标题中的英文首字母大写比较规范,但在python实际使用中均为小写。
2018年7月20日笔记
Scrapy官方文档网址:https://doc.scrapy.org/en/latest/topics/selectors.html
网页在chrome浏览器打开,经过谷歌翻译,如下图所示:
![图片.png-90.6kB](https://i-blog.csdnimg.cn/blog_migrate/4fe6b1463c24837ce087a87712f13ee6.png)
环境
IDE(Intergrated development Environment),集成开发环境为jupyter notebook和Pycharm
操作系统Win10
语言及其版本:python3.6
1.选择器
使用Selector初始化方法实例化对象赋值给response变量。
css和extract这2个方法的使用示例如下:
![图片.png-8.2kB](https://i-blog.csdnimg.cn/blog_migrate/5e73296a33be9499fd4eac9efea51fff.png)
.//和//的区别如下图所示,一般来说要使用.//
![图片.png-9.3kB](https://i-blog.csdnimg.cn/blog_migrate/1c0b52536e6b9133627fb04777f63da4.png)
xpath和css方法对比,按照标签属性的值来找标签,如下图所示。
![图片.png-13kB](https://i-blog.csdnimg.cn/blog_migrate/2bbef07bbbe90632109dd1e1f8bf462b.png)
2. 伯乐在线网页持久化
2.1 新建爬虫工程
打开cmd或者powershell在其中输入并运行命令,运行结果如下图所示:
新建爬虫工程命令:scrapy startproject BoleSave
![图片.png-7.7kB](https://i-blog.csdnimg.cn/blog_migrate/287bce6e3c0968f4335651cae76b2483.png)
进入爬虫工程目录命令: cd BoleSave,运行结果如下图所示:
![图片.png-11.8kB](https://i-blog.csdnimg.cn/blog_migrate/a7ac6a1ceedfddfa8dae4ed81cbb26ce.png)
新建爬虫文件命令: scrapy genspider save blog.jobbole.com,运行结果如下图所示:
![图片.png-12.8kB](https://i-blog.csdnimg.cn/blog_migrate/23b168fbb4bc18df172475a87f0793ef.png)
2.2 在Pycharm中导入工程
导入工程的按钮位置如下图所示:
![图片.png-25.6kB](https://i-blog.csdnimg.cn/blog_migrate/09e5d9023ed4fc9448112f4b4199750d.png)
选中工程文件夹,然后点击OK,如下图所示:
![图片.png-15.3kB](https://i-blog.csdnimg.cn/blog_migrate/8dfc6f8017931bb851cb5395edac3ef1.png)
工程文件夹的结构如下图所示:
![图片.png-4.8kB](https://i-blog.csdnimg.cn/blog_migrate/ae5a88571fe399cfb80a1b14c04ea28f.png)
2.3 编辑save.py文件
网页持久化只需要编辑爬虫文件就可以,下面是save.py文件的代码。
第21行dirName变量的值可以设置网页文件保存的位置,例如:
dirName = "d:/saveWebPage"将网页文件保存在D盘的saveWebPage文件夹中。
可以根据个人情况进行修改,不建议将其设置为工程所在文件夹,因为可能导致Pycharm卡顿。
# -*- coding: utf-8 -*-
import scrapy
import os
import re
def reFind(pattern,sourceStr,nth=1):
if len(re.findall(pattern,sourceStr)) >= nth:
return re.findall(pattern,sourceStr)[nth-1]
else:
return 1
class SaveSpider(scrapy.Spider):
name = 'save'
allowed_domains = ['blog.jobbole.com']
start_urls = []
url_before = "http://blog.jobbole.com/all-posts/page/{}/"
for i in range(1,560):
start_urls.append(url_before.format(i))
def parse(self, response):
dirName = "d:/saveWebPage"
if not os.path.isdir(dirName):
os.mkdir(dirName)
url = response.url
page_id = int(reFind("\d+", url))
html = response.text
fileName = "%s/%03d.html" % (dirName, page_id)
with open(fileName, 'w', encoding="utf-8") as file:
file.write(html)
print("目录页面第%d页被存放到%s目录中的%03d.html文件中" %
(page_id,dirName,page_id))
2.4 运行结果
运行命令:scrapy crawl save,此命令运行时cmd进入的目录必须在爬虫工程内
运行结果如下图所示:
![图片.png-42.9kB](https://i-blog.csdnimg.cn/blog_migrate/41d509bcc5fd6f2ce26a6f8af9c53ceb.png)
从上图中可以观察爬虫的开始时间start_time和finish_time相差为17秒,即从网站中持久化559张网页用时17秒。
本文的测试环境是利用电信4G手机USB连接电脑分享网络,测试时间为2018年7月21日。
保存网页文件的文件夹如下图所示:
![图片.png-42.7kB](https://i-blog.csdnimg.cn/blog_migrate/e4e15e405c72938a31b8bedefb1a099c.png)
3.解析伯乐在线网页
已经将网站上的网页保存为本地html文件,并将559个文件打包为压缩文件。
压缩文件下载链接: https://pan.baidu.com/s/1ZI2zBkxw7z4vaYYQIZsmdQ 密码: qtp3
解析后的数据存到mysql数据库中,需要先创建数据库bole
采用了数据库连接池,异步多线程操作数据库可以提高效率。
3.1新建爬虫工程
创建爬虫工程命令:scrapy startproject BoleParse
进入爬虫工程目录:cd ./BoleParse/
创建爬虫文件命令: scrapy genspider parse blog.jobbole.com
3.2 编辑items.py文件
import scrapy
