Scrapy爬虫实例教程（二）---数据存入MySQL

书接上回 实例教程（一）

本文将详细描述使用scrapy爬去左岸读书所有文章并存入本地MySql数据库中，文中所有操作都是建立在scrapy已经配置完毕，并且系统中已经安装了Mysql数据库（有权限操作数据库）。

为了避免读者混淆，这里也使用tutorial作为scrapy project名称（工程的名字可以有读者自己定制）。

1. 建立tutorial工程

 scrapy startproject tutorial

上述命令运行完毕后会得到tutorial（或者自定义名称）的目录，使用tree命令可以查看tutorial的目录结构，如下图所示

2. 解析左岸文章结构

左岸读书为读者提供了一些优美文章，喜欢的读者可以自行订阅（在这里提博主打广告啦[不用谢^_^]）

　 站中所有文章都以列表的形式列出，每篇文章链接都给出了文章摘要和相应的信息（如作者，发布时间，分类信息，阅读量等信息）在列表底端给出了下一个列表的链接，具体如下图所示

点击相应的文章题目可以链接到具体的文章内容页面，读者可以自己实验试下，这里不再赘述。

3. 建立mysql数据库

建立mysql数据库 crawed

 create database crawed;
 use crawed;

在数据库中建立zreading数据表，这里我们要抓取文章标题，作者，文章发表日期，文章类别，文章标签，阅读量及文章内容，建立如下数据表

 CREATE TABLE `zreading` (
   `title` varchar(100) NOT NULL,
   `author` varchar(50) NOT NULL,
   `pub_date` varchar(30) DEFAULT NULL,
   `types` varchar(50) DEFAULT NULL,
   `tags` varchar(50) DEFAULT NULL,
   `view_counts` varchar(20) DEFAULT '',
   `content` text
 ) ENGINE=InnoDB DEFAULT CHARSET=utf8;

4. 在items.py中编写需要抓取的内容

items.py是爬虫根据用户兴趣定义爬去内容的文件，用户可以根据自己的需求，定义相应的class，爬虫在解析网页时根据解析规则生成item类对象

这里根据我们步骤3中的数据类别建立如下类：

 class TutorialItem(scrapy.Item):
     # define the fields for your item here like:
     # name = scrapy.Field()
     title = scrapy.Field()
     author = scrapy.Field()
     pub_date = scrapy.Field()
     types = scrapy.Field()
     tags = scrapy.Field()
     view_count = scrapy.Field()
     content = scrapy.Field()

5. 编辑pipelines.py文件

pipelines.py是设置抓取内容存储方式的文件，例如可以存储到mysql或是json文件中，读者可以根据自己实际需求选择相应的方式，本例中选择存储到mysql中。

 from twisted.enterprise import adbapi
 import MySQLdb
 import MySQLdb.cursors
 from scrapy.crawler import Settings as settings
 class TutorialPipeline(object):

     def __init__(self):

         dbargs = dict(
             host = 'your host' ,
             db = 'crawed',
             user = 'user_name', #replace with you user name
             passwd = 'user_password', # replace with you password
             charset = 'utf8',
             cursorclass = MySQLdb.cursors.DictCursor,
             use_unicode = True,
             )
         self.dbpool = adbapi.ConnectionPool('MySQLdb',**dbargs)

     '''
     The default pipeline invoke function
     '''
         def process_item(self, item,spider):
             res = self.dbpool.runInteraction(self.insert_into_table,item)
                 return item

         def insert_into_table(self,conn,item):
                 conn.execute('insert into zreading(title,author,pub_date,types,tags,view_counts,content) values(%s,%s,%s,%s,%s,%s,%s)', (item['title'],item['author'],item['pub_date'],item['types'],item['tags'],item['view_count'],item['content']))

6. 在settings.py中设置pipeline

当使用pipeline保存抓取内容时，需要设置相应的pipeline类，以便让系统知道根据什么方式进行存储，在settings.py中加入一下代码

 ITEM_PIPELINES = {
     'tutorial.pipelines.TutorialPipeline': 300,
 }

7. 解析网页，抓取需要内容

经过以上6步，所有的配置的工作已经结束，接下来，我们的重点就是如何从网页中解析出我们所需要的内容，在解析过程中需要借助一些开发插件，比如firefox的firebug，chrome的开发者工具，本例中使用chrome的开发工具。

