使用python的scrapy来编写一个爬虫

本文将介绍我是如何在python爬虫里面一步一步踩坑，然后慢慢走出来的，期间碰到的所有问题我都会详细说明，让大家以后碰到这些问题时能够快速确定问题的来源，后面的代码只是贴出了核心代码，更详细的代码暂时没有贴出来。

流程一览

首先我是想爬某个网站上面的所有文章内容，但是由于之前没有做过爬虫（也不知道到底那个语言最方便），所以这里想到了是用python来做一个爬虫（毕竟人家的名字都带有爬虫的含义），我这边是打算先将所有从网站上爬下来的数据放到ElasticSearch里面, 选择ElasticSearch的原因是速度快，里面分词插件，倒排索引，需要数据的时候查询效率会非常好（毕竟爬的东西比较多），然后我会将所有的数据在ElasticSearch的老婆kibana里面将数据进行可视化出来，并且分析这些文章内容，可以先看一下预期可视化的效果（上图了），这个效果图是kibana6.4系统给予的帮助效果图（就是说你可以弄成这样,我也想弄成这样）。后面我会发一个dockerfile上来（现在还没弄）。

image

Python学习交流群：556370268，有大牛答疑，有资源共享！有想学习python编程的，想提升自己能力的，欢迎加入讨论学习。

环境需求

1. Jdk (Elasticsearch需要)
2. ElasticSearch (用来存储数据)
3. Kinaba (用来操作ElasticSearch和数据可视化)
4. Python (编写爬虫)
5. Redis (数据排重)

这些东西可以去找相应的教程安装，我这里只有ElasticSearch的安装点我获取安装教程

第一步，使用python的pip来安装需要的插件（第一个坑在这儿）

tomd:将html转换成markdown

pip3 install tomd

redis:需要python的redis插件

pip3 install redis

scrapy:框架安装(坑)

首先我是像上面一样执行了

pip3 install scrapy

然后发现缺少gcc组件 error: command 'gcc' failed with exit status 1

image

然后我就找啊找，找啊找，最后终于找到了正确的解决方法(期间试了很多错误答案)。最终的解决办法就是使用yum来安装python34-devel, 这个python34-devel根据你自己的python版本来，可能是python-devel,是多少版本就将中间的34改成你的版本, 我的是3.4.6

yum install python34-devel

安装完成过后使用命令 scrapy 来试试吧。

image

第二步，使用scrapy来创建你的项目

输入命令scrapy startproject scrapyDemo, 来创建一个爬虫项目

liaochengdeMacBook-Pro:scrapy liaocheng$ scrapy startproject scrapyDemo
New Scrapy project 'scrapyDemo', using template directory '/usr/local/lib/python3.7/site-packages/scrapy/templates/project', created in:
    /Users/liaocheng/script/scrapy/scrapyDemo
You can start your first spider with:
    cd scrapyDemo
    scrapy genspider example example.com
liaochengdeMacBook-Pro:scrapy liaocheng$ 

使用genspider来生成一个基础的spider,使用命令scrapy genspider demo juejin.im， 后面这个网址是你要爬的网站,我们先爬自己家的

liaochengdeMacBook-Pro:scrapy liaocheng$ scrapy genspider demo juejin.im
Created spider 'demo' using template 'basic'
liaochengdeMacBook-Pro:scrapy liaocheng$ 

查看生成的目录结构

image

第三步，打开项目，开始编码

查看生成的的demo.py的内容

# -*- coding: utf-8 -*-
import scrapy
class DemoSpider(scrapy.Spider):
 name = 'demo' ## 爬虫的名字
 allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容
 start_urls = ['https://juejin.im/post/5c790b4b51882545194f84f0'] ## 初始url链接
 def parse(self, response): ## 如果新建的spider必须实现这个方法
 pass

可以使用第二种方式，将start_urls给提出来

# -*- coding: utf-8 -*-
import scrapy
class DemoSpider(scrapy.Spider):
 name = 'demo' ## 爬虫的名字
 allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容
 def start_requests(self):
 start_urls = ['http://juejin.im/'] ## 初始url链接
 for url in start_urls:
 # 调用parse
 yield scrapy.Request(url=url, callback=self.parse)
 def parse(self, response): ## 如果新建的spider必须实现这个方法
 pass

编写articleItem.py文件（item文件就类似java里面的实体类）

import scrapy
class ArticleItem(scrapy.Item): ## 需要实现scrapy.Item文件
 # 文章id
 id = scrapy.Field()
 # 文章标题
 title = scrapy.Field()
 # 文章内容
 content = scrapy.Field()
 # 作者
 author = scrapy.Field()
 # 发布时间
 createTime = scrapy.Field()
 # 阅读量
 readNum = scrapy.Field()
 # 点赞数
 praise = scrapy.Field()
 # 头像
 photo = scrapy.Field()
 # 评论数
 commentNum = scrapy.Field()
 # 文章链接
 link = scrapy.Field()

