Python scrapy爬虫爬取伯乐在线全部文章，并写入数据库

伯乐在线爬虫项目目的及项目准备：

1.使用scrapy创建项目

2.创建爬虫，bole 域名 jobbole.com

3.Start_urls = [‘http://blog.jobbole.com/all-posts/’]

4.爬取所有页数的文章

5.文章列表页需要数据

a) 缩略图的地址

b) 详情url地址

6.详情页面要提取的数据

# 博客标题

    # 博客创建时间

    # 博客url

    # 将url经过md5加密生成id

    # 缩略图的地址

    # 图片保存路径  #这个属性考虑好在哪赋值

    # 点赞数

    # 收藏数

    # 评论数

    # 博客作者

# 博客标签

7.将图片下载，保存到imgs文件夹中

8.将爬取的所有数据存储到数据库

创建项目我们在cmd中进行创建，在开始之前我们要将数据库表以及其中字段创建好。

spider爬虫代码：

# -*- coding: utf-8 -*-
import scrapy
import re
# ..上级目录
from ..items import BoleItem
# .同级目录
from .tools import get_number,md5
# MVC  Model view controler
# 降低代码耦合性
# MVVC


# 做url地址的拼接，如果没有域名才会进行拼接
import urlparse
class BoleSpider(scrapy.Spider):
    name = 'bole'
    allowed_domains = ['jobbole.com']
    start_urls = ['http://blog.jobbole.com/all-posts/']

    def parse(self, response):
        # 获取每一页的文章url和图片url
        a_list = response.xpath(".//*[@id='archive']/div/div[1]/a")

        for a in a_list:
            # 获取博客详情页面url
            # 获取博客图片的url
            a_href = a.xpath("@href").extract_first('')
            img_src = a.xpath("img/@src").extract_first('')

            yield scrapy.Request(
                url=a_href,
                callback=self.parse_detail,
                meta={"img_src":img_src}
            )
        next_page = response.xpath("//a[@class='next page-numbers']/@href").extract_first('')
        if next_page:
            # 发送请求，请求下一页
            yield scrapy.Request(
                url=next_page
            )

    def parse_detail(self,response):
        # 博客详情地址
        blog_url = response.url
        # 图片url地址
        img_src = response.meta["img_src"]
        # 图片地址有可能不完整
        if img_src:
            # 1.拼接URL地址
            img_src = urlparse.urljoin('http://www.jobbole.com',img_src)
        else:
            img_src = ''

        # 博客标题
        title = response.xpath("//div[@class='entry-header']/h1/text()").extract_first('')
        # 博客发布时间
        blog_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract_first('').strip().replace(u'·','').strip()
        # 所有的标签
        tags = response.xpath("//p[@class='entry-meta-hide-on-mobile']/a/text()").extract()
        # join 将列表中所有的字符串拼接，并以,隔开
        # split 将字符串根据某个字符进行分割，返回一个列表
        tags = ','.join(tags)
        # 点赞数
        like_count = response.xpath("//h10/text()").extract_first('')
        # 没有点赞设置为0
        if like_count:
            like_count = int(like_count)
        else:
            like_count = 0
        # 评论数
        comment_count = response.xpath("//a[@href='#article-comment']/span/text()").extract_first('')
        comment_count = get_number(comment_count)

        # 收藏数
        bookmark_count = response.xpath("//span[contains(@class,'bookmark-btn')]/text()").extract_first('')
        bookmark_count = get_number(bookmark_count)
        # blog_id
        # img_path
        # 创建Item对象
        item = BoleItem()
        item['blog_id'] = md5(response.url)
        item["title"] = title
        item["blog_url"] = blog_url
        # 将图片url放在列表中
        item["img_src"] = [img_src]
        item["blog_date"] = blog_date
        item["tags"] = tags
        item["like_count"] = like_count
        item["comment_count"] = comment_count
        item["bookmark_count"] = bookmark_count
        print title,blog_date,blog_url,img_src,like_count,comment_count,bookmark_count,tags
        yield item 

创建工具包tools，优化代码，工具包tools代码:
import hashlib
# md5加密函数
def md5(str):
    import hashlib
    m = hashlib.md5()
    m.update(str)
    return m.hexdigest()

# 只要以后需要从字符串中匹配数字，就可以使用这个函数
import re
def get_number(str):
    # 正则
    pattern = re.compile(r'\d+')
    rs = re.search(pattern, str)
    if rs:
        count = int(rs.group())
    else:
        count = 0
    return count
 
