基于Scrapy爬取伯乐在线网站

标题中的英文首字母大写比较规范,但在python实际使用中均为小写。 2018年7月20日笔记 Scrapy官方文档网址:https://doc.scrapy.org/en/latest/topics/selectors.html 网页在chrome浏览器打开,经过谷歌翻译,如下图所示:

图片.png-90.6kB

环境

IDE(Intergrated development Environment),集成开发环境为jupyter notebook和Pycharm 操作系统Win10 语言及其版本:python3.6

1.选择器

使用Selector初始化方法实例化对象赋值给response变量。 css和extract这2个方法的使用示例如下:

图片.png-8.2kB

.//和//的区别如下图所示,一般来说要使用.//

图片.png-9.3kB

xpath和css方法对比,按照标签属性的值来找标签,如下图所示。

图片.png-13kB

2. 伯乐在线网页持久化

2.1 新建爬虫工程

打开cmd或者powershell在其中输入并运行命令,运行结果如下图所示: 新建爬虫工程命令:scrapy startproject BoleSave

图片.png-7.7kB

进入爬虫工程目录命令:cd BoleSave,运行结果如下图所示:

图片.png-11.8kB

新建爬虫文件命令: scrapy genspider save blog.jobbole.com,运行结果如下图所示:

图片.png-12.8kB

2.2 在Pycharm中导入工程

导入工程的按钮位置如下图所示:

图片.png-25.6kB

选中工程文件夹,然后点击OK,如下图所示:

图片.png-15.3kB

工程文件夹的结构如下图所示:

图片.png-4.8kB

2.3 编辑save.py文件

网页持久化只需要编辑爬虫文件就可以,下面是save.py文件的代码。 第21行dirName变量的值可以设置网页文件保存的位置,例如: dirName = "d:/saveWebPage"将网页文件保存在D盘的saveWebPage文件夹中。 可以根据个人情况进行修改,不建议将其设置为工程所在文件夹,因为可能导致Pycharm卡顿。

# -*- coding: utf-8 -*-
import scrapy
import os
import re

def reFind(pattern,sourceStr,nth=1):
    if len(re.findall(pattern,sourceStr)) >= nth:
        return re.findall(pattern,sourceStr)[nth-1]
    else:
        return 1

class SaveSpider(scrapy.Spider):
    name = 'save'
    allowed_domains = ['blog.jobbole.com']
    start_urls = []
    url_before = "http://blog.jobbole.com/all-posts/page/{}/"
    for i in range(1,560):
        start_urls.append(url_before.format(i))

    def parse(self, response):
        dirName = "d:/saveWebPage"
        if not os.path.isdir(dirName):
            os.mkdir(dirName)
        url = response.url
        page_id = int(reFind("\d+", url))
        html = response.text
        fileName = "%s/%03d.html" % (dirName, page_id)
        with open(fileName, 'w', encoding="utf-8") as file:
            file.write(html)
        print("目录页面第%d页被存放到%s目录中的%03d.html文件中" %
              (page_id,dirName,page_id))

2.4 运行结果

运行命令:scrapy crawl save,此命令运行时cmd进入的目录必须在爬虫工程内 运行结果如下图所示:

图片.png-42.9kB

从上图中可以观察爬虫的开始时间start_time和finish_time相差为17秒,即从网站中持久化559张网页用时17秒。 本文的测试环境是利用电信4G手机USB连接电脑分享网络,测试时间为2018年7月21日。 保存网页文件的文件夹如下图所示:

图片.png-42.7kB

3.解析伯乐在线网页

已经将网站上的网页保存为本地html文件,并将559个文件打包为压缩文件。 压缩文件下载链接: https://pan.baidu.com/s/1ZI2zBkxw7z4vaYYQIZsmdQ 密码: qtp3 解析后的数据存到mysql数据库中,需要先创建数据库bole 采用了数据库连接池,异步多线程操作数据库可以提高效率。

3.1新建爬虫工程

创建爬虫工程命令:scrapy startproject BoleParse 进入爬虫工程目录:cd ./BoleParse/ 创建爬虫文件命令: scrapy genspider parse blog.jobbole.com

3.2 编辑items.py文件

import scrapy
from scrapy import Field

class BolearticleItem(scrapy.Item):
    id = Field()
    title = Field()
    publishTime = Field()
    category = Field()
    digest = Field()
    detailUrl = Field()
    imgUrl = Field()

