Sina微博爬取@pyspider

      这是一篇不应该写的文章，都写了，针对特定“方式”的爬虫也就没法爬了。

1、模拟登录的一些文章：

解析新浪微博的登录过程(2013-12-23): http://www.cnblogs.com/houkai/p/3487816.html
Python模拟登陆新浪微博(2013-12-24): http://www.cnblogs.com/houkai/p/3488468.html
2014_新浪微博模拟登陆_python(2014-08-08): http://blog.csdn.net/springzfx/article/details/38435069
Wap的weibo.cn模拟登录@2012年11月8日: http://qinxuye.me/article/simulate-weibo-login-in-python/
wap端模拟登陆withPython@2015-04-15: http://www.cnblogs.com/manqing/p/4428418.html

2、Chrome下登录请求的所有信息，其中像random字段必须通过先get一次登录页来得到，通过分析chrome开发工具下的这些信息基本就Ok，再就是可以复制curl指令看看也很方便：

---------------General Info:Remote Address:180.149.153.4:80Request URL:http://login.weibo.cn/login/?rand=1623920428&backURL=http%3A%2F%2Fweibo.cn&backTitle=%E6%89%8B%E6%9C%BA%E6%96%B0%E6%B5%AA%E7%BD%91&vt=4Request Method:POSTStatus Code:302 Found

----------------------Response Headersview sourceConnection:closeContent-Encoding:gzipContent-Length:20Content-Type:text/htmlDate:Thu, 05 Nov 2015 08:11:34 GMTLocation:http://newlogin.sina.cn/crossDomain/?g=4ugB9b801ltp<span style="font-family: Arial, Helvetica, sans-serif;">*************</span>Q&t=1446711094&m=05b4&r=&u=http%3A%2F%2Fweibo.cn%3Fgsid%3D4ugB9b801ltp<span style="font-family: Arial, Helvetica, sans-serif;">*************</span>Q%26PHPSESSID%3D%****%3D4&cross=1&st=ST-NTc0MDUwMTQ4Ng==-1446711094-tc-F903CC8EC38C7F499D7D227DA862A39E,ST-NTc0MDUwMTQ4Ng==-1446711094-tc-F4B911C868B51E768875EB15BBAE6E83&vt=4Server:ApacheSet-Cookie:SUB=_2A257P39mDeTxGeNJ71IU8C_IwzqIHXVYwAEurDV6PUJbrdAKLVjSkW03kbkKkoC7qLmx-EiB5I-Diw91GQ..; expires=Sat, 05-Dec-2015 08:11:34 GMT; path=/; domain=.weibo.cn; httponlySet-Cookie:gsid_CTandWM=4ugB9b801ltp*************Q; expires=Sat, 05-Dec-2015 08:11:34 GMT; path=/; domain=.weibo.cn; httponlySINA-LB:aGEuMTY1LmcxLnlmLmxiLnNpbmFub2RlLmNvbQ==SINA-TS:MzU2ZWMzNjggMCAwIDAgNSA5Mwo=Vary:Accept-Encodingx-debug:172.16.140.196X-Log-Uid:5740501486

------------------Request Headers view sourceAccept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8Accept-Encoding:gzip, deflateAccept-Language:zh-CN,zh;q=0.8Cache-Control:max-age=0Connection:keep-aliveContent-Length:208Cookie:_T_WM=086561716ab68ff3c6e589cc5152ed66DNT:1Host:login.weibo.cnOrigin:http://login.weibo.cnReferer:http://login.weibo.cn/login/Upgrade-Insecure-Requests:1User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36

-------------------Query String Parametersview sourceview URL encodedrand:1623920428backURL:http://weibo.cnbackTitle:手机新浪网vt:4

-------------------Form Dataview sourceview URL encodedmobile:[e-mail]_4509:user_passwordremember:onbackURL:http%3A%2F%2Fweibo.cnbackTitle:手机新浪网tryCount:vk:4509_290b_1897615582submit:登录

