过去直接运行就行了。

项目源码

 1 # encoding=utf-8 2 import json 3 import base64 4 import requests 5   6 """ 7 输入你的微博账号和密码，可去淘宝买，一元七个。 8 建议买几十个，微博反扒的厉害，太频繁了会出现302转移。 9 或者你也可以把时间间隔调大点。10 """11 myWeiBo = [12     {'no': '[e-mail]', 'psw': 'a123456'},13     {'no': '[e-mail]', 'psw': 'a123456'},14 ]15  16  17 def getCookies(weibo):18     """ 获取Cookies """19     cookies = []20     loginURL = r'https://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.4.15)'21     for elem in weibo:22         account = elem['no']23         password = elem['psw']24         username = base64.b64encode(account.encode('utf-8')).decode('utf-8')25         postData = {26             "entry": "sso",27             "gateway": "1",28             "from": "null",29             "savestate": "30",30             "useticket": "0",31             "pagerefer": "",32             "vsnf": "1",33             "su": username,34             "service": "sso",35             "sp": password,36             "sr": "1440*900",37             "encoding": "UTF-8",38             "cdult": "3",39             "domain": "sina.com.cn",40             "prelt": "0",41             "returntype": "TEXT",42         }43         session = requests.Session()44         r = session.post(loginURL, data=postData)45         jsonStr = r.content.decode('gbk')46         info = json.loads(jsonStr)47         if info["retcode"] == "0":48             print "Get Cookie Success!( Account:%s )" % account49             cookie = session.cookies.get_dict()50             cookies.append(cookie)51         else:52             print "Failed!( Reason:%s )" % info['reason']53     return cookies54  55  56 cookies = getCookies(myWeiBo)57 print "Get Cookies Finish!( Num:%d)" % len(cookies)

在成为一个优秀的Python开发工程师的道路上，充满了汗水和辛劳

初学者对Python开发能做什么，学的时候该按照什么线路去学习，学完往哪方面发展？想深入系统了解Python可以复制有道云链接到浏览器打开系统的了解学习：http://note.youdao.com/noteshare?id=e4fa02e7b56d7909a27674cdb3da08aa