首页 > 代码库 > Scrapy框架爬虫初探——中关村在线手机参数数据爬取
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。
1 # coding:utf-8 2 import scrapy 3 import re 4 import os 5 import sqlite3 6 from myspider.items import SpiderItem 7 8 9 class ZolSpider(scrapy.Spider): 10 name = "zol" 11 # allowed_domains = ["http://detail.zol.com.cn/"] # 用于限定爬取的服务器域名 12 start_urls = [ 13 # 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,出于节省时间目的就没爬 14 # 这里可以写个入口URL 15 "http://detail.zol.com.cn/cell_phone_index/subcate57_list_1.html" 16 ] 17 item = SpiderItem() # 没法动态创建,索性没用上用的meta在spider函数间传值 18 # 只是test一下就用sqlite吧,比较轻量 19 #database = sqlite3.connect(":memory:") 20 database_file = os.path.dirname(os.path.abspath(__file__)) + "\\phonedata.db" 21 if os.path.exists(database_file): 22 os.remove(database_file) 23 database = sqlite3.connect(database_file) 24 # 先建个字段,方便理解字段含义就用中文了 25 database.execute( 26 ‘‘‘ 27 CREATE TABLE CELL_PHONES 28 ( 29 手机型号 TEXT 30 ); 31 ‘‘‘ 32 ) 33 # 用于检查数据增改是否全面,与total_changes对比 34 counter = 0 35 36 # 手机报价首页爬取函数 37 def parse(self, response): 38 # 获取手机详情页链接并以其创建二级爬虫 39 hrefs = response.xpath("//h3/a") 40 for href in hrefs: 41 url = response.urljoin(href.xpath("@href")[0].extract()) 42 yield scrapy.Request(url, self.parse_detail_page) 43 44 # 手机详情页爬取函数 45 def parse_detail_page(self, response): 46 # 通过xpath获取手机型号 47 model = response.xpath("//h1").xpath("text()")[0].extract() 48 # 创建该型号手机的数据库记录 49 sql = ‘INSERT INTO CELL_PHONES (手机型号) VALUES ("‘ + model + ‘")‘ 50 self.counter += 1 51 self.database.execute(sql) 52 self.database.commit() 53 # 获取参数详情页的链接 54 url = response.urljoin(response.xpath("//div[@id=‘tagNav‘]//a[text()=‘参数‘]").xpath("@href")[0].extract()) 55 # 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字段无法动弹创建,在较灵活的爬取场景中不是很适用 56 yield scrapy.Request(url, callback=self.parse_param_page, meta={‘model‘: model}) 57 58 # 手机参数详情页爬取函数 59 def parse_param_page(self, response): 60 # 获取手机参数字段并一一遍历 61 params = response.xpath("//span[contains(@class,‘param-name‘)]") 62 for param in params: 63 legal_param_name_field = param_name = param.xpath("text()")[0].extract() 64 # 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) 65 if re.match(r‘^\d‘, param_name): 66 legal_param_name_field = re.sub(r‘^\d‘, "f" + param_name[0], param_name) 67 if ‘/‘ in param_name: 68 legal_param_name_field = legal_param_name_field.replace(‘/‘, ‘‘) 69 # 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 70 sql = "SELECT * FROM sqlite_master WHERE name=‘CELL_PHONES‘ AND SQL LIKE ‘%" + legal_param_name_field + "%‘" 71 if self.database.execute(sql).fetchone() is None: 72 sql = "ALTER TABLE CELL_PHONES ADD " + legal_param_name_field + " TEXT" 73 self.database.execute(sql) 74 self.database.commit() 75 # 根据参数字段名的xpath定位参数值元素 76 xpath = "//span[contains(@class,‘param-name‘) and text()=‘" + param_name +77 "‘]/following-sibling::span[contains(@id,‘newPmVal‘)]//text()" 78 vals = response.xpath(xpath) 79 # 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。 80 # 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 81 pm_val = "" 82 for val in vals: 83 pm_val += val.extract() 84 re.sub(r‘\r|\n‘,"",pm_val) 85 sql = "UPDATE CELL_PHONES SET %s = ‘%s‘ WHERE 手机型号 = ‘%s‘" 86 % (legal_param_name_field, pm_val, response.meta[‘model‘]) 87 self.database.execute(sql) 88 self.counter += 1 89 # 检查下爬取的数据对不对 90 results = self.database.execute("SELECT * FROM CELL_PHONES").fetchall() 91 # 千万别忘了commit否则持久化数据库可能结果不全 92 self.database.commit() 93 print(self.database.total_changes, self.counter) # 对比下数据库的增改情况是否有丢失 94 for row in results: 95 print(row, end=‘\n‘) # 其实这里有个小小的编码问题需要解决 96 # 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由别的办法应付:
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试用。
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,一起学习吧。)
Scrapy框架爬虫初探——中关村在线手机参数数据爬取
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。