在这一步我们需要编写网页解析的具体逻辑-如何处理网页，得到我们所需的内容。在spiders目录下，新建zreading.py文件，然后定义zreadingCrawl爬虫（继承scrapy的BaseSpider即可）

 class zreadingCrawl(BaseSpider):
     name = "zreading" # the name of spider
     allowed_domain = ['zreading.cn'] # allowed domain for spiders
     start_urls = [
     'http://www.zreading.cn'  #the start url / the entrance of spider
     ]  

具体的解析过程如下：

a. 首先解析左岸的文章列表，使用chrome的开发者工具，在文章标题处右击，点击检查，然后复制为xpath路径。在解析网页是就可以根据这个路径定位到你所需的内容，这里我们只是想获得文章的连接，所有我们只需要提取文章题目链接的

href属性值即可，在文章目录页中，有两种我们需要的链接，一种是文章内容的链接，另一种则是文章列表的下一页，对于文章内容链接我们可以直接请求响应的URL，然后解析内容即可；而对于目录链接则可以从头解析（也即请求目录页然后进一步解析）。

由上述可知，这是一个不断循环的过程，直至没有下一页为止。

b. 在解析的过程中，对于每次的解析内容，都需要进行处理，如在提取标题时，得到的内容前后包括很多空格，而且为了避免在数据库出现乱码，所有数据都编码成utf8。这里我们需要编写

c. 具体代码如下（在zreadingCrawl中添加如下函数）：

 def parse(self,response):

         if response.url.endswith('html'):    

             item = self.parsePaperContent(response)

         else:
             # get all the page links in list Page
             sel = Selector(response)
             links = sel.xpath('//*[@id="content"]/article/header/h2/a/@href').extract()
             for link in links:
                 yield Request(link,callback=self.parse)

             # get the next page to visitr
             next_pages = sel.xpath('//*[@id="content"]/div/a[@class="next"]/@href').extract()
             if len(next_pages) != 0:
                 yield Request(next_pages[0],callback=self.parse)
             # record the list page

         yield item

 def parsePaperContent(self,response):
         print "In parsse paper content function......"
         # get the page number  '5412.html'
         #  page_id = response.url.split('/')[-1].split('.')[0] ----- OK
         r  =re.match(r'\d+',response.url.split('/')[-1])
         page_id = r.group()
         # instantie the item
         zding = TutorialItem()
         sel = Selector(response)
         #add tilte
         title = sel.xpath("//div[@id='content']/article/header/h2/text()").extract()[0]
         s_title = title.encode("utf-8")
         zding['title'] = s_title.lstrip().rstrip()

         #add pub_date
         pub_date = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[1]/text()').extract()[0]
         s_pub_date = pub_date.encode("utf8")
         zding['pub_date'] = s_pub_date.lstrip().rstrip()

         #add author
         author = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[2]/a/text()').extract()[0]
         s_author = author.encode("utf8")
         zding['author'] = s_author.lstrip().rstrip()

         #add tags including type and paper tags

         tags = sel.xpath('//*[@id="'+page_id+'"]/div[2]/a/text()').extract()
         tags = [s.encode('utf8') for s in tags]
         zding['types'] = tags[0]
         zding['tags'] = "+".join(tags[1:])

         #add view count
         views = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[3]/text()').extract()[0]
         r = re.search(r'\d+',views)
         view_count = int(r.group())
         zding['view_count'] = view_count
         #add content
         content = sel.xpath('//*[@id="'+page_id+'"]/div[3]/p/text()').extract()
         zding['content'] = "\n".join(content)

         #return the item
         return zding

8. 在命令行下运行

 scrapy crawl zreading

在屏幕中会闪解析过的网页和解析得到的item，等运行完毕后查看数据库中的zreading表的内容，这里因为文章较长，不再单独贴图。

*****声明：本帖纯粹是个人兴趣爱好，绝无其他任何恶意。本人很喜欢看左岸的文章，恰逢学习scrapy，就以此为例。在此声明，本帖只是技术解析，绝无转载。*****