從零開始的爬蟲入門指南
序
本文主要內(nèi)容：以最短的時(shí)間寫一個(gè)最簡(jiǎn)單的爬蟲，可以抓取論壇的帖子標(biāo)題和帖子內(nèi)容。
本文受眾：沒寫過爬蟲的萌新。
入門
0.準(zhǔn)備工作
需要準(zhǔn)備的東西： Python、scrapy、一個(gè)IDE或者隨便什么文本編輯工具。
1.技術(shù)部已經(jīng)研究決定了，你來寫爬蟲。
隨便建一個(gè)工作目錄，然后用命令行建立一個(gè)工程，工程名為miao，可以替換為你喜歡的名字。
scrapy startproject miao
隨后你會(huì)得到如下的一個(gè)由scrapy創(chuàng)建的目錄結(jié)構(gòu)
在spiders文件夾中創(chuàng)建一個(gè)Python文件，比如miao.py，來作為爬蟲的腳本。
內(nèi)容如下：
import scrapy
class NgaSpider(scrapy.Spider):
name = "NgaSpider"
host = "http://bbs.ngacn.cc/"
# start_urls是我們準(zhǔn)備爬的初始頁
start_urls = [
"http://bbs.ngacn.cc/thread.php?fid=406",
]
# 這個(gè)是解析函數(shù)，如果不特別指明的話，scrapy抓回來的頁面會(huì)由這個(gè)函數(shù)進(jìn)行解析。
# 對(duì)頁面的處理和分析工作都在此進(jìn)行，這個(gè)示例里我們只是簡(jiǎn)單地把頁面內(nèi)容打印出來。
def parse(self, response):
print response.body
2.跑一個(gè)試試？
如果用命令行的話就這樣：
cd miao
scrapy crawl NgaSpider
你可以看到爬蟲君已經(jīng)把你壇星際區(qū)第一頁打印出來了，當(dāng)然由于沒有任何處理，所以混雜著html標(biāo)簽和js腳本都一并打印出來了。
解析
接下來我們要把剛剛抓下來的頁面進(jìn)行分析，從這坨html和js堆里把這一頁的帖子標(biāo)題提煉出來。
其實(shí)解析頁面是個(gè)體力活，方法多的是，這里只介紹xpath。
0.為什么不試試神奇的xpath呢
看一下剛才抓下來的那坨東西，或者用chrome瀏覽器手動(dòng)打開那個(gè)頁面然后按F12可以看到頁面結(jié)構(gòu)。
每個(gè)標(biāo)題其實(shí)都是由這么一個(gè)html標(biāo)簽包裹著的。舉個(gè)例子：
<a id="t_tt1_33" class="topic" href="/read.php?tid=10803874">[合作模式] 合作模式修改設(shè)想</a>
可以看到href就是這個(gè)帖子的地址（當(dāng)然前面要拼上論壇地址），而這個(gè)標(biāo)簽包裹的內(nèi)容就是帖子的標(biāo)題了。
于是我們用xpath的絕對(duì)定位方法，把class='topic'的部分摘出來。
1.看看xpath的效果
在最上面加上引用：
from scrapy import Selector
把parse函數(shù)改成：
def parse(self, response):
selector = Selector(response)
# 在此，xpath會(huì)將所有class=topic的標(biāo)簽提取出來，當(dāng)然這是個(gè)list
# 這個(gè)list里的每一個(gè)元素都是我們要找的html標(biāo)簽
content_list = selector.xpath("http://*[@class='topic']")
# 遍歷這個(gè)list，處理每一個(gè)標(biāo)簽
for content in content_list:
# 此處解析標(biāo)簽，提取出我們需要的帖子標(biāo)題。
topic = content.xpath('string(.)').extract_first()
print topic
# 此處提取出帖子的url地址。
url = self.host + content.xpath('@href').extract_first()
print url
再次運(yùn)行就可以看到輸出你壇星際區(qū)第一頁所有帖子的標(biāo)題和url了。
遞歸
接下來我們要抓取每一個(gè)帖子的內(nèi)容。
這里需要用到Python的yield。
yield Request(url=url, callback=self.parse_topic)
此處會(huì)告訴scrapy去抓取這個(gè)url，然后把抓回來的頁面用指定的parse_topic函數(shù)進(jìn)行解析。
至此我們需要定義一個(gè)新的函數(shù)來分析一個(gè)帖子里的內(nèi)容。
完整的代碼如下：
import scrapy
from scrapy import Selector
from scrapy import Request
class NgaSpider(scrapy.Spider):
name = "NgaSpider"
host = "http://bbs.ngacn.cc/"
# 這個(gè)例子中只指定了一個(gè)頁面作為爬取的起始url
# 當(dāng)然從數(shù)據(jù)庫(kù)或者文件或者什么其他地方讀取起始url也是可以的
start_urls = [
"http://bbs.ngacn.cc/thread.php?fid=406",
]
# 爬蟲的入口，可以在此進(jìn)行一些初始化工作，比如從某個(gè)文件或者數(shù)據(jù)庫(kù)讀入起始url
def start_requests(self):
