windows使用scrapy爬取微信评论

有的时候开发平台是Windows系统，下面给出Windows下的处理方法。

（1）Windows下安装scrapy

之前我还自己去下载scrapy在Windows下的依赖。现在发现真是弱爆了！

1、首先去官网下载python2.7版本并安装（要安装64位的python），下载地址：python。

2、将你安装的python路径里的Scripts文件夹加入到系统环境变量PATH下。

3、安装scrapy其中的关键依赖:lxml.依赖的位置为:lxml

4、安装pip：python get-pip.py。get-pip.py的下载地址:get-pip.py

5、使用pip安装scrapy。会自动去下载安装其他依赖包。。。方法：pip install Scrapy

（2）安装抓包工具Fiddler，并配置

1、下载直接在百度搜索Fiddler

2、配置方法：（使用PC下的微信客户端一样可以）

配置Fiddler,  允许"远程连接"

打开Fiddler,     Tools-> Fiddler Options 。  （配置完后记得要重启Fiddler）.

选中"Decrpt HTTPS traffic",    Fiddler就可以截获HTTPS请求

选中"Allow remote computers to connect".  是允许别的机器把HTTP/HTTPS请求发送到Fiddler上来



 



 

获取Fiddler所在机器的IP地址

这个简单吧。   我Fidder所在的机器地址是: 192.168.1.104

 

IPhone上安装Fiddler证书

这一步是为了让Fiddler能捕获HTTPS请求。 如果你只需要截获HTTP请求， 可以忽略这一步

1. 首先要知道Fiddler所在的机器的IP地址：　假如我安装了Fiddler的机器的IP地址是:192.168.1.104

2. 打开IPhone 的Safari, 访问  http://192.168.1.104:8888， 点"FiddlerRoot certificate" 然后安装证书



 



 

IPhone上配置Fiddler为代理

 打开IPhone,  找到你的网络连接， 打开HTTP代理， 输入Fiddler所在机器的IP地址(比如:192.168.1.104) 以及Fiddler的端口号8888



 

大功告成，开始抓包

现在IPhone上的应用（比如Safari, Firefox, Itunes, App Store）发出的HTTP/HTTPS都可以被Fiddler获取。 

实例：　打开Safari，　　

1. 输入http://www.cnblogs.com/tankxiao.  看看Fiddler能否捕获。

2.  输入https://dynamic.12306.cn/otsweb/   看看Fiddler能否捕获。

是不是HTTP和HTTPS都截获到了？？？？，  你不但能截获， 还可以下断点，修改Request, 修改Response, Do what you want. 

 

用完了， 记得把IPhone上的Fiddler代理关闭， 以免IPhone上不了网。

 

只能捕获HTTP,而不能捕获HTTPS的解决办法

有时候会发现， Fiddler 只能捕获IPhone发出得HTTP请求， 而不能捕获HTTPS请求， 原因可能是证书没有安装好。 解决办法是：

1. 先把IPhone上所有的Fiddler证书删除 (拿出IPhone， 点”设置“->“通用”->"描述文件")

2. 安装上面的方法，重新安装Fiddler证书

（3）编写scrapy爬虫爬取微信评论

1.新建项目（Project）

在空目录下按住Shift键右击，选择“在此处打开命令窗口”，输入一下命令：

[plain] view
plaincopy





scrapy startproject tutorial  

其中，tutorial为项目名称。

可以看到将会创建一个tutorial文件夹，目录结构如下：

[plain] view
plaincopy





tutorial/  

    scrapy.cfg  

    tutorial/  

        __init__.py  

        items.py  

        pipelines.py  

        settings.py  

        spiders/  

            __init__.py  

            ...  

