Pyspider框架 —— Python爬蟲實戰之爬取 V2EX 網站帖子
背景：
PySpider：一個國人編寫的強大的網絡爬蟲系統并帶有強大的WebUI。采用Python語言編寫，分布式架構，支持多種數據庫后端，強大的WebUI支持腳本編輯器，任務監視器，項目管理器以及結果查看器。在線示例： http://demo.pyspider.org/
官方文檔： http://docs.pyspider.org/en/l...
Github : https://github.com/binux/pysp...
本文爬蟲代碼 Github 地址：https://github.com/zhisheng17...
更多精彩文章可以在微信公眾號：猿blog 閱讀到，歡迎關注。
說了這么多，我們還是來看正文吧!
前提:
你已經安裝好了Pyspider 和 MySQL-python(保存數據)
如果你還沒安裝的話，請看看我的前一篇文章，防止你也走彎路。
我所遇到的一些錯誤：
首先，本爬蟲目標：使用 Pyspider 框架爬取 V2EX 網站的帖子中的問題和內容，然后將爬取的數據保存在本地。
V2EX 中大部分的帖子查看是不需要登錄的，當然也有些帖子是需要登陸后才能夠查看的。(因為后來爬取的時候發現一直 error ，查看具體原因后才知道是需要登錄的才可以查看那些帖子的)所以我覺得沒必要用到 Cookie，當然如果你非得要登錄，那也很簡單，簡單地方法就是添加你登錄后的 cookie 了。
我們在 https://www.v2ex.com/ 掃了一遍，發現并沒有一個列表能包含所有的帖子，只能退而求其次，通過抓取分類下的所有的標簽列表頁，來遍歷所有的帖子： https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... ***每個帖子的詳情地址是 (舉例)： https://www.v2ex.com/t/314683...
創建一個項目
在 pyspider 的 dashboard 的右下角，點擊 “Create” 按鈕
替換 on_start 函數的 self.crawl 的 URL：
- @every(minutes=24 * 60)
- def on_start(self):
- self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)
- self.crawl 告訴 pyspider 抓取指定頁面，然后使用 callback 函數對結果進行解析。
- @every) 修飾器，表示 on_start 每天會執行一次，這樣就能抓到***的帖子了。
- validate_cert=False 一定要這樣，否則會報 HTTP 599: SSL certificate problem: unable to get local issuer certificate錯誤
首頁：
點擊綠色的 run 執行，你會看到 follows 上面有一個紅色的 1，切換到 follows 面板，點擊綠色的播放按鈕：
第二張截圖一開始是出現這個問題了，解決辦法看前面寫的文章，后來問題就不再會出現了。
Tab 列表頁 :
在 tab 列表頁 中，我們需要提取出所有的主題列表頁 的 URL。你可能已經發現了，sample handler 已經提取了非常多大的 URL
代碼：
- @config(age=10 * 24 * 60 * 60)
- def index_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items():
- self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)
- 由于帖子列表頁和 tab列表頁長的并不一樣，在這里新建了一個 callback 為 self.tab_page
- @config(age=10 24 60 * 60) 在這表示我們認為 10 天內頁面有效，不會再次進行更新抓取
Go列表頁 :
代碼：
- @config(age=10 * 24 * 60 * 60)
- def tab_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items():
- self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)
帖子詳情頁(T):
你可以看到結果里面出現了一些reply的東西，對于這些我們是可以不需要的，我們可以去掉。
同時我們還需要讓他自己實現自動翻頁功能。
代碼：
- @config(age=10 * 24 * 60 * 60)
- def board_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():
- url = each.attr.href
- if url.find('#reply')>0:
- url = url[0:url.find('#')]
- self.crawl(url, callback=self.detail_page, validate_cert=False)
- for each in response.doc('a.page_normal').items():
- self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #實現自動翻頁功能
去掉后的運行截圖：
實現自動翻頁后的截圖：
此時我們已經可以匹配了所有的帖子的 url 了。
點擊每個帖子后面的按鈕就可以查看帖子具體詳情了。
代碼：
- @config(priority=2)
- def detail_page(self, response):
- title = response.doc('h1').text()
- content = response.doc('div.topic_content').html().replace('"', '\\"')
- self.add_question(title, content) #插入數據庫
- return {
- "url": response.url,
- "title": title,
- "content": content,
- }
插入數據庫的話，需要我們在之前定義一個add_question函數。
- #連接數據庫
- def __init__(self):
- self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8')
- def add_question(self, title, content):
- try:
- cursor = self.db.cursor()
- sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()'); #插入數據庫的SQL語句
- print sql
- cursor.execute(sql)
- print cursor.lastrowid
- self.db.commit()
- except Exception, e:
- print e
- self.db.rollback()
查看爬蟲運行結果：
先debug下，再調成running。pyspider框架在windows下的bug
設置跑的速度，建議不要跑的太快，否則很容易被發現是爬蟲的，人家就會把你的IP給封掉的
查看運行工作
查看爬取下來的內容
然后再本地數據庫GUI軟件上查詢下就可以看到數據已經保存到本地了。
自己需要用的話就可以導入出來了。
在開頭我就告訴大家爬蟲的代碼了，如果詳細的看看那個project，你就會找到我上傳的爬取數據了。(僅供學習使用，切勿商用!)
當然你還會看到其他的爬蟲代碼的了，如果你覺得不錯可以給個 Star，或者你也感興趣的話，你可以fork我的項目，和我一起學習，這個項目長期更新下去。
***：
代碼：
- # created by 10412
- # !/usr/bin/env python
- # -*- encoding: utf-8 -*-
- # Created on 2016-10-20 20:43:00
- # Project: V2EX
- from pyspider.libs.base_handler import *
- import re
- import random
- import MySQLdb
- class Handler(BaseHandler):
- crawl_config = {
- }
- def __init__(self):
- self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8')
- def add_question(self, title, content):
- try:
- cursor = self.db.cursor()
- sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()');
- print sql
- cursor.execute(sql)
- print cursor.lastrowid
- self.db.commit()
- except Exception, e:
- print e
- self.db.rollback()
- @every(minutes=24 * 60)
- def on_start(self):
- self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)
- @config(age=10 * 24 * 60 * 60)
- def index_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items():
- self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)
- @config(age=10 * 24 * 60 * 60)
- def tab_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items():
- self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)
- @config(age=10 * 24 * 60 * 60)
- def board_page(self, response):
- for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():
- url = each.attr.href
- if url.find('#reply')>0:
- url = url[0:url.find('#')]
- self.crawl(url, callback=self.detail_page, validate_cert=False)
- for each in response.doc('a.page_normal').items():
- self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)
- @config(priority=2)
- def detail_page(self, response):
- title = response.doc('h1').text()
- content = response.doc('div.topic_content').html().replace('"', '\\"')
- self.add_question(title, content) #插入數據庫
- return {
- "url": response.url,
- "title": title,
- "content": content,
- }