for url in self.start_urls:
# 此處將起始url加入scrapy的待爬取隊(duì)列，并指定解析函數(shù)
# scrapy會(huì)自行調(diào)度，并訪問該url然后把內(nèi)容拿回來
yield Request(url=url, callback=self.parse_page)
# 版面解析函數(shù)，解析一個(gè)版面上的帖子的標(biāo)題和地址
def parse_page(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='topic']")
for content in content_list:
topic = content.xpath('string(.)').extract_first()
print topic
url = self.host + content.xpath('@href').extract_first()
print url
# 此處，將解析出的帖子地址加入待爬取隊(duì)列，并指定解析函數(shù)
yield Request(url=url, callback=self.parse_topic)
# 可以在此處解析翻頁信息，從而實(shí)現(xiàn)爬取版區(qū)的多個(gè)頁面
# 帖子的解析函數(shù)，解析一個(gè)帖子的每一樓的內(nèi)容
def parse_topic(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='postcontent ubbcode']")
for content in content_list:
content = content.xpath('string(.)').extract_first()
print content
# 可以在此處解析翻頁信息，從而實(shí)現(xiàn)爬取帖子的多個(gè)頁面
到此為止，這個(gè)爬蟲可以爬取你壇第一頁所有的帖子的標(biāo)題，并爬取每個(gè)帖子里第一頁的每一層樓的內(nèi)容。
爬取多個(gè)頁面的原理相同，注意解析翻頁的url地址、設(shè)定終止條件、指定好對(duì)應(yīng)的頁面解析函數(shù)即可。
Pipelines——管道
此處是對(duì)已抓取、解析后的內(nèi)容的處理，可以通過管道寫入本地文件、數(shù)據(jù)庫(kù)。
0.定義一個(gè)Item
在miao文件夾中創(chuàng)建一個(gè)items.py文件。
from scrapy import Item, Field
class TopicItem(Item):
url = Field()
title = Field()
author = Field()
class ContentItem(Item):
url = Field()
content = Field()
author = Field()
此處我們定義了兩個(gè)簡(jiǎn)單的class來描述我們爬取的結(jié)果。
1. 寫一個(gè)處理方法
在miao文件夾下面找到那個(gè)pipelines.py文件，scrapy之前應(yīng)該已經(jīng)自動(dòng)生成好了。
我們可以在此建一個(gè)處理方法。
from scrapy import Item, Field
class TopicItem(Item):
url = Field()
title = Field()
author = Field()
class ContentItem(Item):
url = Field()
content = Field()
author = Field()
2.在爬蟲中調(diào)用這個(gè)處理方法。
要調(diào)用這個(gè)方法我們只需在爬蟲中調(diào)用即可，例如原先的內(nèi)容處理函數(shù)可改為：
def parse_topic(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='postcontent ubbcode']")
for content in content_list:
content = content.xpath('string(.)').extract_first()
## 以上是原內(nèi)容
## 創(chuàng)建個(gè)ContentItem對(duì)象把我們爬取的東西放進(jìn)去
item = ContentItem()
item["url"] = response.url
item["content"] = content
item["author"] = "" ## 略
## 這樣調(diào)用就可以了
## scrapy會(huì)把這個(gè)item交給我們剛剛寫的FilePipeline來處理
yield item
3.在配置文件里指定這個(gè)pipeline
找到settings.py文件，在里面加入
ITEM_PIPELINES = {
'miao.pipelines.FilePipeline': 400,
}
這樣在爬蟲里調(diào)用
yield item
的時(shí)候都會(huì)由經(jīng)這個(gè)FilePipeline來處理。后面的數(shù)字400表示的是優(yōu)先級(jí)。
可以在此配置多個(gè)Pipeline，scrapy會(huì)根據(jù)優(yōu)先級(jí)，把item依次交給各個(gè)item來處理，每個(gè)處理完的結(jié)果會(huì)傳遞給下一個(gè)pipeline來處理。
可以這樣配置多個(gè)pipeline:
