【教程】终于对吾爱下手了，吾爱简单数据爬虫第一课
本帖最后由 天域至尊 于 2019-2-21 11:13 编辑这是第一课
人呐，就不能闲。闲了就难受，刚过情人节就闲的难受，本着好网站，万人爬的基础思想，我打起了爬吾爱站的想法，不知管理看了这篇文章是什么想法？
额，在此声明啊，我是爬爬玩，不是盗取数据。
我想起来了linux社区当年的故事，人家好心给他们提供服务免费搭建linux社区，他们日人家服务器，绿林好汉，惹不起惹不起。吾爱站里估计也都是绿林好汉吧。
其实本次想讲的是通用爬虫，前几次讲的都没有涉及到通用爬虫，通用爬虫对论坛类的网站数据爬取具有奇效，就比如曾经发现过一个成人视频论坛，严重违反我国法律法规，太过分了，为了让网站站长迷途知返，主动改邪归正，我就写了个爬虫去给他服务器增加压力，也顺便固定了他们的犯罪证据，防止以后我找不到种子，呀呸，防止他们案发销毁证据。
我记得爬虫运行的第一晚就获取了7G的种子，我的天，开玩笑呢，再有十个肾也看不完啊，呀呸！怎么着不得判他们好几年啊！但是这个网站还没死，我用它来讲解的话容易导致不怀好意的小朋友去不干好事，等它死了，我就按照那个网站的爬虫再来讲解下通用爬虫，以及获取简介、下载种子、下载介绍图片、按主演和视频类型分类等等技术。
所以这次就用吾爱站来讲通用爬虫吧，其实也超级无聊的，吾爱站的数据有啥好爬的，爬了有啥好处？我至今也没想出来，唯一能够证明的就是我能爬吾爱站的公开数据吧，另外一个就是吾爱站很多数据需要登录才能看到，据说有人训练神经网络能够搞定验证，我还没学到神经网络搞定验证那里，等以后出师了，再搞个神经网络自动验证什么的，如果带上自动登录应该就违反了吾爱的规定吧，这次仅仅是爬取不用登录的数据，而且不爬主要内容，仅仅证明下爱过，管理顺便出来说明下呗。
现在是第一课，主要是思路，不涉及程序，因为篇幅的原因，第二篇将着重讲scrapy框架的搭建和程序的编写，这篇还是以分析和思路为主。
首先第一步，思考你要拿什么数据，随便打开一个帖子，想了半天，总结出以下几点
1. 获取标题
2. 获取类别
3. 获取发布时间
4. 获取查看数与回复数
5. 获取作者名
6. 获取网址
7. 获取作者发布内容长度
肯定有人问了，作者发布内容长度是什么？就是人家作者发帖子的内容的总字节数。获取这玩意干吗？我先获取他内容，再计算总长度，只存储长度，为什么我不存储人家的详细内容呢，存储这个有点盗取数据的意思，我们仅仅是技术层面的教程，不能盗取人家的数据，所以获取个总长度证明下爱过。
以https://www.52pojie.cn/thread-864112-1-1.html为例（随机选择的）
哦哦，还有发布时间
这样一来，几大要素的位置都有了，接下来到源代码里去看
第一个和第二个，类别和标题
我们直接在源代码里ctrl+f搜索，搜索内容先是类别吧，输入编程语言区
我们搜到了3个，其中这个最给力，标题和类别都有了，加上上下文贴到记事本里看下
嗯，真漂亮，为了验证这个规律是不是有通用性，我打开了其他几个区的网页看了下，都一样的具有通用性，也就是说编程语言区是这样，原创发布区也是这样，我就不一一陈述了。
随后开始分析
很容易的发现，div下的class z很明显，但是我们要验证下是不是具有唯一性，意思就是class为z的div标签是不是只会在网页中出现在这里，这个很重要，他能帮我们定位。
确认唯一性的方法很简单，源代码里搜索<divclass="z">就好了，如果仅有一个匹配项，那就说明有唯一性，直接用就行，如果不是，还要继续想办法。
有两个匹配项，还好不是很多，我们把干扰项也复制出来，看看是什么样子的。
这个时候肯定很多大神开始思考xpath表达式怎么构建，其实不用那么麻烦，干扰项有特点
直接把含有违规会员处罚记录字段的项删除不就行了，上面的更简单，截取a标签，最后两个a标签就是。
哇，我这样玩是不是不大正规啊，管他呢，简单粗暴最有效！
所以xpath表达式长这样：//div[@class=”z”]/a
额，还行吧。
接下来获取发布时间
网页上这样写的：发表于2019-2-12 11:44
这一步其实很紧张，很有可能不在源代码里，不在源代码里就得用fiddler抓包分析了，你要问我怎么有这种直觉的话，你多写点爬虫也有这种直觉。
先上老规矩，搜索2019-2-12 11:44
我勒个去，竟然在源代码，但是下面的评论数和查看数估计够玄。
为什么呢 ，因为一般评论数、查看数、回复数、时间什么的，都是JS脚本单独向服务器请求的，一般但不是一定。
有两个匹配项，都贴出来看看
第二个是记录上传时间的，算了，还是用第一个。
em id="authorposton23922690"
这个authorposton23922690是什么鬼？在另外一个帖子里搜一搜看看有没有
没有，有种它自己独特编码的感觉哈,那我们回来专门搜索“23922690”试试，看看有没有什么发现。
我们可以看到这个数字多次出现，而且我们注意到下方评论的编码也很有趣
是的，这个编码加上另外一个编码，在此我怀疑“23922690”这个是帖子的编码，但是我们要拿到这个编码，不拿能不能做，也能，但是找点乐趣总是好的。
怎么拿呢？找一个辨识度高的，不容易有干扰的地方。
看，这个好，页面里只出现了一次，那么具不具有通用性呢，随机选另一个页面打开搜索下。
具有了通用性，思路
