Scrapy全站抓取-个人博客
一、概述
在之前的文章中，一般是抓取某个页面信息。那么如何抓取一整个网站的信息呢？
想像一下，首先我们需要解析一个网站的首页， 解析出其所有的资源链接（ajax方式或绑定dom事件实现跳转忽略），请求该页面所有的资源链接， 再在资源链接下递归地查找子页的资源链接，最后在我们需要的资源详情页结构化数据并持久化在文件中。这里只是简单的介绍一下全站抓取的大致思路，事实上，其细节的实现，流程的控制是很复杂的。
下面我来演示一下，如何抓取一个个人网站的所有文章。
二、页面分析
以yzmcms博客为例，网址：https://blog.yzmcms.com/
1.png
可以看到，首页有几个一级标题，比如：首页，前端，程序...
那么真正我们需要抓取的，主要要3个标题，分别是：前端，程序，生活。这里面都是博客文章，正是我们需要全部抓取的。
一级标题
//ul/li[@class="menu-item menu-item-type-custom menu-item-object-custom menu-item-has-children"]/a/text()效果如下：
1.png
二级标题
先打开前端分类，链接：https://blog.yzmcms.com/qianduan/
它主要3个二级分类
1.png
匹配规则
//li[@class="menu-item menu-item-type-custom menu-item-object-custom current-menu-item menu-item-has-children"]/ul/li/a/text()效果如下：
1.png
分页数
我需要获取分页数，比如：5
1.png
规则：
//div[@class="pages"]/span/strong[1]/text()效果如下：
1.png
页面信息
打开某个二级分类页面后，默认会展示10篇文章，我需要获取标题，作者，创建时间，浏览次数
标题
以标题为例
//div[@class="content"]/article//h2/a/text()效果如下：
1.png
其他的，比如作者之类的信息，在下文中的代码中会有的，这里就不多介绍了。
全站爬取流程
1.png
说明：
默认流程是：一级分类-->二级分类-->页面分页-->信息列表。
当一级分类下，没有二级分类时，就直接到页面分页-->信息列表。
通过这样，就可以抓取所有文章信息了。
三、项目演示
新建项目
打开Pycharm，并打开Terminal，执行以下命令
scrapy startproject personal_blog
cd personal_blog
scrapy genspider blog blog.yzmcms.com在scrapy.cfg同级目录，创建bin.py，用于启动Scrapy项目，内容如下：
#在项目根目录下新建：bin.py
from scrapy.cmdline import execute
# 第三个参数是：爬虫程序名
execute(['scrapy', 'crawl', 'blog',"--nolog"])创建好的项目树形目录如下：
./
├── bin.py
├── personal_blog
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── blog.py
│ └── __init__.py
└── scrapy.cfg修改blog.py
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request # 导入模块
from personal_blog.items import PersonalBlogItem
class BlogSpider(scrapy.Spider):
name = 'blog'
allowed_domains = ['blog.yzmcms.com']
# start_urls = ['http://blog.yzmcms.com/']
# 自定义配置，注意：变量名必须是custom_settings
custom_settings = {
'REQUEST_HEADERS': {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
}
}
def start_requests(self):
print("开始爬取")
r1 = Request(url="https://blog.yzmcms.com/",
headers=self.settings.get('REQUEST_HEADERS'), )
yield r1
def parse(self, response):
print("返回响应，获取一级分类")
# 获取一级分类
category_name_list = response.xpath(
'//ul/li[@class="menu-item menu-item-type-custom menu-item-object-custom menu-item-has-children"]/a/text()').extract()
print("category_name_list", category_name_list)
# 获取一级分类url
category_url_list = response.xpath(
'//ul/li[@class="menu-item menu-item-type-custom menu-item-object-custom menu-item-has-children"]/a/@href').extract()
print("category_url_list", category_url_list)
# 去除最后2个分类，因为它不是博客文章
for i in range(2):
category_name_list.pop()
category_url_list.pop()
# 构造字典
category_dict = dict(zip(category_name_list, category_url_list))
# category_dict = {"生活":"https://blog.yzmcms.com/shenghuo/"}
print("category_dict",category_dict)
for k, v in category_dict.items():
# print(k,v)
add_params = {}
add_params['root'] = k
add_params['root_url'] = v
# 注意，这里要添加参数dont_filter=True，不去重。当二级分类为空时，下面的程序，还会调用一次。
yield Request(url=v, headers=self.settings.get('REQUEST_HEADERS'),
callback=self.get_children, dont_filter=True,cb_kwargs=add_params)
# break
def get_children(self, response,root,root_url):
"""
获取二级分类
:param response:
:param root: 一级分类名
:param root_url: 一级分类url
:return:
"""
print("获取二级分类")
try:
children_name_list = response.xpath('//li[@class="menu-item menu-item-type-custom menu-item-object-custom current-menu-item menu-item-has-children"]/ul/li/a/text()').extract()
print("root",root,"children_name_list",children_name_list)
# 子分类url
children_url_list = response.xpath(
'//li[@class="menu-item menu-item-type-custom menu-item-object-custom current-menu-item menu-item-has-children"]/ul/li/a/@href').extract()
print("root", root, "children_url_list", children_url_list)
children_dict = dict(zip(children_name_list,children_url_list))
print("children_dict",children_dict)
for k, v in children_dict.items():
print("kv",k,v)
