scrapy增量爬取

​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
• 本地窗口调试命令
• 工程目录
• xpath选择器
• 一个简单的增量爬虫示例
• 配置介绍

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 = ''