zcy
/
zhihu_spider
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Update README.md

master
ZouJiu1 2023-07-03 19:35:09 +08:00 committed by GitHub
parent e00a5b6b9a
commit f60b20353a
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 32 additions and 32 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

64
README.md
View File

@ -2,20 +2,20 @@
考虑到将写的内容爬取下来，保存起来的避免误删，算是个备份的，而且方便查找，阅读起来也更方便，使用起来也好很多<br>
## 亮点
1、保存**回答**到**pdf**、**markdown**，并保存相应的图片、codes以及website，排版基本按照网页，**支持保存数学公式到markdown**，回答会保存提问和自己的回答
1、保存**回答**到**pdf**、**markdown**，并保存相应的图片、codes以及website，排版基本按照网页，**支持保存数学公式到markdown**，回答会保存提问和自己的回答<br>
2、保存**article**到**pdf**、**markdown**，并保存相应的图片、codes以及website，排版基本按照网页，**支持保存数学公式到markdown**
2、保存**article**到**pdf**、**markdown**，并保存相应的图片、codes以及website，排版基本按照网页，**支持保存数学公式到markdown**<br>
3、保存**想法**到text并保存相应的图片，最后对所有text进行汇总到一个档案
3、保存**想法**到text并保存相应的图片，最后对所有text进行汇总到一个档案<br>
### 爬取到的想法展示
按照发布时间分目录存放，保存了图片以及文本文件
<a href="./think">点击即可进入think目录查看的</a>
<a href="https://www.zhihu.com/pin/1600115571529302017">2023-01-21 13:01</a>
<img src="./showimg/think1.png" width="39%"/> <img src="./showimg/think2.png" width="39%"/> <img src="./showimg/think3.png" width="60%"/>
按照发布时间分目录存放，保存了图片以及文本文件<br>
<a href="./think">点击即可进入think目录查看的</a><br>
<a href="https://www.zhihu.com/pin/1600115571529302017">2023-01-21 13:01</a><br>
<img src="./showimg/think1.png" width="39%"/> <img src="./showimg/think2.png" width="39%"/> <img src="./showimg/think3.png" width="60%"/><br>
### 爬取到的article展示
<a href="./article">点击即可进入article目录查看的</a>
每篇article都附带了修改时间和IP属地
<a href="./article">点击即可进入article目录查看的</a><br>
每篇article都附带了修改时间和IP属地<br>
<img src="./showimg/article1.png" width="60%"/>
<span style="color:#7a3e9d;"><b>保存到Markdown格式的数学公式、codes和图片</b></span><br>
@ -40,62 +40,62 @@
## 环境以及安装
**win10** **python**
1、点击下面这个网页，安装miniconda也就是安装python，下载好以后安装即可，在安装时需要加入到系统环境变量，勾选下图第二个框即可。 [https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_23.3.1-0-Windows-x86_64.exe](https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_23.3.1-0-Windows-x86_64.exe)
<img src="./showimg/miniconda.png" width="60%"/>
2、接着需要修改python安装的路径，将msedgedriver\\.condarc这个档案放到根目录`C:\Users\username`即可，另外再打开一个cmd或者PowerShell
运行`conda clean -i`输入`Y`即可，此时Python已经可以使用了
<img src="./showimg/condarc.png" width="26%"/>
3、安装Python相关的调用库，另外再打开一个cmd或者PowerShell，运行
<code>cd C:\Users\usrname\zhihu
pip install -r .\requirement.txt</code>
1、点击下面这个网页，安装miniconda也就是安装python，下载好以后安装即可，在安装时需要加入到系统环境变量，勾选下图第二个框即可。 <br>[https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_23.3.1-0-Windows-x86_64.exe](https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_23.3.1-0-Windows-x86_64.exe)<br>
<img src="./showimg/miniconda.png" width="60%"/><br>
