【学习笔记】分布式爬虫打造搜索引擎|笔记02|scrapy爬取博客网站

scrapy框架

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。

 

• • 引擎(Scrapy)
    用来处理整个系统的数据流, 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。

1.新建scrapy项目

scrapy startproject Jobbole_spider

2.文件结构

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则
• middlewares 中间件，可以编写下载器中间件和爬虫中间件 如：动态设置代理IP、随机更换user-agent

3.设置数据存储模板

 

items.py

class JobboleSpiderItem(scrapy.Item):
    title = scrapy.Field()  # Field任何类型
    create_date = scrapy.Field()
    url = scrapy.Field()
    url_object_id = scrapy.Field()
    praise_nums = scrapy.Field()
    comment_nums = scrapy.Field()
    fav_nums = scrapy.Field()
    tags = scrapy.Field()
    content = scrapy.Field()

4.编写爬虫文件

jobbole.py

class Jobbole_spider(scrapy.Spider):
    name = "jobbole"
    allowed_domains = ["blog.jobbole.com"]
    start_urls = ['http://blog.jobbole.com/all-posts/']


    def parse(self, response):
        """
        1.获取文章列表页中的文章url并交给scrapy下载并进行解析
        2.获取下一页的url并交给scrapy下载 下载完成后交给parse

        """
        # 解析列表页中所有文章的url
        time.sleep(random.random()*3)
        post_nodes = response.xpath("//div[@class='post floated-thumb']/div[1]/a")
        for post_node in post_nodes:
            post_url = post_node.xpath('./@href').extract()[0]
            yield Request(url=parse.urljoin(response.url, post_url), callback=self.parse_detail)

        # 提交下一页并交给 scrapy 进行下载
        next_url = response.xpath("//a[@class ='next page-numbers']/@href").extract()[0]
        if next_url:
            yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)
    def parse_detail(self, response):
        item = JobboleSpiderItem()

        # 提取文章具体字段
        title = response.xpath('//div[@class="entry-header"]/h1/text()').extract_first("") # extract_first()不需要考虑空值的异常处理
        create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()[0].strip().replace("·","").strip()
        praise_nums = response.xpath("//span[contains(@class, 'vote-post-up')]/h10/text()").extract()[0]
        fav_nums = response.xpath("//span[contains(@class, 'bookmark-btn')]/text()").extract()[0]
        match_re = re.match(".*?(\d+).*", fav_nums)
        if match_re:
            fav_nums = int(match_re.group(1))
        else:
            fav_nums = 0  # 没有取到数字给默认值

        comment_nums = response.xpath("//a[@href='#article-comment']/span/text()").extract()[0]
        match_re = re.match(".*?(\d+).*", comment_nums)
        if match_re:
            comment_nums = int(match_re.group(1))
        else:
            comment_nums = 0

        content = response.xpath("//div[@class='entry']").extract()[0]

        tag_list = response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
        tag_list = [element for element in tag_list if not element.strip().endswith("评论")]
        tags = ",".join(tag_list)

        item["title"] = title
        try:
            create_date = datetime.datetime.strptime(create_date, "%Y/%m/%d").date()
        except Exception as e:
            create_date = datetime.datetime.now().date()
        item["create_date"] = create_date
        item["url"] = response.url
        item["url_object_id"] = get_md5(response.url)
        item["praise_nums"] = praise_nums
        item["comment_nums"] = comment_nums
        item["fav_nums"] = fav_nums
        item["tags"] = tags
        item["content"] = content
        yield item

tip：在写xpath解析时，可以用scrapy提供一种shell模式来检验xpath语法是否正确

如：

scrapy shell http://blog.jobbole.com/114706/

5.编写pipeline保存

写入json文件

class JsonWithEncodingPipeline(object):
    def __init__(self):
        self.file = codecs.open('jobbole.json', 'w', encoding="utf-8")
    def process_item(self, item, spider):
        lines = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(lines)
        return item
    def spider_closed(self, spider):
        self.file.close()

写入mysql数据库

class MysqlPipeline(object):
    # 采用同步的机制写入mysql
    def __init__(self):
        self.conn = MySQLdb.connect('127.0.0.1', 'username', 'password', 'dbname', charset="utf8", use_unicode=True)
        self.cursor = self.conn.cursor()

    def process_item(self, item, spider):
        insert_sql = """
                insert into jobbole_spider(title,create_date,url,url_object_id,praise_nums,
                                            comment_nums,fav_nums,tags,content)
                VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s)
            """
        self.cursor.execute(insert_sql, (item["title"], item["create_date"],
                                         item["url"], item["url_object_id"],
                                         item["praise_nums"], item["comment_nums"],
                                         item["fav_nums"], item["tags"], item["content"]))
        self.conn.commit()

6.配置settings文件

ITEM_PIPELINES = {
   'Jobbole_spider.pipelines.MysqlPipeline': 200,
   'Jobbole_spider.pipelines.JsonWithEncodingPipeline': 100,
}

每个pipeline后面有一个数值，这个数组的范围是0-1000，这个数值确定了他们的运行顺序，数字越小越优先

另外在settings.py文件中设置

ROBOTSTXT_OBEY = False

如果不设置，scrapy默认读取每一个网站的ROBOTS协议，把不符合ROBOTS协议的url过滤掉

7.main文件运行爬虫

sys.path.append(os.path.dirname(os.path.abspath(__file__)))
cmdline.execute("scrapy crawl jobbole".split())