前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >专栏:015:重构“你要的实战篇"

专栏:015:重构“你要的实战篇"

作者头像
谢伟
发布2018-06-06 11:50:26
4840
发布2018-06-06 11:50:26
举报
文章被收录于专栏:GopherCoderGopherCoder

用理工科思维看待这个世界 系列爬虫专栏 初学者,尽力实现最小化学习系统

**主题:重构专栏:014 + Scrapy 实战 + sqlalchemy **

0:目标说明

代码语言:txt
复制
- 文章标题:`Title` 
- 文章发布时间:`Time` 
- 文章全文:`Content` 
- 文章的链接:`Url` 思路:
代码语言:txt
复制
- ~~分析首页和翻页的组成~~
- ~~抓取全部的文章链接~~
- ~~在获取的全部链接的基础上解析需要的标题,发布时间,全文和链接~~

之前的逻辑是starts_url 包括全部的1,2,3,4页,在这个的基础上进行提取各个网页的文章的所需字段。

scrapy 可以编写Rule 规则抓取需要的url


1:目标分解

编写的规则:

代码语言:javascript
复制
start_urls = ["http://mindhacks.cn/"]
rules = (Rule(SgmlLinkExtractor(allow=(r'http://mindhacks.cn/page/\d+/',))),
         Rule(SgmlLinkExtractor(allow=(r'http://mindhacks.cn/\d{4,}/\d{2,}/\d{2,}/.*?-.*?-.*?-.*?/')), callback='parse_detail', follow = True)
         )
# 前一个Rule获取的是1,2,3,4页的网页组成: 如:http://mindhacks.cn/page/2/
# 后一个Rule获取的1,2,3,4网页下符合要求的文章的链接, 再在获取的文章链接的基础上进行解析 如:http://mindhacks.cn/2009/07/06/why-you-should-do-it-yourself/

解析文本函数:

代码语言:javascript
复制
def parse_detail(self, response):
   Item = LiuweipengItem()
   selector = Selector(response)
   title = selector.xpath('//div[@id="content"]/div/h1[@class="entry-title"]/a/text()').extract()
   time = selector.xpath('//div[@id="content"]/div/div[@class="entry-info"]/abbr/text()').extract()
   content = selector.xpath('//div[@id="content"]/div/div[@class="entry-content clearfix"]/p/text()').extract()
   url = selector.xpath('//div[@id="content"]/div/h1[@class="entry-title"]/a/@href').extract()
   for title, time, content, url in zip(title, time, content, url):
       Item["Title"] = title
       Item["Time"] = time
       Item["Content"] = content
       Item["Url"] = url
   yield Item
# 返回的Item 是需要抓取字段

2:ORM

参见:专栏:012

数据表声明

代码语言:javascript
复制
from sqlalchemy import Column, String, Integer
from sqlalchemy.ext.declarative import declarative_base
Base = declarative_base()
class Article(Base):
    __tablename__ = "article"
    id = Column(Integer, primary_key=True)
    Title = Column(String)
    Time = Column(String)
    Content = Column(String)
    Url = Column(String)

3:储存

再次说明scrapy 文件目录结构和作用:

  • items.py : 抓取的目标,定义数据结构
  • pipelines.py : 处理数据
  • settings.py : 设置文件,常量等设置
  • spiders/: 爬虫代码

所以储存操作:pipelines.py

需要在本地先创建数据库表:

代码语言:javascript
复制
CREATE TABLE `article` (
  `id` INT(11) NOT NULL AUTO_INCREMENT,
  `Title` VARCHAR(255) COLLATE utf8_bin NOT NULL,
  `Content` VARCHAR(255) COLLATE utf8_bin NOT NULL,
  `Time` VARCHAR(255) COLLATE utf8_bin NOT NULL,
  `Url` VARCHAR(255) COLLATE utf8_bin NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=INNODB AUTO_INCREMENT=39 DEFAULT CHARSET=utf8 COLLATE=utf8_bin
代码语言:javascript
复制
def open_spider(self, spider):
    engine = create_engine("mysql://root:123456@localhost:3306/test?charset=utf8", echo = True)
    DBSession = sessionmaker(bind=engine)
    self.session = DBSession()
    pass

def process_item(self, item, spider):
    one = Article(Title=item["Title"],
                Time=item["Time"],
                Content=item["Content"],
                Url=item["Url"])
    self.session.add(one)

    pass
def close_spider(self, spider):
    self.session.commit()
    self.session.close()
    pass

效果显示:

1463234534713.png

  • Tips

IDE下启动scrapy 爬虫:

新建任意一个文件:比如:main.py

代码语言:javascript
复制
# 文件中添加如下代码
from scrapy.cmdline import execute
execute("scrapy crawl name".split())

运行这个文件,就可以启动爬虫,其中name , 是spiders文件下编写爬虫所对应的那个name

完整代码: 点不点都是代码


4:总结和说明

参考文献:

强烈建议:1

强烈建议:2

Scrapy 爬虫框架还存在许多的未知...

Scrapy各种实例

任何实用性的东西都解决不了你所面临的实际问题,但为什么还有看?为了经验,为了通过阅读抓取别人的经验,虽然还需批判思维看待

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2016.05.14 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 0:目标说明
  • 1:目标分解
  • 2:ORM
  • 3:储存
  • 4:总结和说明
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档