2、接着需要修改python安装的路径，将msedgedriver\\.condarc这个档案放到根目录`C:\Users\username`即可，另外再打开一个cmd或者PowerShell<br>
运行`conda clean -i`输入`Y`即可，此时Python已经可以使用了<br>
<img src="./showimg/condarc.png" width="26%"/> <br>
3、安装Python相关的调用库，另外再打开一个cmd或者PowerShell，运行<br>
<code>cd C:\Users\usrname\zhihu<br>
pip install -r .\requirement.txt</code><br>
## 使用
### 1、登录
运行以下内容，这一步是**手动**操作，需要人工输入账号和密码，然后点击登录就行，登录以后会自动保存好cookie，以后爬取时就不用重复登录了，保存的cookie在这个目录的**cookie**，产生的档案是**cookie_zhihu.pkl**
运行以下内容，这一步是**手动**操作，需要人工输入账号和密码，然后点击登录就行，登录以后会自动保存好cookie，以后爬取时就不用重复登录了，保存的cookie在这个目录的**cookie**，产生的档案是**cookie_zhihu.pkl**<br>
<h3><code><b style="color:#7a3e9d;">python.exe crawler.py </b></code></h3>
<span style="color:#7a3e9d;">运行以后会弹出一个浏览器，自动打开知乎页面以后就可以开始登录，下图所示就是登录页面，两类登录方式都可以，只要能登录就行，<a style="color:black;"><b>点击登录以后，不要再操作页面，键盘或鼠标都不可以，登录时间默认给了130s时间，130秒以后会自动退出，然后查看目录cookie是否保存好cookie_zhihu.pkl，保存好就可以开始爬取了。</b></a></span>
<br>
<img src="./showimg/login.png" width="29%"/>
### 2、每项单独爬取
爬取一旦开始就自动运行了，爬取窗口一般不能最小化，可以做其他事情的
<br>
### 2、每项单独爬取<br>
爬取一旦开始就自动运行了，爬取窗口一般不能最小化，可以做其他事情的<br>
**爬取知乎想法**
默认的爬取每篇想法的睡眠时间是 **6s*图片的数量** 以上
<br>
默认的爬取每篇想法的睡眠时间是 **6s*图片的数量** 以上<br>
`
python.exe crawler.py --think
`
<br>
**爬取知乎回答**
默认的爬取每篇回答的睡眠时间是**16s**以上，这边实际爬取耗时平均是每篇 **30s**，每个图片需要6s
`
python.exe crawler.py --answer
`
<br>
**爬取知乎的article**
默认的爬取每篇article的睡眠时间是**16s**以上，这边实际爬取130多篇，耗时平均是每篇 **33.096s**，每个图片需要6s
`
python.exe crawler.py --article
`
<br>
### 3、三项一起爬取的
`
python.exe crawler.py --think --article --answer
`
<br>
### 又发布了一篇，只爬取写的这篇
第一次可以全部爬取，等所有article或者回答或者想法都已经爬取好以后，此时若是又写了一篇或者几篇，而且想爬取到本地，可以将<b>article/article.txt</b>这个档案重命名到<b>article/article_2023_06_20.txt</b>，或者重命名answer.txt，然后将写好的article或者回答的网址和标题按照之前档案的格式再create一个article.txt/answer.txt档案，运行爬取程序就可以了的，想法会跳过已经爬取好的时间，所以可以按照上面的方式运行，此时只会爬取article.txt/answer.txt的网址<img src="./showimg/add1.png" width="90%"/>
<br>
若是过了很长时间，发布了很多篇，此时一篇一篇加入不太方便，可以直接将<b>article/article.txt</b>这个档案重命名到<b>article/article_2023_06_20.txt</b>，或者重命名answer.txt，然后运行爬取程序即可，上面提到了已经爬取过的不会重复爬取，所以实际只会爬取最近写好的article或者回答，想法则会直接跳过已经爬取的内容。
### 目录
<b>think</b>：该目录存放爬取到的想法内容
<b>article</b>：该目录存放article的website以及爬取到的内容
<b>answer</b>：该目录存放回答的website以及爬取到的内容
<b>think</b>：该目录存放爬取到的想法内容<br>
<b>article</b>：该目录存放article的website以及爬取到的内容<br>
<b>answer</b>：该目录存放回答的website以及爬取到的内容<br>
### 爬取注意事项
1、需要较好的网速，本机网速测验是下载100Mbps，上传60Mbps，低点也可以的，不是太慢太卡就行[https://www.speedtest.cn/](https://www.speedtest.cn/)
2、爬取时设置了睡眠时间, 避免给知乎服务器带来太大压力，可以日间调试好，然后深夜运行爬取人少, 给其他小伙伴更好的用户体验, 避免知乎顺着网线过来找人，默认**6**s
1、需要较好的网速，本机网速测验是下载100Mbps，上传60Mbps，低点也可以的，不是太慢太卡就行[https://www.speedtest.cn/](https://www.speedtest.cn/)<br>
2、爬取时设置了睡眠时间, 避免给知乎服务器带来太大压力，可以日间调试好，然后深夜运行爬取人少, 给其他小伙伴更好的用户体验, 避免知乎顺着网线过来找人，默认**6**s<br>
### blogs
[https://www.aliyundrive.com/s/NikyVRJq8JV 阿里云分享的](https://www.aliyundrive.com/s/NikyVRJq8JV) `提取 0h3l` <br>