这篇文章主要介绍了Python scrapy增量爬取实例及实现过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
开始接触爬虫的时候还是初学Python的那会，用的还是request、bs4、pandas，再后面接触scrapy做个一两个爬虫，觉得还是框架好，可惜都没有记录都忘记了，现在做推荐系统需要爬取一定的文章，所以又把scrapy捡起来。趁着这次机会做一个记录。
目录如下：
环境
自己的环境下安装scrapy肯定用anaconda（再次强调anaconda的优越性
本地窗口调试与运行
开发的时候可以利用scrapy自带的调试功能进行模拟请求，这样request、response都会与后面代码保持一样。
# 测试请求某网站 scrapy shell URL # 设置请求头 scrapy shell -s USER_AGENT="Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0" URL # 指定爬虫内容输出文件格式（json、csv等 scrapy crawl SPIDER_NAME -o FILE_NAME.csv # 创建爬虫工程 scrapy startproject articles # 在当前目录创建一个scrapy工程
新工程结构介绍
# spiders文件下存放所有爬虫，item.py格式化数据输出 # middlewares.py 设置请求细节（请求头之类的），pipelines.py为数据输出的管道，每一个封装好的item都会经过这里 # settings.py 对工程进行全局设置（存放配置 ├── articles │ ├── articles │ │ ├── __init__.py │ │ ├── items.py │ │ ├── middlewares.py │ │ ├── pipelines.py │ │ ├── settings.py │ │ └── spiders │ │ ├── healthy_living.py │ │ ├── __init__.py │ │ └── people_health.py │ └── scrapy.cfg ├── README.en.md └── README.md
页面解析神器——Xpath选择器
scrapy自带xpath选择器，很方便，简单介绍一些常用的
# 全站爬取神器--LinkExtractor，可以自动获取该标签下的所有url跟text（因为网站结构大都一个套路
from scrapy.linkextractors import LinkExtractor
le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")# 返回一个迭代器，通过循环(for i in le)，可获取url(i.url) (i.text)
# 获取属性class为所有aa的div标签内容中的内容
response.xpath("//div[@class='aa']/text()").extract() # '//'代表获取所有，'/'代表获取第一个，类似的可以找属性为ul的其它标签
# 获取内容包含“下一页”的所有a标签中包含的链接（提取下一页链接神器
response.xpath("//a[contains(text(),'下一页')]/@href").extract()
一个简单的增量爬取示例
这里增量爬取的思想很简单：目标网站的数据都是按照时间排列的，所以在对某个连接进行request之前，先查询数据库中有没有这条数据，如果有，就停止爬虫，如果没有发起请求
class HealthyLiving(scrapy.Spider):
# 一定要一个全局唯一的爬虫名称，命令行启动的时候需要指定该名称
name = "healthy_living"
# 指定爬虫入口，scrapy支持多入口，所以一定是lis形式
start_urls = ['http://www.jkb.com.cn/healthyLiving/']
'''
抓取大类标签入口
'''
def parse(self, response):
le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")
for link in le.extract_links(response)[1:-1]:
tag = link.text
# 将这一级提取到的信息，通过请求头传递给下一级（这里是为了给数据打标签
meta = {"tag": tag}
# 依次解析每一个链接，并传递到下一级进行继续爬取
yield scrapy.Request(link.url, callback=self.parse_articles, meta=meta)
'''
抓取页面内的文章链接及下一页链接
'''
def parse_articles(self, response):
# 接收上一级传递的信息
meta = response.meta
article_links = response.xpath("//div[@class='txt']/h4/a/@href").extract()
for link in article_links:
res = self.collection.find_one({"article_url": link}, {"article_url": 1})
full_meta = dict(meta)
# 将文章链接传入下一级
full_meta.update({"article_url": link})
if res is None:
yield scrapy.Request(link, callback=self.parse_article, meta=full_meta)
else:
return
next_page = response.xpath("//div[@class='page']//a[contains(text(),'»')]/@href").extract()[0]
if next_page:
yield scrapy.Request(next_page, callback=self.parse_articles, meta=meta)
# 最后解析页面，并输出
def parse_article(self, response):
# 从item.py中导入数据封装格式
article_item = ArticlesItem()
meta = response.meta
# 利用xpath提取页面信息并封装成item
try:
article_item["tag"] = ""
# ... 省略
finally:
yield article_item
工程配置介绍
设置请求头、配置数据库
# 设置请求头，在middlewares.py中设定，在settings.py中启用
class RandomUA(object):
user_agents = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit"
"/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36",
"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit"
"/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16"
]
def process_request(self, request, spider):
request.headers["User-Agent"] = random.choice(self.user_agents)
# 设置数据入库处理，在pipeline.py进行配置，在settings.py进行启用
class MongoPipeline(object):
def __init__(self, mongo_uri, mongo_db):
self.mongo_uri = mongo_uri
self.mongo_db = mongo_db
@classmethod
def from_crawler(cls, crawler):
return cls(
mongo_uri=crawler.settings.get('MONGO_URI'),
mongo_db=crawler.settings.get('MONGO_DB')
)
def open_spider(self, spider):
print("开始爬取", datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
def process_item(self, item, spider):
data = self.db[item.collection].find_one({"title": item["title"], "date": item["date"]})
if data is None:
self.db[item.collection].insert(dict(item))
# else:
# self.close_spider(self, spider)
return item
def close_spider(self, spider):
print("爬取结束", datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
self.client.close()
# 在settings.py启动：请求头的修改，数据库的配置
DOWNLOADER_MIDDLEWARES = {
# 'articles.middlewares.ArticlesDownloaderMiddleware': 543,
'articles.middlewares.RandomUA': 543,# 543代表优先级，数字越低优先级越高
}
ITEM_PIPELINES = {
'articles.pipelines.MongoPipeline': 300,
}
# 一些其它配置
ROBOTSTXT_OBEY = True # 是否遵守网站的robot协议
FEED_EXPORT_ENCODING = 'utf-8' # 指定数据输出的编码格式
## 数据库配置
MONGO_URI = ''
MONGO_DB = ''
MONGO_PORT = 27017
MONGO_COLLECTION = ''
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持菜鸟教程(cainiaojc.com)。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#cainiaojc.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。