from scrapy import Field
class BolearticleItem(scrapy.Item):
id = Field()
title = Field()
publishTime = Field()
category = Field()
digest = Field()
detailUrl = Field()
imgUrl = Field()
3.3 编辑parse.py文件
import scrapy
from ..items import BoleparseItem
import re
import os
def reFind(pattern,sourceStr,nth=1):
if len(re.findall(pattern,sourceStr)) >= nth:
return re.findall(pattern,sourceStr)[nth-1]
else:
return 1
class ParseSpider(scrapy.Spider):
name = 'parse'
start_urls = []
baseUrl = "file:///%s/saveWebPage/%03d.html"
for i in range(560):
start_urls.append(baseUrl %(os.getcwd(),i))
def parse(self, response):
def find(xpath, pNode=response):
if len(pNode.xpath(xpath)):
return pNode.xpath(xpath).extract()[0]
else:
return ''
article_list = response.xpath("//div[@class='post floated-thumb']")
page_id_str = reFind("saveWebPage/(\d+).html", response.url)
page_id = int(page_id_str)
count = 0
for article in article_list:
count += 1
item = BoleparseItem()
item['id'] = (page_id - 1) * 20 + count
item['title'] = find("div[@class='post-meta']/p[1]/a/@title", article)
pTagStr = find("div[@class='post-meta']/p", article)
item['publishTime'] = re.search("\d+/\d+/\d+", pTagStr).group(0)
item['category'] = find("div[@class='post-meta']/p/a[2]/text()", article)
item['digest'] = find("div[@class='post-meta']/span/p/text()", article)
item['imgUrl'] = find("div[@class='post-thumb']/a/img/@src", article)
item['detailUrl'] = find("div[@class='post-meta']/p/a[1]/@href", article)
yield item
3.3 编辑pipelines.py文件
使用pymysql库将每一条文章信息item导入mysql数据库
下面一段代码需要修改2处:1.第4行的数据库名;2.第8行的数据库连接密码。
第24行default charset=utf8mb4创建表默认编码为utf8mb4,因为插入字符可能是4个字节编码。
第29、30行if len(item['imgUrl']) >= 200:item.pop('imgUrl')的作用:
防止图片是base64编码长度过大,遇到此类型的值则丢弃此字段。
通过这2个设置,增加了代码的健壮性,能够保证11172条数据都插入到数据库中。
import pymysql
from time import time
def getConn(database ="bole"):
args = dict(
host = 'localhost',
user = 'root',
passwd = '... your password',
charset = 'utf8mb4',
db = database
)
return pymysql.connect(**args)
class BoleparsePipeline(object):
startTime = time()
conn = getConn()
cursor = conn.cursor()
drop_sql = "drop table if exists article"
cursor.execute(drop_sql)
conn.commit()
create_sql = "create table article(id int primary key," \
"title varchar(200),publishtime varchar(30)," \
"category varchar(30),digest text," \
"detailUrl varchar(200),imgUrl varchar(200))default charset = utf8mb4;"
cursor.execute(create_sql)
conn.commit()
def process_item(self, item, spider):
if len(item['imgUrl']) >= 200:
item.pop('imgUrl')
fieldStr = ','.join(['`%s`' % k for k in item.keys()])
valuesStr = ','.join(['"%s"' % v for v in item.values()])
insert_sql = "insert into article(%s) values(%s)" % (fieldStr, valuesStr)
self.cursor.execute(insert_sql)
self.conn.commit()
return item
def close_spider(self, spider):
print("程序总共运行%.2f秒" % (time() - self.startTime))
3.4 编辑settings文件
关键点是最后3行要开启管道,CONCURRENT_REQUESTS变量设置为96能够较好利用多线程性能
CONCURRENT_ITEMS设置为200能够加快并发管道处理item的速度。
ROBOTSTXT_OBEY设置为False,意思是不遵守爬虫协议,也称机器人协议。如果设置为True,即遵守爬虫协议,则可能访问受限。
BOT_NAME = 'BoleParse'
SPIDER_MODULES = ['BoleParse.spiders']
NEWSPIDER_MODULE = 'BoleParse.spiders'
ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 96
CONCURRENT_ITEMS = 200
ITEM_PIPELINES = {
'BoleParse.pipelines.BoleparsePipeline': 300
}