3、上一个在pyspider上能走通weibo.cn爬取示例代码，这个代码的缺憾就是如果频繁登陆可能会出验证码，目前还没加验证码识别特性。

#!/usr/bin/env python# -*- encoding: utf-8 -*-# Created on 2015-11-05 11:41:06# Project: sinaweibo# SinaUser:[e-mail] pyspider.libs.base_handler import *class Handler(BaseHandler):    crawl_config = {        'headers': {            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_1) AppleWebKit/537.36 (KHTML, like Gecko)',        }    }        @every(minutes=24 * 60)    def on_start(self):                self.crawl('http://login.weibo.cn/login/', callback=self.login)    @config(age=1 * 24 * 60 * 60)    def login(self, response):        cookies = response.cookies        base_url = 'http://login.weibo.cn/login/'        url = base_url + response.doc("form").attr("action")        data = {}        for each in response.doc("form input"):            data[each.name]=each.value            if each.name == "mobile":                data["mobile"] = "[e-mail]"            if each.type == "password":                data[each.name] = "password"        headers = {}        headers["Content-Type"]="application/x-www-form-urlencoded"        headers["Referer"]="http://login.weibo.cn/login/"        headers["Origin"]="http://login.weibo.cn"        headers["Referer"]="http://login.weibo.cn/login/"        self.crawl(url, callback=self.login_ok,data=data,cookies=cookies,headers=headers,method="POST")            @config(priority=2)    def login_ok(self, response):        '''        return {            "url": response.url,            "headers": response.headers,            "cookies": response.cookies,            "status":response.status_code,            "text":response.text,        }        '''                self.crawl("http://weibo.cn/yumayin",                   cookies=response.cookies,callback=self.index_page)            def index_page(self, response):                weibos  = []        for each in response.doc("div.c").items():            #each.find("span.kt"):            if each.find("span.kt").html()!= None:                continue            #if each.find("span.ctt")!= None:            if each.find("span.ctt").html()!= None:                weibos.append(each.find("span.ctt").html())            return weibos            

4、phantomjs启动的一个问题，官方的文档好像有点问题，真正的启动命令是启动phantomjs proxy选项：

pyspider --phantomjs-proxy="localhost:25555" -c config.json

这个解决方法是参考：http://blog.csdn.net/jxnu_xiaobing/article/details/44983757 

还有可以把运行组件改成all，也可以全部启动:

pyspider  -c config.json all

5、启用phantomjs以后，JS抓取返回HTML是乱码的问题，官方给出的回答：Phantomjs doesn't support gzip, don't set Accept-Encoding header with gzip.

6、重复任务的判定问题，get某登录地址，然后post该登录地址登录，第二步操作可能失败，pyspider判定重复任务完全看URL地址，部署以后，第二个请求会因为age设定问题，直接被拒。

7、DB数据库选择的问题，谈这个问题，首先说说存储方式，projectdb和taskdb，一般我们用户不用访问，就不用说了，resultdb里面，除了我们解析返回的result数据，同时存储的还有id、updatetime、url，而我们返回的result数据会被json序列化为二进制字符串，这种字符串只包含字母之类键盘有的字符串，所以你不论用mongodb还是RDB，存储其实都是一层数据，不过在resultdb里面，如果我们做挂钩存储的话，Mongodb会方便一点，起码不用改数据定义模式。做这类对pyspider的hacking开发，可以到pyspider的目录里面直接修改代码。

8、官网docs上没有redis带密码连接字符串，先后在github issues和django-redis文档上找到这个设置格式，后者的更全面一点：

redis://[:password]@localhost:6379/0rediss://[:password]@localhost:6379/0unix://[:password]@/path/to/socket.sock?db=0

不过要使用这个带password的连接字符串，pyspider版本得升级到最新版本。

9、每个爬虫的入口函数一定要用@every来装饰，千万不要写成别的周期控制装饰器，否则你的这个爬虫项目永远不会被调度器启动。