多年开发工程师做的爬虫笔记，抓紧时间速度收藏！
平时有个习惯，会把自己的笔记写在有道云里面，现在做个整理。会长期更新，因为我是BUG制造机。
解析
xpath提取所有节点文本
我左青龙，右白虎，- 上朱雀，
- 下玄武。
使用xpath的string(.)
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from scrapy.selector import Selector
text = '
我左青龙，右白虎，- 上朱雀，
- 下玄武。
s = Selector(text=text)
data = s.xpath('//div[@id="test3"]')
info = data.xpath('string(.)').extract()[0]
print(info)
# output: 我左青龙，右白虎，上朱雀，下玄武。老牛在当中，龙头在胸口。
如何解决详情页面元素改变
这个问题是这样产生的，在很多PC站，比如链家，这个页面有这些字段A，但是下个页面这个字段A没了，取而代之的是字段B，在xpath定位时就失效了。这个问题很常见，大体思路是这样的。
创建一个包含所有字段的dict: data = {}.fromkeys(('url', 'price', 'address'))
然后根据网页中是否有字段来取值，例如，有’url’就取对应的value，没有则为空
这样就可以完美解决匹配不全问题
Scrapy 相关
文件编写
逻辑文件和解析部分分开写，匹配文件目录是utils/parse/，爬虫文件目录是spiders/
Scrapy 中文乱码
在 setting 文件中设置：FEED_EXPORT_ENCODING = 'utf-8'
Scrapy 使用Mongo
pipelines.py
首先我们要从settings文件中读取数据的地址、端口、数据库名称。
拿到数据库的基本信息后进行连接。
将数据写入数据库（update制定唯一键）
关闭数据库
注意：只有打开和关闭是只执行一次，而写入操作会根据具体的写入次数而定。
Redis 无需关闭
import pymongo
class MongoDBPipeline(object):
"""
1、连接数据库操作
"""
def __init__(self,mongourl,mongoport,mongodb):
'''
初始化mongodb数据的url、端口号、数据库名称
:param mongourl:
:param mongoport:
:param mongodb:
'''
self.mongourl = mongourl
self.mongoport = mongoport
self.mongodb = mongodb
@classmethod
def from_crawler(cls,crawler):
"""
1、读取settings里面的mongodb数据的url、port、DB。
:param crawler:
:return:
"""
return cls(
mongourl = crawler.settings.get("MONGO_URL"),
mongoport = crawler.settings.get("MONGO_PORT"),
mongodb = crawler.settings.get("MONGO_DB")
)
def open_spider(self,spider):
'''
1、连接mongodb数据
:param spider:
:return:
'''
self.client = pymongo.MongoClient(self.mongourl,self.mongoport)
self.db = self.client[self.mongodb]
def process_item(self,item,spider):
'''
1、将数据写入数据库
:param item:
:param spider:
:return:
'''
name = item.__class__.__name__
# self.db[name].insert(dict(item))
self.db['user'].update({'url_token':item['url_token']},{'$set':item},True)
return item
def close_spider(self,spider):
'''
1、关闭数据库连接
:param spider:
:return:
'''
self.client.close()
scrapy图片下载
import scrapy
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem
class MyImagesPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
for image_url in item['image_urls']:
yield scrapy.Request(image_url)
def item_completed(self, results, item, info):
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
item['image_paths'] = image_paths
return item
scrapy 暂停爬虫
scrapy crawl somespider -s JOBDIR=crawls/somespider-1
scrapy_redis 分布式
使用队列与去重即可完成分布式需求，需要注意的是 Redis 格式，默认采用的是 list， 可以在 settings.py 文件中设置 REDIS_START_URLS_AS_SET = True，使用 Redis的 set类型（去重种子链接）
安装
超时问题
自定义超时时间
sudo pip3 --default-timeout=100 install -U scrapy
或者 使用其他源
sudo pip3 install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple
权限问题
安装某模块时，报错：PermissionError: [WinError 5] 拒绝访问。: 'c:\program files\python35\Lib\sit e-packages\lxml'
最简单方法：pip install --user lxml
Pycharm 相关
.gitignore 文件
安装插件： Preferences > Plugins > Browse repositories... > Search for ".ignore" > Install Plugin
然后就可以很方便的添加到 .gitignore
显示函数
点击 Show Members，查看目录，会显示相应的类和函数
激活码
http://idea.liyang.io
http://xidea.online
数据
Mongo导出命令
λ mongoexport -d test -c set --type=csv -f name,age -o set.csv
λ mongoexport -h 10.10.10.11 -d test -c test --type=csv -f url,id,title -o data.csv
其他
requirements.txt 文件
小提示：使用 pigar 可以一键生成 requirements.txt 文件
Installation：pip install pigar
Usage：pigar
好了，今天先写这点，以后再补上。