3.3 编辑parse.py文件

import scrapy
from ..items import BoleparseItem
import re
import os

def reFind(pattern,sourceStr,nth=1):
    if len(re.findall(pattern,sourceStr)) >= nth:
        return re.findall(pattern,sourceStr)[nth-1]
    else:
        return 1

class ParseSpider(scrapy.Spider):
    name = 'parse'
    start_urls = []
    baseUrl = "file:///%s/saveWebPage/%03d.html"
    for i in range(560):
        start_urls.append(baseUrl %(os.getcwd(),i))

    def parse(self, response):
        def find(xpath, pNode=response):
            if len(pNode.xpath(xpath)):
                return pNode.xpath(xpath).extract()[0]
            else:
                return ''
        article_list = response.xpath("//div[@class='post floated-thumb']")
        page_id_str = reFind("saveWebPage/(\d+).html", response.url)
        page_id = int(page_id_str)
        count = 0
        for article in article_list:
            count += 1
            item = BoleparseItem()
            item['id'] = (page_id - 1) * 20 + count
            item['title'] = find("div[@class='post-meta']/p[1]/a/@title", article)
            pTagStr = find("div[@class='post-meta']/p", article)
            item['publishTime'] = re.search("\d+/\d+/\d+", pTagStr).group(0)
            item['category'] = find("div[@class='post-meta']/p/a[2]/text()", article)
            item['digest'] = find("div[@class='post-meta']/span/p/text()", article)
            item['imgUrl'] = find("div[@class='post-thumb']/a/img/@src", article)
            item['detailUrl'] = find("div[@class='post-meta']/p/a[1]/@href", article)
            yield item

3.3 编辑pipelines.py文件

使用pymysql库将每一条文章信息item导入mysql数据库 下面一段代码需要修改2处:1.第4行的数据库名;2.第8行的数据库连接密码。 第24行default charset=utf8mb4创建表默认编码为utf8mb4,因为插入字符可能是4个字节编码。 第29、30行if len(item['imgUrl']) >= 200:item.pop('imgUrl')的作用: 防止图片是base64编码长度过大,遇到此类型的值则丢弃此字段。 通过这2个设置,增加了代码的健壮性,能够保证11172条数据都插入到数据库中。

import pymysql
from time import time

def getConn(database ="bole"):
    args = dict(
        host = 'localhost',
        user = 'root',
        passwd = '... your password',
        charset = 'utf8mb4',
        db = database
    )
    return pymysql.connect(**args)

class BoleparsePipeline(object):
    startTime = time()
    conn = getConn()
    cursor = conn.cursor()
    drop_sql = "drop table if exists article"
    cursor.execute(drop_sql)
    conn.commit()
    create_sql = "create table article(id int primary key," \
                 "title varchar(200),publishtime varchar(30)," \
                 "category varchar(30),digest text," \
                 "detailUrl varchar(200),imgUrl varchar(200))default charset = utf8mb4;"
    cursor.execute(create_sql)
    conn.commit()

    def process_item(self, item, spider):
        if len(item['imgUrl']) >= 200:
            item.pop('imgUrl')
        fieldStr = ','.join(['`%s`' % k for k in item.keys()])
        valuesStr = ','.join(['"%s"' % v for v in item.values()])
        insert_sql = "insert into article(%s) values(%s)" % (fieldStr, valuesStr)
        self.cursor.execute(insert_sql)
        self.conn.commit()
        return item

    def close_spider(self, spider):
        print("程序总共运行%.2f秒" % (time() - self.startTime))

3.4 编辑settings文件

关键点是最后3行要开启管道,CONCURRENT_REQUESTS变量设置为96能够较好利用多线程性能 CONCURRENT_ITEMS设置为200能够加快并发管道处理item的速度。 ROBOTSTXT_OBEY设置为False,意思是不遵守爬虫协议,也称机器人协议。如果设置为True,即遵守爬虫协议,则可能访问受限。

BOT_NAME = 'BoleParse'
SPIDER_MODULES = ['BoleParse.spiders']
NEWSPIDER_MODULE = 'BoleParse.spiders'
ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 96
CONCURRENT_ITEMS = 200
ITEM_PIPELINES = {
   'BoleParse.pipelines.BoleparsePipeline': 300
}

3.5 放置持久化文件

saveWebPage文件夹必须和启动cmd时处在相同的文件夹,只有这样才能运行成功。 如下图所示,powershell现在进入的目录是C:\Users\Administrator\Desktop\伯乐\BoleParse, 则saveWebPage文件夹也必须在C:\Users\Administrator\Desktop\伯乐\BoleParse中。 注意:读者的路径与本文不同;运行命令前建议先关闭Pycharm,否则可能卡顿

图片.png-13.6kB

3.6 运行结果

程序运行结束后,查询插入数据的总条数,如下图所示:

图片.png-2.1kB

数据库表中数据查看如下图所示:

图片.png-117.1kB

插入数据总共用时66.51秒,如下图所示:

