從零開始的爬蟲入門指南
序
本文主要內(nèi)容：以最短的時間寫一個最簡單的爬蟲，可以抓取論壇的帖子標題和帖子內(nèi)容。
本文受眾：沒寫過爬蟲的萌新。
入門
0.準備工作
需要準備的東西： Python、scrapy、一個IDE或者隨便什么文本編輯工具。
1.技術(shù)部已經(jīng)研究決定了，你來寫爬蟲。
隨便建一個工作目錄，然后用命令行建立一個工程，工程名為miao，可以替換為你喜歡的名字。
scrapy startproject miao
隨后你會得到如下的一個由scrapy創(chuàng)建的目錄結(jié)構(gòu)
在spiders文件夾中創(chuàng)建一個Python文件，比如miao.py，來作為爬蟲的腳本。
內(nèi)容如下：
import scrapy
class NgaSpider(scrapy.Spider):
name = "NgaSpider"
host = "http://bbs.ngacn.cc/"
# start_urls是我們準備爬的初始頁
start_urls = [
"http://bbs.ngacn.cc/thread.php?fid=406",
]
# 這個是解析函數(shù)，如果不特別指明的話，scrapy抓回來的頁面會由這個函數(shù)進行解析。
# 對頁面的處理和分析工作都在此進行，這個示例里我們只是簡單地把頁面內(nèi)容打印出來。
def parse(self, response):
print response.body
2.跑一個試試？
如果用命令行的話就這樣：
cd miao
scrapy crawl NgaSpider
你可以看到爬蟲君已經(jīng)把你壇星際區(qū)第一頁打印出來了，當然由于沒有任何處理，所以混雜著html標簽和js腳本都一并打印出來了。
解析
接下來我們要把剛剛抓下來的頁面進行分析，從這坨html和js堆里把這一頁的帖子標題提煉出來。
其實解析頁面是個體力活，方法多的是，這里只介紹xpath。
0.為什么不試試神奇的xpath呢
看一下剛才抓下來的那坨東西，或者用chrome瀏覽器手動打開那個頁面然后按F12可以看到頁面結(jié)構(gòu)。
每個標題其實都是由這么一個html標簽包裹著的。舉個例子：
<a id="t_tt1_33" class="topic" href="/read.php?tid=10803874">[合作模式] 合作模式修改設想</a>
可以看到href就是這個帖子的地址（當然前面要拼上論壇地址），而這個標簽包裹的內(nèi)容就是帖子的標題了。
于是我們用xpath的絕對定位方法，把class='topic'的部分摘出來。
1.看看xpath的效果
在最上面加上引用：
from scrapy import Selector
把parse函數(shù)改成：
def parse(self, response):
selector = Selector(response)
# 在此，xpath會將所有class=topic的標簽提取出來，當然這是個list
# 這個list里的每一個元素都是我們要找的html標簽
content_list = selector.xpath("http://*[@class='topic']")
# 遍歷這個list，處理每一個標簽
for content in content_list:
# 此處解析標簽，提取出我們需要的帖子標題。
topic = content.xpath('string(.)').extract_first()
print topic
# 此處提取出帖子的url地址。
url = self.host + content.xpath('@href').extract_first()
print url
再次運行就可以看到輸出你壇星際區(qū)第一頁所有帖子的標題和url了。
遞歸
接下來我們要抓取每一個帖子的內(nèi)容。
這里需要用到Python的yield。
yield Request(url=url, callback=self.parse_topic)
此處會告訴scrapy去抓取這個url，然后把抓回來的頁面用指定的parse_topic函數(shù)進行解析。
至此我們需要定義一個新的函數(shù)來分析一個帖子里的內(nèi)容。
完整的代碼如下：
import scrapy
from scrapy import Selector
from scrapy import Request
class NgaSpider(scrapy.Spider):
name = "NgaSpider"
host = "http://bbs.ngacn.cc/"
# 這個例子中只指定了一個頁面作為爬取的起始url
# 當然從數(shù)據(jù)庫或者文件或者什么其他地方讀取起始url也是可以的
start_urls = [
"http://bbs.ngacn.cc/thread.php?fid=406",
]
# 爬蟲的入口，可以在此進行一些初始化工作，比如從某個文件或者數(shù)據(jù)庫讀入起始url
def start_requests(self):
for url in self.start_urls:
# 此處將起始url加入scrapy的待爬取隊列，并指定解析函數(shù)
# scrapy會自行調(diào)度，并訪問該url然后把內(nèi)容拿回來
yield Request(url=url, callback=self.parse_page)
# 版面解析函數(shù)，解析一個版面上的帖子的標題和地址
def parse_page(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='topic']")
for content in content_list:
topic = content.xpath('string(.)').extract_first()
print topic
url = self.host + content.xpath('@href').extract_first()
print url
# 此處，將解析出的帖子地址加入待爬取隊列，并指定解析函數(shù)
yield Request(url=url, callback=self.parse_topic)
# 可以在此處解析翻頁信息，從而實現(xiàn)爬取版區(qū)的多個頁面
# 帖子的解析函數(shù)，解析一個帖子的每一樓的內(nèi)容
def parse_topic(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='postcontent ubbcode']")
for content in content_list:
content = content.xpath('string(.)').extract_first()
print content
# 可以在此處解析翻頁信息，從而實現(xiàn)爬取帖子的多個頁面
到此為止，這個爬蟲可以爬取你壇第一頁所有的帖子的標題，并爬取每個帖子里第一頁的每一層樓的內(nèi)容。
爬取多個頁面的原理相同，注意解析翻頁的url地址、設定終止條件、指定好對應的頁面解析函數(shù)即可。
Pipelines——管道
此處是對已抓取、解析后的內(nèi)容的處理，可以通過管道寫入本地文件、數(shù)據(jù)庫。
0.定義一個Item
在miao文件夾中創(chuàng)建一個items.py文件。
from scrapy import Item, Field
