Scrapy框架爬虫初探——中关村在线手机参数数据爬取

关于Scrapy如何安装部署的文章已经相当多了，但是网上实战的例子还不是很多，近来正好在学习该爬虫框架，就简单写了个Spider Demo来实践。
作为硬件数码控，我选择了经常光顾的中关村在线的手机页面进行爬取，大体思路如下图所示。

 # coding:utf-8
 import scrapy
 import re
 import os
 import sqlite3
 from myspider.items import SpiderItem

 class ZolSpider(scrapy.Spider):
     name = "zol"
     # allowed_domains = ["http://detail.zol.com.cn/"]  # 用于限定爬取的服务器域名
     start_urls = [
         # 主要爬去中关村在线的手机信息页面，考虑到是演示目的就仅仅爬了首页，其实爬分页跟二级爬虫原理相同，出于节省时间目的这里就不爬了
         # 这里可以写多个入口URL
         "http://detail.zol.com.cn/cell_phone_index/subcate57_list_1.html"
     ]
     item = SpiderItem()  # 没法动态创建，索性没用上，用的meta在spider函数间传值
     # 只是test一下就用sqlite吧，比较轻量化
     #database = sqlite3.connect(":memory:")
     database_file = os.path.dirname(os.path.abspath(__file__)) + "\\phonedata.db"
     if os.path.exists(database_file):
         os.remove(database_file)
     database = sqlite3.connect(database_file)
     # 先建个字段，方便理解字段含义就用中文了
     database.execute(
         '''
         CREATE TABLE CELL_PHONES
         (
         手机型号 TEXT
         );
         '''
     )
     # 用于检查数据增改是否全面，与total_changes对比
     counter = 0

     # 手机报价首页爬取函数
     def parse(self, response):
         # 获取手机详情页链接并以其创建二级爬虫
         hrefs = response.xpath("//h3/a")
         for href in hrefs:
             url = response.urljoin(href.xpath("@href")[0].extract())
             yield scrapy.Request(url, self.parse_detail_page)

     # 手机详情页爬取函数
     def parse_detail_page(self, response):
         # 通过xpath获取手机型号
         model = response.xpath("//h1").xpath("text()")[0].extract()
         # 创建该型号手机的数据库记录
         sql = 'INSERT INTO CELL_PHONES (手机型号) VALUES ("' + model + '")'
         self.counter += 1
         self.database.execute(sql)
         self.database.commit()
         # 获取参数详情页的链接
         url = response.urljoin(response.xpath("//div[@id='tagNav']//a[text()='参数']").xpath("@href")[0].extract())
         # 由于Scrapy是异步驱动的（逐级启动爬虫函数），所以当需绑定父子级爬虫函数间的某些变量时，可以采用meta字典传递，全局的item字段无法动态创建，在较灵活的爬取场景中不是很适用
         yield scrapy.Request(url, callback=self.parse_param_page, meta={'model': model})

     # 手机参数详情页爬取函数
     def parse_param_page(self, response):
         # 获取手机参数字段并一一遍历
         params = response.xpath("//span[contains(@class,'param-name')]")
         for param in params:
             legal_param_name_field = param_name = param.xpath("text()")[0].extract()
             # 将手机参数字段转变为合法的数据库字段（非数字开头，且防止SQL逻辑污染剔除了'/'符号）
             if re.match(r'^\d', param_name):
                 legal_param_name_field = re.sub(r'^\d', "f" + param_name[0], param_name)
             if '/' in param_name:
                 legal_param_name_field = legal_param_name_field.replace('/', '')
             # 通过查询master表检查动态添加的字段是否已经存在，若不存在则增加该字段
             sql = "SELECT * FROM sqlite_master WHERE name='CELL_PHONES' AND SQL LIKE '%" + legal_param_name_field + "%'"
             if self.database.execute(sql).fetchone() is None:
                 sql = "ALTER TABLE CELL_PHONES ADD " + legal_param_name_field + " TEXT"
                 self.database.execute(sql)
                 self.database.commit()
             # 根据参数字段名的xpath定位参数值元素
             xpath = "//span[contains(@class,'param-name') and text()='" + param_name +\
                     "']/following-sibling::span[contains(@id,'newPmVal')]//text()"
             vals = response.xpath(xpath)
             # 由于有些字段的参数值是多个值，所以需将其附加到一起，合成一个字段，以方便存储。
             # 如需数据细分选用like子句或支持全文索引的数据库也不错，当然nosql更好
             pm_val = ""
             for val in vals:
                 pm_val += val.extract()
             re.sub(r'\r|\n',"",pm_val)
             sql = "UPDATE CELL_PHONES SET %s = '%s' WHERE 手机型号 = '%s'" \
                   % (legal_param_name_field, pm_val, response.meta['model'])
             self.database.execute(sql)
             self.counter += 1
             # 检查下爬取的数据对不对
         results = self.database.execute("SELECT * FROM CELL_PHONES").fetchall()
         # 千万别忘了commit否则持久化数据库可能结果不全
         self.database.commit()
         print(self.database.total_changes, self.counter) # 对比下数据库的增改情况是否有丢失
         for row in results:
             print(row, end='\n')  # 其实这里有个小小的编码问题需要解决
         # 最后愉快的用scrapy crawl zol 启动爬虫吧！

部分爬到数据库的数据


最后建议在settings脚本中修改USER_AGENT，以模拟浏览器请求，避免反爬，例如：
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
当然高级点的反爬手段也有别的办法应付:
1.基于用户行为的爬取，可以增设爬取逻辑路由，以动态的爬行方式获取资源，并且频繁切换IP及UA，基于session及cookie的反爬亦可以基于此手段；
2.AJAX等异步js交互的页面，可自定义js请求，如果请求被加密了，结合selenium + webdriver来驱动浏览器，模拟用户交互异曲同工；
3.关于匹配方式，正则，XPath、CSS等等selector因人而异，前端经常调整的话不建议用CSS selector；
正则表达式从执行效率上较XPath会高一些，但是XPath可以基于元素逻辑层次、属性值条件，甚至结合XPath函数十分灵活的定位一个多个（组）元素；
总的来说做爬虫的同学，正则和XPath应该是基本功啦，特别是在定向爬取数据时尤为重要。
4.关于路由及任务调度问题，虽然Scrapy提供了非常简单的异步IO方案，能够轻松爬取多级页面，并根据base URL及灵活的自定义回调函数实现深层(有选择的)爬虫，
但对于爬取海量数据的场景，灵活性较差，因此队列管理（排重、防中断、防重跑）及分布式爬虫可能更为适用。
当然，学习Python爬虫，掌握urllib(2、3)、requests、BeautifulSoup、lxml等模块也会让你如虎添翼，还需因地制宜才是。
p.s.进来用Golang做爬虫的童鞋也多了起来，性能较之Python会好不少，可以尝试一下。会JAVA的童鞋，也可以关注下Nutch引擎。（路漫漫其修远兮啊，一起学习吧。）