设置随机请求头，设置middlewares中内容
代码如下: 
# 设置随机请求头
from fake_useragent import UserAgent
class RandomUAMiddleware(object):
    def __init__(self,crawler):
        super(RandomUAMiddleware, self).__init__()
        self.crawler = crawler
        self.ua = UserAgent()
    @classmethod
    def from_crawler(cls,crawler):
        return cls(crawler)
    # 处理请求函数
    def process_request(self,request,spider):
        # 随机产生请求头
        request.headers.setdefault('User-Agent',self.ua.random)
在item中创建数据模型类

class BoleItem(scrapy.Item):
    title = scrapy.Field()
    blog_url = scrapy.Field()
    img_src = scrapy.Field()
    blog_date = scrapy.Field()
    tags = scrapy.Field()
    like_count = scrapy.Field()
    comment_count = scrapy.Field()
    bookmark_count = scrapy.Field()
    img_path = scrapy.Field()
    blog_id = scrapy.Field()

写入数据库，我们使用异步写入，首先在setting文件中自己配置一些项目信息

# 数据库配置
MYSQL_HOST = '127.0.0.1'
MYSQL_PORT = 3306
MYSQL_USER = 'root'
MYSQL_PASSWD = '123456'
MYSQL_CHARSET = 'utf8'
MYSQL_DBNAME = 'jobbole'


然后设置pipelines，其中包含了我们写入数据库的代码，和下载图片的代码
代码如下：
from scrapy.http.request import  Request
class MyImagePipeline(ImagesPipeline):

    # 把当前的item处理完成之后，执行这个函数
    def item_completed(self, results, item, info):
        # 首先判断要下载的图片是否有完成信息
        if results:
            try:
                # 检测有有没有图片信息字典
                # 先取出列表中的元组，再从元组中取出字典
                img_dic = results[0][1]
                img_path = img_dic["path"]
            except Exception,e:
                print '------',e
                img_path = '没有图片路径'
        else:
            img_path = '没有图片信息'
        # 对item的img_path赋值
        item["img_path"] = 'imgs/'+img_path
        # 返回item
        return item

    # 当需要处理媒体文件时，会执行该函数
    def get_media_requests(self, item, info):

        # 获取图片的url地址
        for src in item['img_src']:

            return Request(
                url=src,
                meta={'item':item}
            )
        # return [Request(x) for x in item["img_src"], []]

    # 指定图片存放的路径
    def file_path(self, request, response=None, info=None):
        # 取出item
        item = request.meta["item"]
        # 取出图片url
        img_name = request.url.split('/')[-1]
        return img_name


# 异步写入数据库
from twisted.enterprise import adbapi
from MySQLdb import cursors

class MysqlTwistedPipeline(object):
    @classmethod
    # 这个函数会自动调用
    def from_settings(cls,settings):
        # 准备好连接数据库需要的参数
        db_params = dict(
            # 复制当前行Ctrl + d
            host = settings["MYSQL_HOST"],
            port = settings["MYSQL_PORT"],
            user = settings["MYSQL_USER"],
            passwd = settings["MYSQL_PASSWD"],
            charset = settings["MYSQL_CHARSET"],
            db = settings["MYSQL_DBNAME"],
            use_unicode = True,
            # 指定游标类型
            cursorclass=cursors.DictCursor
        )
        # 创建连接池
        # 1.要连接的名称  2.连接需要的参数
        db_pool = adbapi.ConnectionPool('MySQLdb',**db_params)
        # 返回当前类的对象，并且把db_pool赋值给该类的对象
        return cls(db_pool)

    def __init__(self,db_pool):
        # 赋值
        self.db_pool = db_pool

    # 处理item函数
    def process_item(self,item,spider):
        # 把要处理的事件进行异步处理
        # 1.要处理的事件函数
        # 2.事件函数需要的参数
        query = self.db_pool.runInteraction(self.do_insert,item)
        # 执行sql出现错误信息
        query.addErrback(self.handle_error,item,spider)
    # 错误的原因
    def handle_error(self,failure,item,spider):

        print failure

    # 处理插入数据库的操作
    # cursor该函数是连接数据库的函数，并且放在异步去执行，cursor执行sql语句
    def do_insert(self,cursor,item):
        # 1.准备sql语句
        sql = 'insert into bolejb(title,blog_url,img_src,blog_date,tags,like_count,comment_count,bookmark_count,img_path,blog_id)VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
        # 2.用cursor游标执行sql
        cursor.execute(sql, (item["title"], item["blog_url"], item["img_src"][0], item["blog_date"], item["tags"], item["like_count"],item["comment_count"], item["bookmark_count"], item["img_path"],item["blog_id"]))


最后我们需要设置我们setting文件中的内容，将我们重写的中间件在setting中进一步设置

DOWNLOADER_MIDDLEWARES = {
   'BoleSpider.middlewares.RandomUAMiddleware': 1,
}

ITEM_PIPELINES = {
   'BoleSpider.pipelines.MyImagePipeline': 1,
   'BoleSpider.pipelines.MysqlTwistedPipeline': 2,
}
# 根据哪个属性下载图片
IMAGES_URLS_FIELD = 'img_src'
IMAGES_STORE = 'imgs'

为了方便调试，我们可以创建一个debug文件

from scrapy.cmdline import execute
execute(['scrapy','crawl','bole'])