Scrapy爬虫系列之一个整站爬取

发表于 | 分类于 | | 阅读次数

本节是Scrapy系列中的一节, 主要是多页面, 多Item和 图片下载功能的爬取。

本次我们要爬取的站是我个人非常喜欢的一个站点， 即韩寒的一个, 每天会更新一张图片, 一句话, 一篇文章和一个问答, 页面十分简洁。如下图所示:


1. 定义爬虫内容 item.py

首先定义我们感兴趣的内容, 按照 photo, article, ask 分别爬取。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# -*- coding: utf-8 -*-

import scrapy

class PhotoItem(scrapy.Item):
    title = scrapy.Field()
    image_urls = scrapy.Field()
    date = scrapy.Field()
    motto = scrapy.Field()

class ArticleItem(scrapy.Item):
    title = scrapy.Field()
    content = scrapy.Field()
    date = scrapy.Field()

class AskItem(scrapy.Item):
    title = scrapy.Field()
    date = scrapy.Field()
    question = scrapy.Field()
    answer = scrapy.Field()

2. Spider的编写

定义好了 Item, 那么接下来就是我们的 Spider了, 整个逻辑非常简单, 首先解析每天的页面(主页面), 再由主页面分别获得 photo, article 和 ask的链接, 再发起请求来获得分别的详情页面。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
# coding: utf-8

import scrapy
from scrapy.spiders import Spider
from scrapy.selector import Selector
from OnesSpider.items import PhotoItem, ArticleItem, AskItem

class MySpider(Spider):
    name = "ones"
    allowed_domains = ["caodan.org"]
    start_urls = [
        "http://caodan.org/page/%d" % i for i in xrange(1, 1340)
    ]

    def parse(self, response):
        html = Selector(response).xpath("//div[@class='content']/h1[@class='entry-title']/a/@href").extract()
        # html 为列表, 其中有3个元素, 分别是 photo, article, ask 页面的链接

        ## 请求图片详情页
        yield scrapy.Request(
            url = html[0],
            callback = self.parse_photo
        )

        ## 请求文章详情页
        yield scrapy.Request(
            url = html[1],
            callback = self.parse_article
        )

        ## 请求问题详情页
        yield scrapy.Request(
            url = html[2],
            callback = self.parse_ask
        )


    def parse_photo(self, response):
        sel = Selector(response)

        item = PhotoItem()
        item['title'] = sel.xpath('//h1/text()').extract()[0]
        item['date'] = sel.xpath('//div[@class="date"]//p').xpath("string(.)").extract()[0]
        item['image_urls'] = sel.xpath('//div[@class="entry-content"]//img/@src').extract()
        item['motto'] = sel.xpath('//blockquote/p/text()').extract()[0]
        yield item

    def parse_article(self, response):
        sel = Selector(response)

        item = ArticleItem()
        item['title'] = sel.xpath('//h1/text()').extract()[0]
        item['date'] = sel.xpath('//div[@class="date"]//p').xpath("string(.)").extract()[0]
        item['content'] = sel.xpath('//div[@class="entry-content"]').xpath("string(.)").extract()[0]
        yield item
        

    def parse_ask(self, response):
        sel = Selector(response)

        item = AskItem()
        item['title'] = sel.xpath('//h1/text()').extract()[0]
        item['date'] = sel.xpath('//div[@class="date"]//p').xpath("string(.)").extract()[0]
        item['question'] = sel.xpath('//div[@class="cuestion-contenido"]/text()').extract()[0]
        item['answer'] = sel.xpath('//div[@class="cuestion-contenido"]')[1].xpath("string(.)").extract()[0]
        yield item

3. 数据处理 pipeline.py

这里我们主要有三个Pipeline, 其中一个是 Scrapy 自带的下来图片的 Pipeline, 还有两个分别是处理爬取到的item中时间格式的和将输入存入 mongo 数据库的 Pipeline。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
# -*- coding: utf-8 -*-

import pymongo
from scrapy.exceptions import DropItem
from scrapy.conf import settings
from OnesSpider.items import PhotoItem, ArticleItem, AskItem
from scrapy.contrib.pipeline.images import ImagesPipeline

class DateFormatPipeline(object):
        
    def process_item(self, item, spider):
        a = item['date'].replace(u'月','')
        tmp = a[:2] + '/' + a[2:]
        day = tmp.split('/')[0].strip()
        month = tmp.split('/')[1].strip()
        year = tmp.split('/')[2].strip()
        item['date'] = year+'/'+month+'/'+day
        return item


class MongoDBPipeline(object):

    def __init__(self):
        self.connection = pymongo.MongoClient(
            settings['MONGODB_SERVER'],
            settings['MONGODB_PORT']
        )
        self.db = self.connection[settings['MONGODB_DB']]

    def process_item(self, item, spider):
        vaild = True

        for data in item:
            if not data:
                vaild = False
                raise DropItem("Missing {0}!".format(data))
        if vaild:

            if isinstance(item, PhotoItem):
                self.collection = self.db['photo']
                self.collection.insert(dict(item))
            elif isinstance(item, ArticleItem):
                self.collection = self.db['article']
                self.collection.insert(dict(item))
            elif isinstance(item, AskItem):
                self.collection = self.db['ask']
                self.collection.insert(dict(item))
            else:
                raise DropItem("Error")
        return item

4. 配置文件 settings.py

最后, 我们需要在 setting 中做以下配置, mongodb的数据库等信息, 图片下载保存地址 和 Pipeline 优先级

添加以下设置到settting.py

1
2
3
4
5
6
7
8
9
10
11
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "ones"

ITEM_PIPELINES = {
   'OnesSpider.pipelines.ImagesPipeline': 100,
   'OnesSpider.pipelines.DateFormatPipeline': 200,
   'OnesSpider.pipelines.MongoDBPipeline': 300,
}

IMAGES_STORE = '.'

5. 效果展示

最后在工程目录下执行命令

scrapy crawl ones

大约等待一个小时左右, 整个站的数据应该都被爬取完成咯。数据量大概是 photo, article, ask各有1350个左右。

如下图:

同时下载的图片(妈妈再也不怕我找不到精美图片了)

项目代码, 点我下载。

以上, 欢迎食用~ , 觉得有收获, 留个言给点鼓励嘛!!! ᕙ(⇀‸↼‵‵)ᕗ