基于Scrapy和Selenium的爬虫，爬取各种网络热词及其相关内容。
本项目爬取梗相关的图文、视频等内容。首先进行梗百科的爬取：
- 小鸡百科的所有梗的条目（存文字、图片链接）
在梗条目被爬取完毕后，根据梗的名字爬取以下内容：
爬取一定数量后，执行脚本合并数据，把每一个梗的数据保存到指定的文件夹，并对每一个词条词云关键词词云。
主要基于Scrapy实现，经过测试发现小鸡百科等网站对爬虫的封锁较严，故加入Selenium作为中间件进行网页访问，然而目前还是存在ip被封的可能……务必谨慎驾驶。
谷歌图片爬虫基于一个现成的python库Google Images Download完成。
- python==3.6.8
- scrapy==1.5.1
- selenium==3.141.0
- numpy==1.15.4
- google-images-download==2.8.0
- jieba==0.39
- tqdm==4.32.2
- wordcloud==1.5.0
请在driver文件夹下放置chromedriver驱动。
- 在
stopwords文件夹下放置中文停词文件stopwords.txt。 - 在
fonts文件夹下放置字体文件。
默认文件已经放置，如果需要修改请在MemeCrawler/merge.py中修改。
在MemeCrawler文件夹下，执行run.sh脚本进行爬取：
$ ./run.sh [name] [time]
# name = ['jiki', 'webo', 'bilibili']
# time = frequency of checking process, int value, default = 4各种配置（等待时间等）详见settings.py。
在MemeCrawler文件夹下，执行google.py脚本进行爬取：
$ python google.py在MemeCrawler文件夹下，执行merge.py脚本进行合并数据：
$ python merge.py微博爬虫、B站爬虫、谷歌爬虫三者，均需在小鸡百科爬虫执行后才能爬取（因为是根据小鸡百科的条目进行爬取）。
注意：可在
settings.py中自选是否显示Chrome浏览界面（参考配置SHOW_WINDOW默认不显示）
正常情况下成功访问后，并且在随机等待（模拟阅读过程）之后，进行下滑页面、随机点赞👍的操作：
如遇不测（间隔时间较短时常会发生）可能被重定向至验证码页面，默认情况下爬虫会等待验证码消失后退出：
如果多次被封，可能导致暂时无法访问，等待一段时间即可恢复：
保存的数据为json格式：
爬取梗相关的第一页视频搜索结果。
这个图真不是我有意截的，一截就截到这个
本地保存结果：
顺便一提，B站好像不会封我，真是良心哈哈
爬取梗相关的微博第一页内容。
微博数据格式比较复杂，所以先保留html格式的内容……等待进一步处理。
微博总是给我500响应，估计是限流操作。
需要打开全局代理运行。
图片：默认每一个词条爬取20张，并且放在子文件夹下。
merge.py中代码取消生成（别问为啥不做成可配置的，我懒的改了= =）
合并后数据格式：
{
"name": "test",
"id": 0,
"time": "2019-07-12",
"img": "",
"view": 1300,
"like": 20,
"dislike": 3,
"tags": ["tag1", "tag2", "tag3"],
"content": "PHP is the best programming language among the world.",
"videoList": [
{
"aid": "12345678",
"title": "PHPHPHPHPHPHPHPHPHPHP",
"watch": "1万",
"subtitle": "123",
"time": "2019-07-12",
"up": "aki",
"description": "hello world."
}
],
"imageList": [
"https://img_url"
],
"weiboList": [
{
"user": "aki",
"avator": "https://avator_url",
"time": "今天12:00",
"imgList": "https://img_url",
"like": "1234",
"repost": "1234",
"source": "weibo.com",
"content": "Life is short, I use python:)"
}
]
}词云图片示例：【Github】
