摘要：因?yàn)闀簳r(shí)還沒有學(xué)到如何模擬登陸，所以我就先抓像豆瓣這樣不需要登陸的網(wǎng)站上的內(nèi)容。其中會(huì)回調(diào)函數(shù)，用是因?yàn)槎拱陥D書并不是格式一致的。只需要在中設(shè)置項(xiàng)目代碼地址豆瓣圖書爬蟲

Scrapy學(xué)習(xí)（一） 安裝

Scrapy學(xué)習(xí)（二） 入門

有了前兩篇的基礎(chǔ)，就可以開始互聯(lián)網(wǎng)上爬取我們感興趣的信息了。因?yàn)闀簳r(shí)還沒有學(xué)到如何模擬登陸，所以我就先抓像豆瓣這樣不需要登陸的網(wǎng)站上的內(nèi)容。
我的開發(fā)環(huán)境是 Win7 + PyChram + Python3.5 + MongoDB
爬蟲的目標(biāo)是豆瓣的日本文學(xué)標(biāo)簽下的所有書籍基本信息

scrapy startproject douban

接著移動(dòng)到douban目錄下

scrapy genspider book book.douban.com

在spider目錄下生成相應(yīng)的BookSpider模板

在items.py中編寫我們需要的數(shù)據(jù)模型

class BookItem(scrapy.Item):
    book_name = scrapy.Field()
    book_star = scrapy.Field()
    book_pl = scrapy.Field()
    book_author = scrapy.Field()
    book_publish = scrapy.Field()
    book_date = scrapy.Field()
    book_price = scrapy.Field()

訪問豆瓣的日本文學(xué)標(biāo)簽,將url的值寫到start_urls中。接著在Chrome的幫助下，可以看到每本圖書是在ul#subject-list > li.subject-item

class BookSpider(scrapy.Spider):
    ...
    def parse(self, response):
        sel = Selector(response)
        book_list = sel.css("#subject_list > ul > li")
        for book in book_list:
            item = BookItem()
            item["book_name"] = book.xpath("div[@class="info"]/h2/a/text()").extract()[0].strip()
            item["book_star"] = book.xpath("div[@class="info"]/div[2]/span[@class="rating_nums"]/text()").extract()[
                0].strip()
            item["book_pl"] = book.xpath("div[@class="info"]/div[2]/span[@class="pl"]/text()").extract()[0].strip()
            pub = book.xpath("div[@class="info"]/div[@class="pub"]/text()").extract()[0].strip().split("/")
            item["book_price"] = pub.pop()
            item["book_date"] = pub.pop()
            item["book_publish"] = pub.pop()
            item["book_author"] = "/".join(pub)
            yield item

測(cè)試一下代碼是否有問題

scrapy crawl book -o items.json

奇怪的發(fā)現(xiàn)，items.json內(nèi)并沒有數(shù)據(jù)，后頭看控制臺(tái)中的DEBUG信息

2017-02-04 16:15:38 [scrapy.core.engine] INFO: Spider opened
2017-02-04 16:15:38 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0  pages/min), scraped 0 items (at 0 items/min)
2017-02-04 16:15:38 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2017-02-04 16:15:39 [scrapy.core.engine] DEBUG: Crawled (403) 2017-02-04 16:15:39 [scrapy.core.engine] DEBUG: Crawled (403) 

爬取網(wǎng)頁(yè)時(shí)狀態(tài)碼是403。這是因?yàn)榉?wù)器判斷出爬蟲程序，拒絕我們?cè)L問。
我們可以在settings中設(shè)定USER_AGENT的值，偽裝成瀏覽器訪問頁(yè)面。

USER_AGENT = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)"

再試一次，就發(fā)現(xiàn)items.json有值了。但仔細(xì)只有第一頁(yè)的數(shù)據(jù)，如果我們想要爬取所有的數(shù)據(jù)，就需要爬完當(dāng)前頁(yè)后自動(dòng)獲得下一頁(yè)的url，以此類推爬完所有數(shù)據(jù)。
所以我們對(duì)spider進(jìn)行改造。