下面来简单介绍一下各个文件的作用：
scrapy.cfg：项目的配置文件

tutorial/：项目的Python模块，将会从这里引用代码
tutorial/items.py：项目的items文件
tutorial/pipelines.py：项目的pipelines文件
tutorial/settings.py：项目的设置文件
tutorial/spiders/：存储爬虫的目录

2.明确目标（Item）

在Scrapy中，items是用来加载抓取内容的容器，有点像Python中的Dic，也就是字典，但是提供了一些额外的保护减少错误。

一般来说，item可以用scrapy.item.Item类来创建，并且用scrapy.item.Field对象来定义属性（可以理解成类似于ORM的映射关系）。

接下来，我们开始来构建item模型（model）。

首先，我们想要的内容有：
名称（name）
链接（url）
描述（description）

修改tutorial目录下的items.py文件，在原本的class后面添加我们自己的class。

因为要抓dmoz.org网站的内容，所以我们可以将其命名为DmozItem：

[python] view
plaincopy





# Define here the models for your scraped items  

#  

# See documentation in:  

# http://doc.scrapy.org/en/latest/topics/items.html  

  

from scrapy.item import Item, Field  

  

class TutorialItem(Item):  

    # define the fields for your item here like:  

    # name = Field()  

    pass  

  

class DmozItem(Item):  

    title = Field()  

    link = Field()  

    desc = Field()  

刚开始看起来可能会有些看不懂，但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。

可以把Item简单的理解成封装好的类对象。

3.制作爬虫（Spider）

制作爬虫，总体分两步：先爬再取。

也就是说，首先你要获取整个网页的所有内容，然后再取出其中对你有用的部分。

3.1爬

Spider是用户自己编写的类，用来从一个域（或域组）中抓取信息。

他们定义了用于下载的URL列表、跟踪链接的方案、解析网页内容的方式，以此来提取items。

要建立一个Spider，你必须用scrapy.spider.BaseSpider创建一个子类，并确定三个强制的属性：
name：爬虫的识别名称，必须是唯一的，在不同的爬虫中你必须定义不同的名字。
start_urls：爬取的URL列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse()：解析的方法，调用的时候传入从每一个URL传回的Response对象作为唯一参数，负责解析并匹配抓取的数据(解析为item)，跟踪更多的URL。

 

这里可以参考宽度爬虫教程中提及的思想来帮助理解，教程传送：[Java]
知乎下巴第5集：使用HttpClient工具包和宽度爬虫。

也就是把Url存储下来并依此为起点逐步扩散开去，抓取所有符合条件的网页Url存储起来继续爬取。

下面我们来写第一只爬虫，命名为dmoz_spider.py，保存在tutorial\spiders目录下。

dmoz_spider.py代码如下：

[python] view
plaincopy





from scrapy.spider import Spider  

  

class DmozSpider(Spider):  

    name = "dmoz"  

    allowed_domains = ["dmoz.org"]  

    start_urls = [  

        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  

        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  

    ]  

  

    def parse(self, response):  

        filename = response.url.split("/")[-2]  

        open(filename, 'wb').write(response.body)  

allow_domains是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页。

从parse函数可以看出，将链接的最后两个地址取出作为文件名进行存储。

然后运行一下看看，在tutorial目录下按住shift右击，在此处打开命令窗口，输入：

[plain] view
plaincopy





scrapy crawl dmoz  

在爬取微信评论是，需要修改dmoz_spider.py中的代码

[python] view
plaincopy

import scrapy  

  

class DmozSpider(scrapy.Spider):  

    name = "dmoz"  

    allowed_domains = ["mp.weixin.qq.com"]  

    start_urls=[]  

    for line in open("/home/SuNoob/crawel/myCrawel/pagelist"):  

        if line.startswith("https://mp.weixin.qq.com/mp/appmsg_comment?action=getcomment"):  

            start_urls.append(line)  

  

    def parse(self, response):  

        filename = response.url.split("/")[-1].split("&")[2].split("=")[1] + '.html'  

        with open(filename, 'wb') as f:  

            f.write(response.body)  

然后就可以根据之前抓到的url链接进行爬取了。