class TopicItem(Item):
url = Field()
title = Field()
author = Field()
class ContentItem(Item):
url = Field()
content = Field()
author = Field()
此處我們定義了兩個簡單的class來描述我們爬取的結(jié)果。
1. 寫一個處理方法
在miao文件夾下面找到那個pipelines.py文件，scrapy之前應該已經(jīng)自動生成好了。
我們可以在此建一個處理方法。
from scrapy import Item, Field
class TopicItem(Item):
url = Field()
title = Field()
author = Field()
class ContentItem(Item):
url = Field()
content = Field()
author = Field()
2.在爬蟲中調(diào)用這個處理方法。
要調(diào)用這個方法我們只需在爬蟲中調(diào)用即可，例如原先的內(nèi)容處理函數(shù)可改為：
def parse_topic(self, response):
selector = Selector(response)
content_list = selector.xpath("http://*[@class='postcontent ubbcode']")
for content in content_list:
content = content.xpath('string(.)').extract_first()
## 以上是原內(nèi)容
## 創(chuàng)建個ContentItem對象把我們爬取的東西放進去
item = ContentItem()
item["url"] = response.url
item["content"] = content
item["author"] = "" ## 略
## 這樣調(diào)用就可以了
## scrapy會把這個item交給我們剛剛寫的FilePipeline來處理
yield item
3.在配置文件里指定這個pipeline
找到settings.py文件，在里面加入
ITEM_PIPELINES = {
'miao.pipelines.FilePipeline': 400,
}
這樣在爬蟲里調(diào)用
yield item
的時候都會由經(jīng)這個FilePipeline來處理。后面的數(shù)字400表示的是優(yōu)先級。
可以在此配置多個Pipeline，scrapy會根據(jù)優(yōu)先級，把item依次交給各個item來處理，每個處理完的結(jié)果會傳遞給下一個pipeline來處理。
可以這樣配置多個pipeline:
ITEM_PIPELINES = {
'miao.pipelines.Pipeline00': 400,
'miao.pipelines.Pipeline01': 401,
'miao.pipelines.Pipeline02': 402,
'miao.pipelines.Pipeline03': 403,
## ...
}
Middleware——中間件
通過Middleware我們可以對請求信息作出一些修改，比如常用的設置UA、代理、登錄信息等等都可以通過Middleware來配置。
0.Middleware的配置
與pipeline的配置類似，在setting.py中加入Middleware的名字，例如
DOWNLOADER_MIDDLEWARES = {
"miao.middleware.UserAgentMiddleware": 401,
"miao.middleware.ProxyMiddleware": 402,
}
1.破網(wǎng)站查UA, 我要換UA
某些網(wǎng)站不帶UA是不讓訪問的。
在miao文件夾下面建立一個middleware.py
import random
agents = [
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
"Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
"Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
]
class UserAgentMiddleware(object):
def process_request(self, request, spider):
agent = random.choice(agents)
request.headers["User-Agent"] = agent
這里就是一個簡單的隨機更換UA的中間件，agents的內(nèi)容可以自行擴充。
2.破網(wǎng)站封IP，我要用代理
比如本地127.0.0.1開啟了一個8123端口的代理，同樣可以通過中間件配置讓爬蟲通過這個代理來對目標網(wǎng)站進行爬取。
同樣在middleware.py中加入：
class ProxyMiddleware(object):
def process_request(self, request, spider):
# 此處填寫你自己的代理
# 如果是買的代理的話可以去用API獲取代理列表然后隨機選擇一個
proxy = "http://127.0.0.1:8123"
request.meta["proxy"] = proxy
很多網(wǎng)站會對訪問次數(shù)進行限制，如果訪問頻率過高的話會臨時禁封IP。
如果需要的話可以從網(wǎng)上購買IP，一般服務商會提供一個API來獲取當前可用的IP池，選一個填到這里就好。
一些常用配置
在settings.py中的一些常用配置
# 間隔時間，單位秒。指明scrapy每兩個請求之間的間隔。
DOWNLOAD_DELAY = 5
# 當訪問異常時是否進行重試
RETRY_ENABLED = True
# 當遇到以下http狀態(tài)碼時進行重試
RETRY_HTTP_CODES = [500, 502, 503, 504, 400, 403, 404, 408]
# 重試次數(shù)
RETRY_TIMES = 5
# Pipeline的并發(fā)數(shù)。同時最多可以有多少個Pipeline來處理item
CONCURRENT_ITEMS = 200
# 并發(fā)請求的最大數(shù)
CONCURRENT_REQUESTS = 100
# 對一個網(wǎng)站的最大并發(fā)數(shù)
CONCURRENT_REQUESTS_PER_DOMAIN = 50
# 對一個IP的最大并發(fā)數(shù)
CONCURRENT_REQUESTS_PER_IP = 50
我就是要用Pycharm
如果非要用Pycharm作為開發(fā)調(diào)試工具的話可以在運行配置里進行如下配置：
Configuration頁面：
Script填你的scrapy的cmdline.py路徑，比如我的是
/usr/local/lib/Python2.7/dist-packages/scrapy/cmdline.py
然后在Scrpit parameters中填爬蟲的名字，本例中即為：
crawl NgaSpider
最后是Working diretory，找到你的settings.py文件，填這個文件所在的目錄。
示例：
按小綠箭頭就可以愉快地調(diào)試了。