scrapy + mogoDB 网站爬虫

工具环境

语言：python3.6
数据库：MongoDB (安装及运行命令如下)

python3 -m pip install pymongo
brew install mongodb
mongod --config /usr/local/etc/mongod.conf

框架：scrapy1.5.1 (安装命令如下)

python3 -m pip install Scrapy

用 scrapy 框架创建一个爬虫项目

在终端执行如下命令，创建一个名为 myspider 的爬虫项目

scrapy startproject myspider

即可得到一个如下结构的文件目录

创建 crawl 样式的爬虫

针对不同的用途， scrapy 提供了不同种类的爬虫类型，分别是
Spider：所有爬虫的祖宗
CrawlSpider：比较常用的爬取整站数据的爬虫（下面的例子就是用这种）
XMLFeedSpider
CSVFeedSpider
SitemapSpider

先在命令行进入到 spiders 目录下

cd myspider/myspider/spiders

然后创建 crawl 类型的爬虫模板

scrapy genspider -t crawl zgmlxc www.zgmlxc.com.cn

参数说明：

-t crawl 指明爬虫的类型

zgmlxc 是我给这个爬虫取的名字

www.zgmlxc.com.cn 是我要爬取的站点

完善小爬虫 zgmlxc

打开 zgmlxc.py 文件，可以看到一个基本的爬虫模板，现在就开始对其进行一系列的配置工作，让这个小爬虫根据我的指令去爬取信息。

配置跟踪页面规则

rules = (
    // 定位到 www.zgmlxc.com.cn/node/72.jspx 这个页面
    Rule(LinkExtractor(allow=r'.72\.jspx')),  
    // 在上面规定的页面中，寻找符合下面规则的 url, 爬取里面的内容，并把获取的信息返回给 parse_item（）函数
    Rule(LinkExtractor(allow=r'./info/\d+\.jspx'), callback='parse_item'),
)        

这里有个小坑, 就是最后一个 Rule 后面必须有逗号, 否则报错, 哈哈哈

rules = (
Rule(LinkExtractor(allow=r'./info/\d+\.jspx'), callback='parse_item', follow=True),
)

在items.py内定义我们需要提取的字段

import scrapy

class CrawlspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()
    piclist = scrapy.Field()
    shortname = scrapy.Field()

完善 parse_item 函数

这里就是把上一步返回的内容，配置规则，提取我们想要的信息。这里必须用 join 方法，是为了方便后面顺利导入数据库。

def parse_item(self, response):
    yield {
        'title' : ' '.join(response.xpath("//div[@class='head']/h3/text()").get()).strip(),
        'shortname' : ' '.join(response.xpath("//div[@class='body']/p/strong/text()").get()).strip(),
        'piclist' : ' '.join(response.xpath("//div[@class='body']/p/img/@src").getall()).strip(),
        'content' : ' '.join(response.css("div.body").extract()).strip(),
            }

PS: 下面是提取内容的常用规则，直接总结在这里了：

1). 获取 img 标签中的 src:
//img[@class='photo-large']/@src

2). 获取文章主题内容及排版:
response.css("div.body").extract()

将信息存入 MogoDB 数据库

设置数据库信息

打开 settings.py 添加如下信息：

# 建立爬虫与数据库之间的连接关系
ITEM_PIPELINES = {
   'crawlspider.pipelines.MongoDBPipeline': 300,
}

# 设置数据库信息
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = 'spider_world'
MONGODB_COLLECTION = 'zgmlxc'

# 设置文明爬虫, 意思是每个请求之间间歇 5 秒, 对站点友好, 也防止被黑名单
```py
DOWNLOAD_DELAY = 5

在 piplines.py 中

import pymongo

from scrapy.conf import settings
from scrapy.exceptions import DropItem
from scrapy import log

class MongoDBPipeline(object):
    def __init__(self):
        connection = pymongo.MongoClient(
            settings['MONGODB_SERVER'],
            settings['MONGODB_PORT']
        )
        db = connection[settings['MONGODB_DB']]
        self.collection = db[settings['MONGODB_COLLECTION']]

    def process_item(self, item, spider):
        valid = True
        for data in item:
            if not data:
                valid = False
                raise DropItem("Missing {0}!".format(data))
        if valid:
            self.collection.insert(dict(item))
            log.msg("Question added to MongoDB database!",
                    level=log.DEBUG, spider=spider)
        return item

在终端运行这个小爬虫

scrapy crawl myspider

在 navicat 中查看信息入库情况

如下图新建一个 MogoDB 的数据库连接，填入上面配置的信息，如果一切顺利， 就可以看到我们想要的信息都已经入库了。

以上就完成了自定义爬虫到数据入库的全过程辣~~~

参考：
scrapy 官方文档

Web Scraping and Crawling with Scrapy and MongoDB

Web Scraping with Scrapy and MongoDB

scrapy之10行代码爬下电影天堂全站

本作品采用《CC 协议》，转载必须注明作者和本文链接