    ...
    def parse(self, response):
        sel = Selector(response)
        book_list = sel.css("#subject_list > ul > li")
        for book in book_list:
            item = BookItem()
            try:
                item["book_name"] = book.xpath("div[@class="info"]/h2/a/text()").extract()[0].strip()
                item["book_star"] = book.xpath("div[@class="info"]/div[2]/span[@class="rating_nums"]/text()").extract()[0].strip()
                item["book_pl"] = book.xpath("div[@class="info"]/div[2]/span[@class="pl"]/text()").extract()[0].strip()
                pub = book.xpath("div[@class="info"]/div[@class="pub"]/text()").extract()[0].strip().split("/")
                item["book_price"] = pub.pop()
                item["book_date"] = pub.pop()
                item["book_publish"] = pub.pop()
                item["book_author"] = "/".join(pub)
                yield item
            except:
                pass
        nextPage = sel.xpath("http://div[@id="subject_list"]/div[@class="paginator"]/span[@class="next"]/a/@href").extract()[0].strip()
        if nextPage:
            next_url = "https://book.douban.com"+nextPage
            yield scrapy.http.Request(next_url,callback=self.parse)

其中scrapy.http.Request會(huì)回調(diào)parse函數(shù)，用try...catch是因?yàn)槎拱陥D書并不是格式一致的。遇到有問題的數(shù)據(jù)，就拋棄不用。

一般來(lái)說，如果爬蟲速度過快。會(huì)導(dǎo)致網(wǎng)站拒絕我們的訪問，所以我們需要在settings設(shè)置爬蟲的間隔時(shí)間，并關(guān)掉COOKIES

DOWNLOAD_DELAY = 2
COOKIES_ENABLED = False

或者，我們可以設(shè)置不同的瀏覽器UA或者IP地址來(lái)回避網(wǎng)站的屏蔽
下面用更改UA來(lái)作為例子。
在middlewares.py,編寫一個(gè)隨機(jī)替換UA的中間件，每個(gè)request都會(huì)經(jīng)過middleware。
其中process_request，返回None，Scrapy將繼續(xù)到其他的middleware進(jìn)行處理。

class RandomUserAgent(object):
    def __init__(self,agents):
        self.agents = agents
    @classmethod
    def from_crawler(cls,crawler):
        return cls(crawler.settings.getlist("USER_AGENTS"))
    def process_request(self,request,spider):
        request.headers.setdefault("User-Agent",random.choice(self.agents))

接著道settings中設(shè)置

DOWNLOADER_MIDDLEWARES = {
"douban.middlewares.RandomUserAgent": 1,
}
...
USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    ...
]

再次運(yùn)行程序，顯然速度快了不少。

接下來(lái)我們要將數(shù)據(jù)保存到數(shù)據(jù)庫(kù)做持久化處理(這里用MongoDB舉例，保存到其他數(shù)據(jù)庫(kù)同理)。
這部分處理是寫在pipelines中。在此之前我們還要先安裝連接數(shù)據(jù)庫(kù)的驅(qū)動(dòng)。

pip install pymongo

我們?cè)?b>settings寫下配置

# MONGODB configure
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "douban"
MONGODB_COLLECTION = "book"

class MongoDBPipeline(object):
    def __init__(self):
        connection = MongoClient(
            host=settings["MONGODB_SERVER"],
            port=settings["MONGODB_PORT"]
        )
        db = connection[settings["MONGODB_DB"]]
        self.collection = db[settings["MONGODB_COLLECTION"]]

    def process_item(self, item, spider):
        self.collection.insert(dict(item))
        log.msg("Book  added to MongoDB database!",
                level=log.DEBUG, spider=spider)
        return item

將運(yùn)行項(xiàng)目的時(shí)候控制臺(tái)中輸出的DEBUG信息保存到log文件中。只需要在settings中設(shè)置

LOG_FILE = "logs/book.log"

項(xiàng)目代碼地址：豆瓣圖書爬蟲