获取table下的id数据，移除pid字段，剩下编号。
构建为authorposton+编号的样子
获取id="authorposton+编号"的em标签
就能拿到数据了
流程图如下
啦啦啦啦啦，又解决了一个大问题，来吧，开始正题。
获取编号的xpath表达式：//table[@class="plhinres-postfirst"]/@id
获取发表时间的xpath表达式：//em[@d="authorposton编号"]/text()
好的，下一个获取查看数与回复数
生命如此多娇，话不多说，干他！
在网页上我们知道，评论数和查看数是
搜一搜，先搜1429
不得不说爬吾爱是个错误的决定，这也太好爬了吧，我本来想借评论数和回复数讲一下单独的数据请求呢，你给放到了源代码里，这也太……简单了吧。
遗憾，深表遗憾，那下次有机会再讲这个知识点吧，我们老规矩，分析这一段源代码
可以清楚的看到是div标签下span存储的数据，看下hm ptn这个类是不是唯一的。
我勒个去，唯一的，这不就出来了吗，别拦我，我要报警了，这么简单，打发叫花子呢？
这就很简单了，表达式：//div[@class="hm ptn"]/span[@class="xi1"]
获取两个数据，第一个浏览，第二个评论。
遗憾，深表遗憾，好久没有见这么简单的了，唉。
下一个！获取作者名
来来来，我们去看作者名出现在哪里。
这是我随便选的文章啊，随机选择的才有通用性，这位大佬，不好意思，借名字一用，恕罪，恕罪。
狂暴补师亚丝娜，我们去源代码里搜索一下。
我们很快发现，每楼都有这条数据标记作者或者回复的人，算了，我也不想麻烦了，直接截取第一个吧（这是有风险的）
构建表达式：//div[@class="authi"]/a[@class="xw1"]/text()
好了，作者名解决了，接下来获取网址，scrapy框架自己就知道网址，这步不用获取。
下一个
获取作者发布内容长度
这个是重头戏啦，来来来，看看
开头是：首先，大家如果还没看过之前三篇教程
结尾是：当然， 这只是简单的入门级教程，但是适用大多数直播类型的APP了！！！
好，按照开头结尾去源代码中搜一搜
这是开头部分
这是结尾部分，把中间的截出来，算个len就行了
我们继续分析啊
截取开头源代码
细心的我发现了，td标签之下都是内容，而且每楼的开始都一样，但是这个td标签属性的id不同，看看这串数字，是不是很熟悉？嘿嘿，我们一开始不是拿到了这个编号？现在构造下不就好了。
所以表达式为：//td[@id=” postmessage_编号”]/text()
好了，至此大功告成。但是上面的思路都对吗？我不敢保证，因为爬虫还没写，这仅仅是提前分析。
这时肯定有小伙伴愤怒的讲：你都没有验证对还是不对，你就讲给我们啊！错了怎么办？
哎，错不怕。我就是要从高高在上的神坛上下来，带大家一步步去分析，出现错误，订正。这是爬虫编写的必经之路！
没有任何一个人能够保证随便给一个网站，他分析了以后爬虫思路完全没错，只不过各个辅导机构，各个老师都提前备好课，上来全是按照对的讲，不会出错误，不会有岔路！你做实验也按照人家讲好的实验做。
按照现有的思路写，没有人教你怎么变换思路，错误了怎么订正，如何准确的修正思路。
这是经验，无法传授。为什么无法传授？传授起来太麻烦了，而对于你工作中遇到某一网站的针对性问题，老师同学没有人愿意给你解答，为什么？
要解答，他们必须要把这个网站爬虫走一遍，为了解答你的一个针对性的问题，去接手你的工作？
没人愿意这样做，没人愿意理你，不在教学内容里，教学内容不可能涵盖全世界所有的网站，你无话可说，但是你不会解决错误。
所谓经验，不过是你把复杂不易讲懂的知识，一遍遍的尝试，失败，自己悟了出来罢了，但是你也实在懒得给别人讲，太麻烦了，没有这个知识，他也能解决很多问题，等他以后自己慢慢悟吧。
所以，这篇教程，我将会从头讲起，从思路分析到数据库搭建，从爬虫创建到调试通过，全面暴露问题，讲解如何解决，请大家期待吧
本帖最后由 天域至尊 于 2019-2-22 13:03 编辑
第二节课地址：https://www.52pojie.cn/forum.php?mod=viewthread&tid=876110&page=1&extra=#pid24125998 我上电视了，啊，好开心。我要出名了吗？ 胆肥了啊，小老哥 火钳刘明，坐等大佬更新学习。 从字里行间就能看出lz是一个不拘一格的老司机啊{:301_1000:}，感谢分享教程！！等我有分了来评 建议可以在开头注明用到的工具、技术等相关内容，最好有一个提纲 {:301_993:} 普及一下挺好的，
正好想了解下，吾爱破解的不同等级成员数量分布，不同权限回复量和浏览量的对比。
要不楼主后面的教程参考下？{:301_991:} 不管你如何下手，都没我改个名字来的强。。。 Richex 发表于 2019-2-21 11:21
建议可以在开头注明用到的工具、技术等相关内容，最好有一个提纲
好的，下一课就会讲，我下一课还想好好推荐下VS code dj1149 发表于 2019-2-21 11:24
普及一下挺好的，
正好想了解下，吾爱破解的不同等级成员数量分布，不同权限回复量和浏览量的 ...
可以，那我就要多获取一个用户组了，但是不同阅读权限的现在没有办法解决，这次是不登录的爬虫，只能获取不登录就能查看的信息。