3.5 放置持久化文件
saveWebPage文件夹必须和启动cmd时处在相同的文件夹,只有这样才能运行成功。
如下图所示,powershell现在进入的目录是C:\Users\Administrator\Desktop\伯乐\BoleParse,
则saveWebPage文件夹也必须在C:\Users\Administrator\Desktop\伯乐\BoleParse中。
注意:读者的路径与本文不同;运行命令前建议先关闭Pycharm,否则可能卡顿
![图片.png-13.6kB](https://i-blog.csdnimg.cn/blog_migrate/63f8cdab8552ab0de39c8cdee5fa5dfc.png)
3.6 运行结果
程序运行结束后,查询插入数据的总条数,如下图所示:
![图片.png-2.1kB](https://i-blog.csdnimg.cn/blog_migrate/eb492a132c0cdd21220c4f4f483317a0.png)
数据库表中数据查看如下图所示:
![图片.png-117.1kB](https://i-blog.csdnimg.cn/blog_migrate/394d6b472476afa4185d56284a938e94.png)
插入数据总共用时66.51秒,如下图所示:
![图片.png-42.9kB](https://i-blog.csdnimg.cn/blog_migrate/fead39d2656b335d91b7efc25fb9cdcc.png)
3.7 数据库连接池
进行此步骤时需要先把pipelines.py文件中的代码清空,然后把下面的代码插入其中。
数据库连接池方式进行数据库操作效率更高,因为是异步多线程运行,效率提高40%左右。
用twisted.enterprise.adbapi方法初始化一个数据库连接池对象。
该方法需要7个参数,其中dbapiName、cursorclass这2个和数据连接用的库有关,
其他5个参数是数据库连接设置,host、db、user、passwd、charset。
dbpool.runInteraction里面传入的第1个参数是函数对象,后面参数不定长。
from twisted.enterprise import adbapi
import pymysql
import time
class BoleparsePipeline(object):
def __init__(self):
params = dict(
dbapiName = 'pymysql',
cursorclass=pymysql.cursors.DictCursor,
host = 'localhost',
db = 'bole',
user = 'root',
passwd = '...your password',
charset = 'utf8',
)
self.dbpool = adbapi.ConnectionPool(**params)
self.startTime = time.time()
self.dbpool.runInteraction(self.createTable)
def createTable(self, cursor):
drop_sql = "drop table if exists article"
cursor.execute(drop_sql)
create_sql = "create table article(id int primary key," \
"title varchar(200),publishtime varchar(30)," \
"category varchar(30),digest text," \
"detailUrl varchar(200),imgUrl varchar(200))" \
"default charset = utf8mb4;"
cursor.execute(create_sql)
def process_item(self, item, spider):
self.dbpool.runInteraction(self.insert,item)
return item
def insert(self, cursor, item):
try:
if len(item['imgUrl']) >= 200:
item.pop('imgUrl')
fieldStr = ','.join(['`%s`' % k for k in item.keys()])
valuesStr = ','.join(['"%s"' % v for v in item.values()])
insert_sql = "insert into article(%s) values(%s)" % (fieldStr, valuesStr)
cursor.execute(insert_sql)
except Exception as e:
with open("insert.log",'a+') as file:
datetime = time.strftime('%Y-%m-%d %H:%M:%S')
logStr = "%s log:插入第%d条数据发生异常\nreason:%s\n"
file.write(logStr %(datetime,item['id'],str(e)))
def close_spider(self, spider):
print("程序总共运行%.2f秒" % (time.time() - self.startTime))
从下图中可以看出插入数据到mysql数据库中总共用时45.18秒
所以使用数据库连接池效率提高66.51/45.18-1=47%
![图片.png-41.6kB](https://i-blog.csdnimg.cn/blog_migrate/f86b6da82d527e8c42bdf1b2dede20cf.png)
with open("insert.log",'a+') as file,在日志中一般读写方式使用a+
数据库插入11171条数据,有1条插入数据库失败,查看错误日志:
![图片.png-6kB](https://i-blog.csdnimg.cn/blog_migrate/de5f3fe4c231f7da62a9aff40c512c97.png)
4.查看数据库缺少条目
先从数据库中取出所有条目的id,赋值给id_list
result = set(id_list)^set(range(1,11173))第20行代码通过2个集合取差集找出缺少的条目。
import pymysql
def getConn(database ="bole"):
args = dict(
host = 'localhost',
user = 'root',
passwd = '...your password',
charset = 'utf8',
db = database
)
return pymysql.connect(**args)
if __name__ == "__main__":
conn = getConn()
cursor = conn.cursor()
sql = "select id from article"
cursor.execute(sql)
result = cursor.fetchall()
id_list = [k[0] for k in result]
result = set(id_list)^set(range(1,11173))
print(result)