工具环境
语言:python3.6数据库:MongoDB (安装及运行命令如下)
python3 -m pip install pymongobrew install mongodbmongod --config /usr/local/etc/mongod.conf
框架:scrapy1.5.1 (安装命令如下)
python3 -m pip install Scrapy
用 scrapy 框架创建一个爬虫项目
在终端执行如下命令,创建一个名为 myspider 的爬虫项目
scrapy startproject myspider
即可得到一个如下结构的文件目录
创建 crawl 样式的爬虫
针对不同的用途, scrapy 提供了不同种类的爬虫类型,分别是Spider:所有爬虫的祖宗CrawlSpider:比较常用的爬取整站数据的爬虫(下面的例子就是用这种)XMLFeedSpiderCSVFeedSpiderSitemapSpider
先在命令行进入到 spiders 目录下
cd myspider/myspider/spiders
然后创建 crawl 类型的爬虫模板
scrapy genspider -t crawl zgmlxc www.zgmlxc.com.cn
参数说明:
-t crawl 指明爬虫的类型
zgmlxc 是我给这个爬虫取的名字
www.zgmlxc.com.cn 是我要爬取的站点
完善小爬虫 zgmlxc
打开 zgmlxc.py 文件,可以看到一个基本的爬虫模板,现在就开始对其进行一系列的配置工作,让这个小爬虫根据我的指令去爬取信息。
配置跟踪页面规则
rules = ( // 定位到 www.zgmlxc.com.cn/node/72.jspx 这个页面 Rule(LinkExtractor(allow=r'.72.jspx')), // 在上面规定的页面中,寻找符合下面规则的 url, 爬取里面的内容,并把获取的信息返回给 parse_item()函数 Rule(LinkExtractor(allow=r'./info/d+.jspx'), callback='parse_item'),)
这里有个小坑,就是最后一个 Rule 后面必须有逗号,否则报错,哈哈哈
rules = ( Rule(LinkExtractor(allow=r'./info/d+.jspx'), callback='parse_item', follow=True), )
在 items.py 内定义我们需要提取的字段
import scrapyclass CrawlspiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() content = scrapy.Field() piclist = scrapy.Field() shortname = scrapy.Field()
完善 parse_item 函数
这里就是把上一步返回的内容,配置规则,提取我们想要的信息。这里必须用 join 方法,是为了方便后面顺利导入数据库。
def parse_item(self, response): yield { 'title' : ' '.join(response.xpath("//div[@class='head']/h3/text()").get()).strip(), 'shortname' : ' '.join(response.xpath("//div[@class='body']/p/strong/text()").get()).strip(), 'piclist' : ' '.join(response.xpath("//div[@class='body']/p/img/@src").getall()).strip(), 'content' : ' '.join(response.css("div.body").extract()).strip(), }
PS: 下面是提取内容的常用规则,直接总结在这里了:
1). 获取 img 标签中的 src://img[@class='photo-large']/@src
2). 获取文章主题内容及排版:response.css("div.body").extract()
将信息存入 MogoDB 数据库
设置数据库信息
打开 settings.py 添加如下信息:
# 建立爬虫与数据库之间的连接关系ITEM_PIPELINES = { 'crawlspider.pipelines.MongoDBPipeline': 300,}# 设置数据库信息MONGODB_SERVER = "localhost"MONGODB_PORT = 27017MONGODB_DB = 'spider_world'MONGODB_COLLECTION = 'zgmlxc'# 设置文明爬虫, 意思是每个请求之间间歇 5 秒, 对站点友好, 也防止被黑名单```pyDOWNLOAD_DELAY = 5
在 piplines.py 中
import pymongofrom scrapy.conf import settingsfrom scrapy.exceptions import DropItemfrom scrapy import logclass MongoDBPipeline(object): def __init__(self): connection = pymongo.MongoClient( settings['MONGODB_SERVER'], settings['MONGODB_PORT'] ) db = connection[settings['MONGODB_DB']] self.collection = db[settings['MONGODB_COLLECTION']] def process_item(self, item, spider): valid = True for data in item: if not data: valid = False raise DropItem("Missing {0}!".format(data)) if valid: self.collection.insert(dict(item)) log.msg("Question added to MongoDB database!", level=log.DEBUG, spider=spider) return item
在终端运行这个小爬虫
scrapy crawl myspider
在 navicat 中查看信息入库情况
如下图新建一个 MogoDB 的数据库连接,填入上面配置的信息,如果一切顺利, 就可以看到我们想要的信息都已经入库了。
以上就完成了自定义爬虫到数据入库的全过程
更多精彩文章可关注公众号python社区营获取相关资料