scrapy-zhihu-github

用于爬取zhihu和github的代码，数据存储于mongodb。

Install

Scrapy安装见使用Scrapy抓取数据。

Mongodb安装在本机，数据库为zhihu，端口默认，存在以下collection：

• zh_user：知乎用户
• zh_ask：知乎问题
• zh_answer：知乎回答
• zh_followee：知乎关注列表
• zh_follower：知乎粉丝列表
• gh_user：github 用户
• gh_repo：github 仓库

zhihu

Scrapy爬取知乎数据，说明见使用Scrapy爬取知乎网站。

zhihu 用户表结构（db.zhihu.zh_user）为：

_id int, # 用户id
url string,
username string, # 用户名，如 zhouyuan
nickname string, # 昵称，如 周源
location string, # 居住地
industry string, # 行业，如 互联网
sex int, # 性别，1：男， 2：女， 0：未知
jobs [],
educations [],
description string, # 自我简介
sinaweibo string, # 新浪微博账号
tencentweibo string, # 腾讯微博账号
# qq string, # QQ号
ask_num int, # 提问数， 如 590
answer_num int, # 回答数，如 340
post_num int, # 专栏文章数， 如 3
collection_num int, # 收藏数，如 9
log_num int, # 编辑数，如14980
agree_num int, # 收到的赞同，如 15316
thank_num int, # 收到的感谢，如 3500
fav_num int, # 被收藏次数，如 9424
share_num int, # 被分享次数，如 922
followee_num int, # 关注数，如 1515
follower_num int, # 被关注数（粉丝），如 319529
update_time datetime # 信息更新时间，如 2014-05-17 11:15:00

先运行下面代码，采集用户信息以及用户的关注和粉丝列表：

scrapy crawl zhihu_user

再来采集问题和答案：

scrapy crawl zhihu_ask

scrapy crawl zhihu_answer

github

github 用户表结构（db.zhihu.gh_user）为：

_id, #用户id
url, #主页url
username,#用户名
nickname,#昵称 
user_id,#用户id
type,#类型：1,组织；0,个人 

company,#公司
location,#位置 
website,#网站 
email,#邮箱 
update_time,#爬虫更新时间

join_date,#加入时间
followee_num,#关注数
follower_num,#粉丝数 
star_num,#星数 
organizations,#加入的组织

member_num,#组织成员数

先运行下面代码，采集用户信息：

scrapy crawl github_user

爬取用户信息以及粉丝用户:

scrapy crawl github_follower

查看爬取的结果:

> use zhihu
switched to db zhihu
> db.gh_user.count()
126135