wangkj / zhihu Goto Github PK

一个简单的抓取知乎所有问题的小爬虫，通过该爬虫可建立知乎的问题种子库，便于抓取热 门问题和回答，或满足其它的需求.

1、修改 settings.yaml 中的 ‘EMAIL’ 和 'PASSWORD' 字段.
2、执行

$ python3 zhihuspider.py

即可.

1、默认只抓取如下几个字段:

• 问题名
• 问题的 url
• 提问者名字
• 提问者的主页 url
• 提问时间

2、默认采用单线程抓取，抓取速度很慢。其实通过这个小爬虫就可以看出请求的规则，有 兴趣可以尝试多进程/多线程或用 Gevent 进行并行抓取，很简单，但要注意控制好抓取频 率，防止因为给知乎服务器带来太大压力而被封.(慎重考虑)

有兴趣可以看下我的 这篇博 客，其中总结了写这个 爬虫过程中的一些最佳实践.