图片.png-42.9kB

3.7 数据库连接池

进行此步骤时需要先把pipelines.py文件中的代码清空,然后把下面的代码插入其中。 数据库连接池方式进行数据库操作效率更高,因为是异步多线程运行,效率提高40%左右。 用twisted.enterprise.adbapi方法初始化一个数据库连接池对象。 该方法需要7个参数,其中dbapiName、cursorclass这2个和数据连接用的库有关, 其他5个参数是数据库连接设置,host、db、user、passwd、charset。 dbpool.runInteraction里面传入的第1个参数是函数对象,后面参数不定长。

from twisted.enterprise import adbapi
import pymysql
import time

class BoleparsePipeline(object):
    def __init__(self):
        params = dict(
            dbapiName = 'pymysql',
            cursorclass=pymysql.cursors.DictCursor,
            host = 'localhost',
            db = 'bole',
            user = 'root',
            passwd = '...your password',
            charset = 'utf8',
        )
        self.dbpool = adbapi.ConnectionPool(**params)
        self.startTime = time.time()
        self.dbpool.runInteraction(self.createTable)

    def createTable(self, cursor):
        drop_sql = "drop table if exists article"
        cursor.execute(drop_sql)
        create_sql = "create table article(id int primary key," \
                     "title varchar(200),publishtime varchar(30)," \
                     "category varchar(30),digest text," \
                     "detailUrl varchar(200),imgUrl varchar(200))" \
                     "default charset = utf8mb4;"
        cursor.execute(create_sql)

    def process_item(self, item, spider):
        self.dbpool.runInteraction(self.insert,item)
        return item

    def insert(self, cursor, item):
        try:
            if len(item['imgUrl']) >= 200:
                item.pop('imgUrl')
            fieldStr = ','.join(['`%s`' % k for k in item.keys()])
            valuesStr = ','.join(['"%s"' % v for v in item.values()])
            insert_sql = "insert into article(%s) values(%s)" % (fieldStr, valuesStr)
            cursor.execute(insert_sql)
        except Exception as e:
            with open("insert.log",'a+') as file:
                datetime = time.strftime('%Y-%m-%d %H:%M:%S')
                logStr = "%s log:插入第%d条数据发生异常\nreason:%s\n"
                file.write(logStr %(datetime,item['id'],str(e)))

    def close_spider(self, spider):
        print("程序总共运行%.2f秒" % (time.time() - self.startTime))

从下图中可以看出插入数据到mysql数据库中总共用时45.18秒 所以使用数据库连接池效率提高66.51/45.18-1=47%

图片.png-41.6kB

with open("insert.log",'a+') as file,在日志中一般读写方式使用a+ 数据库插入11171条数据,有1条插入数据库失败,查看错误日志:

图片.png-6kB

4.查看数据库缺少条目

先从数据库中取出所有条目的id,赋值给id_list result = set(id_list)^set(range(1,11173))第20行代码通过2个集合取差集找出缺少的条目。

import pymysql

def getConn(database ="bole"):
    args = dict(
        host = 'localhost',
        user = 'root',
        passwd = '...your password',
        charset = 'utf8',
        db = database
    )
    return pymysql.connect(**args)

if __name__ == "__main__":
    conn = getConn()
    cursor = conn.cursor()
    sql = "select id from article"
    cursor.execute(sql)
    result = cursor.fetchall()
    id_list = [k[0] for k in result]
    result = set(id_list)^set(range(1,11173))
    print(result)

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏崔庆才的专栏

分布式爬虫原理之Scrapy分布式实现

4696
来自专栏技术小黑屋

一个简易小工具,七牛Uploader for Octopress

春节假期,带着电脑回家,蹭着邻居的网,除夕晚上用ruby写了一个简单的工具。安利一下,广而告之。

1053
来自专栏码字搬砖

工作中用到的sh脚本(持续更新)

day=(date−d‘−0day′‘+echo“(date−d‘−0day′‘+echo“(date -d ‘-0 day’ ‘+%Y-%m-%d’) e...

2015
来自专栏转载gongluck的CSDN博客

Brpc学习:简单回显服务器/客户端

sudo apt-get install git g++ make libssl-dev sudo apt-get install realpath libgf...

2.1K6
来自专栏雪胖纸的玩蛇日常

54.1 怎样才算学会django? 知道这28个知识点才算会django2

2455
来自专栏aoho求索

基于可靠消息方案的分布式事务(四):接入Lottor服务

在上一篇文章中,通过Lottor Sample介绍了快速体验分布式事务Lottor。本文将会介绍如何将微服务中的生产方和消费方服务接入Lottor。

2721
来自专栏Danny的专栏

ASP.NET实现文件的上传和下载

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/huyuyang6688/article/...

2.4K3
来自专栏Android开发指南

eclipse遇到的问题

39810
来自专栏林德熙的博客

VisualStudio 扩展开发 安装 Visual Studio SDK添加菜单增加选项传到商店获取工程所有项目升级 2017

本文主要:如何开发一个 visual Studio 扩展,其实扩展也叫插件。 那么就是如何开发一个 vs插件。 本文也记录了我调试 VisualStudio 半...

1.8K2
来自专栏Python小屋

Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文

大宗师是著名网络小说作家蛇从革的系列作品“宜昌鬼事”之一,在天涯论坛具有超级高的访问量。这个长篇小说于2015年3月17日开篇,并于2016年12月29日大结局...

3605

扫码关注云+社区

领取腾讯云代金券