ITEM_PIPELINES = {
'miao.pipelines.Pipeline00': 400,
'miao.pipelines.Pipeline01': 401,
'miao.pipelines.Pipeline02': 402,
'miao.pipelines.Pipeline03': 403,
## ...
}
Middleware——中間件
通過Middleware我們可以對(duì)請(qǐng)求信息作出一些修改，比如常用的設(shè)置UA、代理、登錄信息等等都可以通過Middleware來配置。
0.Middleware的配置
與pipeline的配置類似，在setting.py中加入Middleware的名字，例如
DOWNLOADER_MIDDLEWARES = {
"miao.middleware.UserAgentMiddleware": 401,
"miao.middleware.ProxyMiddleware": 402,
}
1.破網(wǎng)站查UA, 我要換UA
某些網(wǎng)站不帶UA是不讓訪問的。
在miao文件夾下面建立一個(gè)middleware.py
import random
agents = [
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
"Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
"Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
]
class UserAgentMiddleware(object):
def process_request(self, request, spider):
agent = random.choice(agents)
request.headers["User-Agent"] = agent
這里就是一個(gè)簡(jiǎn)單的隨機(jī)更換UA的中間件，agents的內(nèi)容可以自行擴(kuò)充。
2.破網(wǎng)站封IP，我要用代理
比如本地127.0.0.1開啟了一個(gè)8123端口的代理，同樣可以通過中間件配置讓爬蟲通過這個(gè)代理來對(duì)目標(biāo)網(wǎng)站進(jìn)行爬取。
同樣在middleware.py中加入：
class ProxyMiddleware(object):
def process_request(self, request, spider):
# 此處填寫你自己的代理
# 如果是買的代理的話可以去用API獲取代理列表然后隨機(jī)選擇一個(gè)
proxy = "http://127.0.0.1:8123"
request.meta["proxy"] = proxy
很多網(wǎng)站會(huì)對(duì)訪問次數(shù)進(jìn)行限制，如果訪問頻率過高的話會(huì)臨時(shí)禁封IP。
如果需要的話可以從網(wǎng)上購(gòu)買IP，一般服務(wù)商會(huì)提供一個(gè)API來獲取當(dāng)前可用的IP池，選一個(gè)填到這里就好。
一些常用配置
在settings.py中的一些常用配置
# 間隔時(shí)間，單位秒。指明scrapy每?jī)蓚€(gè)請(qǐng)求之間的間隔。
DOWNLOAD_DELAY = 5
# 當(dāng)訪問異常時(shí)是否進(jìn)行重試
RETRY_ENABLED = True
# 當(dāng)遇到以下http狀態(tài)碼時(shí)進(jìn)行重試
RETRY_HTTP_CODES = [500, 502, 503, 504, 400, 403, 404, 408]
# 重試次數(shù)
RETRY_TIMES = 5
# Pipeline的并發(fā)數(shù)。同時(shí)最多可以有多少個(gè)Pipeline來處理item
CONCURRENT_ITEMS = 200
# 并發(fā)請(qǐng)求的最大數(shù)
CONCURRENT_REQUESTS = 100
# 對(duì)一個(gè)網(wǎng)站的最大并發(fā)數(shù)
CONCURRENT_REQUESTS_PER_DOMAIN = 50
# 對(duì)一個(gè)IP的最大并發(fā)數(shù)
CONCURRENT_REQUESTS_PER_IP = 50
我就是要用Pycharm
如果非要用Pycharm作為開發(fā)調(diào)試工具的話可以在運(yùn)行配置里進(jìn)行如下配置：
Configuration頁面：
Script填你的scrapy的cmdline.py路徑，比如我的是
/usr/local/lib/Python2.7/dist-packages/scrapy/cmdline.py
然后在Scrpit parameters中填爬蟲的名字，本例中即為：
crawl NgaSpider
最后是Working diretory，找到你的settings.py文件，填這個(gè)文件所在的目錄。
示例：
按小綠箭頭就可以愉快地調(diào)試了。