add_params = {}
add_params['root'] = root
add_params['root_url'] = root_url
add_params['children'] = k
add_params['children_url'] = v
yield Request(url=v, headers=self.settings.get('REQUEST_HEADERS'),
callback=self.get_page, cb_kwargs=add_params)
# break
# 如果子分类为空时
if not children_name_list:
print("子分类为空")
add_params = {}
add_params['root'] = root
add_params['root_url'] = root_url
add_params['children'] = None
add_params['children_url'] = None
yield Request(url=root_url, headers=self.settings.get('REQUEST_HEADERS'),
callback=self.get_page, cb_kwargs=add_params)
except Exception as e:
print("获取子分类错误：",e)
def get_page(self, response, root,root_url,children,children_url):
"""
获取分页，不论是一级还是二级
:param response:
:param root: 一级分类名
:param root_url: 一级分类url
:param children: 二级分类名
:param children_url: 二级分类url
:return:
"""
print("获取分页")
# 获取分页数
# //div[@class="pages"]/span/strong[1]/text()
try:
page_num = response.xpath('//div[@class="pages"]/span/strong[1]/text()').extract_first()
print(root,root_url,children,children_url,"page_num", page_num)
# 如果二级分类为空时
if not children:
add_params = {}
add_params['root'] = root
yield Request(url=root_url, headers=self.settings.get('REQUEST_HEADERS'),
callback=self.get_list_info, cb_kwargs=add_params)
for i in range(1,int(page_num)+1):
# 当二级分类为空时
if not children_url:
url = "{}list_{}.html".format(root_url,i)
else:
url = "{}list_{}.html".format(children_url,i)
print("url",url)
add_params = {}
add_params['root'] = root
add_params['children'] = children
yield Request(url=url, headers=self.settings.get('REQUEST_HEADERS'),
callback=self.get_list_info, cb_kwargs=add_params)
# break
except Exception as e:
print("获取分页错误：",e)
def get_list_info(self, response, root,children):
"""
获取页面信息，比如：标题，作者，创建时间，浏览次数
:param response:
:param root: 一级分类名
:param children: 二级分类名
:return:
"""
print("获取页面信息")
# title = response.xpath('//h2/a/text()').extract_first()
# autho = response.xpath('//article/p/span[3]/text()').extract()
node_list = response.xpath('//div[@class="content"]/article')
# print("node_list",node_list)
for node in node_list:
try:
title = node.xpath('.//h2/a/text()').extract_first()
print("title",title)
author = node.xpath('.//p/span[1]/text()').extract()
if author:
author = author[1].strip()
print("author",author)
create_time = node.xpath('.//p/span[2]/text()').extract()
if create_time:
create_time = create_time[1].strip()
print("create_time",create_time)
# 浏览次数
hits_info = node.xpath('.//p/span[3]/text()').extract()
hits = 0
if hits_info:
hits_info = hits_info[1].strip()
cut_str = hits_info.split('次浏览')
hits = cut_str[0]
print("hits",hits)
item = PersonalBlogItem()
item['root'] = root
item['children'] = children
item['title'] = title
item['author'] = author
item['create_time'] = create_time
item['hits'] = hits
yield item
except Exception as e:
print(e)修改items.py
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class PersonalBlogItem(scrapy.Item):
# define the fields for your item here like:
root = scrapy.Field()
children = scrapy.Field()
title = scrapy.Field()
author = scrapy.Field()
create_time = scrapy.Field()
hits = scrapy.Field()修改pipelines.py
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import json
class PersonalBlogPipeline(object):
def __init__(self):
# python3保存文件 必须需要'wb' 保存为json格式
self.f = open("blog_pipline.json", 'wb')
def process_item(self, item, spider):
# 读取item中的数据 并换行处理
content = json.dumps(dict(item), ensure_ascii=False) + ',\n'
self.f.write(content.encode('utf=8'))
return item
def close_spider(self, spider):
# 关闭文件
self.f.close()修改settings.py，应用pipelines
ITEM_PIPELINES = {
'personal_blog.pipelines.PersonalBlogPipeline': 300,
}执行bin.py，启动爬虫项目，效果如下：
1.png
查看文件blog_pipline.json，内容如下：
1.png
注意：本次访问的个人博客，可以获取到207条信息。
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：2020-11-06 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录