scrapy和mysql_基于scrapy和mysql实现简书全站爬虫

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。

其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

image

Scrapy主要包括了以下组件：

引擎(Scrapy)

用来处理整个系统的数据流处理, 触发事务(框架核心)

调度器(Scheduler)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

下载器(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

下载器中间件(Downloader Middlewares)

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

爬虫中间件(Spider Middlewares)

介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middewares)

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取

引擎把URL封装成一个请求(Request)传给下载器

下载器把资源下载下来，并封装成应答包(Response)

爬虫解析Response

解析出实体(Item),则交给实体管道进行进一步的处理

解析出的是链接(URL),则把URL交给调度器等待抓取

以下实现的一个简单的简书全站爬虫，并存储到mysql数据库

# -*- coding: utf-8 -*-

"""

js.py

"""

import scrapy

import json

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from ..items import Article, Author

class JsSpider(CrawlSpider):

name = 'js'

allowed_domains = ['jianshu.com']

start_urls = ['http://jianshu.com/']

rules = (

Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),

)

def parse_detail(self, response):

title = response.xpath('//h1[@class="title"]/text()').get()

content = response.xpath('//div[@class="show-content"]').get()

origin_url = response.url.split("?")[0]

article_id = origin_url.split("/")[-1]

author1 = response.xpath('//span[@class="name"]/a/text()').get()

avatar = response.xpath('//a[@class="avatar"]/img/@src').get()

page_date = response.xpath('//script[@data-name="page-data"]/text()').get()

data = json.loads(page_date)

pub_time = response.xpath('//span[@class="publish-time"]/text()').get().split()[0]

word_num = data.get("public_wordage")

read_num = data.get("views_count")

comment_num = data.get("comments_count")

likes_num = data.get("likes_count")

rewards_num = data.get("total_rewards_count")

article = Article(title=title,

content=content,

origin_url=origin_url,

article_id=article_id,

author=author1,

avatar=avatar)

yield article

"""

items.py

"""

import scrapy

from scrapy import Field

class Article(scrapy.Item):</