编写parse方法的代码

 def parse(self, response):
 # 获取页面上所有的url
 nextPage = response.css("a::attr(href)").extract()
 # 遍历页面上所有的url链接,时间复杂度为O(n)
 for i in nextPage:
 if nextPage is not None:
 # 将链接拼起来
 url = response.urljoin(i)
 # 必须是掘金的链接才进入
 if "juejin.im" in str(url):
 # 存入redis，如果能存进去，就是一个没有爬过的链接
 if self.insertRedis(url) == True:
 # dont_filter作用是是否过滤相同url true是不过滤，false为过滤，我们这里只爬一个页面就行了，不用全站爬，全站爬对对掘金不是很友好，我么这里只是用来测试的 
 yield scrapy.Request(url=url, callback=self.parse,headers=self.headers,dont_filter=False)
 # 我们只分析文章，其他的内容都不管
 if "/post/" in response.url and "#comment" not in response.url:
 # 创建我们刚才的ArticleItem
 article = ArticleItem()
 # 文章id作为id
 article['id'] = str(response.url).split("/")[-1]
 # 标题
 article['title'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > h1::text").extract_first()
 # 内容
 parameter = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.article-content").extract_first()
 article['content'] = self.parseToMarkdown(parameter)
 # 作者
 article['author'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div:nth-child(6) > meta:nth-child(1)::attr(content)").extract_first()
 # 创建时间
 createTime = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > time::text").extract_first()
 createTime = str(createTime).replace("年", "-").replace("月", "-").replace("日","")
 article['createTime'] = createTime
 # 阅读量
 article['readNum'] = int(str(response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > span::text").extract_first()).split(" ")[1])
 # 点赞数
 article['badge'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.like-btn.panel-btn.like-adjust.with-badge::attr(badge)").extract_first()
 # 评论数
 article['commentNum'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.comment-btn.panel-btn.comment-adjust.with-badge::attr(badge)").extract_first()
 # 文章链接
 article['link'] = response.url
 # 这个方法和很重要（坑），之前就是由于执行yield article, pipeline就一直不能获取数据
 yield article
# 将内容转换成markdown
def parseToMarkdown(self, param):
 return tomd.Tomd(str(param)).markdown
# url 存入redis，如果能存那么就没有该链接，如果不能存，那么就存在该链接
def insertRedis(self, url):
 if self.redis != None:
 return self.redis.sadd("articleUrlList", url) == 1
 else:
 self.redis = self.redisConnection.getClient()
 self.insertRedis(url)

编写pipeline类,这个pipeline是一个管道，可以将所有yield关键字返回的数据都交给这个管道处理，但是需要在settings里面配置一下pipeline才行

from elasticsearch import Elasticsearch
class ArticlePipelines(object):
 # 初始化
 def __init__(self):
 # elasticsearch的index
 self.index = "article"
 # elasticsearch的type
 self.type = "type"
 # elasticsearch的ip加端口
 self.es = Elasticsearch(hosts="localhost:9200")
 # 必须实现的方法，用来处理yield返回的数据
 def process_item(self, item, spider):

 # 这里是判断，如果是demo这个爬虫的数据才处理
 if spider.name != "demo":
 return item
 result = self.checkDocumentExists(item)
 if result == False:
 self.createDocument(item)
 else:
 self.updateDocument(item)
 # 添加文档
 def createDocument(self, item):
 body = {
 "title": item['title'],
 "content": item['content'],
 "author": item['author'],
 "createTime": item['createTime'],
 "readNum": item['readNum'],
 "praise": item['praise'],
 "link": item['link'],
 "commentNum": item['commentNum']
 }
 try:
 self.es.create(index=self.index, doc_type=self.type, id=item["id"], body=body)
 except:
 pass
 # 更新文档
 def updateDocument(self, item):
 parm = {
 "doc" : {
 "readNum" : item['readNum'],
 "praise" : item['praise']
 }
 }
 try:
 self.es.update(index=self.index, doc_type=self.type, id=item["id"], body=parm)
 except:
 pass
 # 检查文档是否存在
 def checkDocumentExists(self, item):
 try:
 self.es.get(self.index, self.type, item["id"])
 return True
 except:
 return False

第四步，运行代码查看效果

使用scrapy list查看本地的所有爬虫

liaochengdeMacBook-Pro:scrapyDemo liaocheng$ scrapy list
demo
liaochengdeMacBook-Pro:scrapyDemo liaocheng$ 

使用scrapy crawl demo来运行爬虫

 scrapy crawl demo

到kibana里面看爬到的数据,执行下面的命令可以看到数据

GET /article/_search
{
 "query": {
 "match_all": {}
 }
}
复制代码
{
 "took": 7,
 "timed_out": false,
 "_shards": {
 "total": 5,
 "successful": 5,
 "skipped": 0,
 "failed": 0
 },
 "hits": {
 "total": 1,
 "max_score": 1,
 "hits": [
 {
 "_index": "article2",
 "_type": "type",
 "_id": "5c790b4b51882545194f84f0",
 "_score": 1,
 "_source": {}
 }
 ]
 }
}

如果你依然在编程的世界里迷茫，不知道自己的未来规划，对python感兴趣，这里推荐一下我的学习交流群：556370268，里面都是学习python的，从最基础的python【python，游戏，黑客技术，网络安全，数据挖掘，爬虫】到网络安全的项目实战的学习资料都有整理，送给每一位python小伙伴，希望能帮助你更了解python，学习python