scrapy + mogoDB 网站爬虫

当前位置:

首页 > 数据库 > MongoDB >

scrapy + mogoDB 网站爬虫

工具环境

语言：python3.6
数据库：MongoDB (安装及运行命令如下)

1 python3 -m pip install pymongo
2 brew install mongodb
3 mongod --config /usr/local/etc/mongod.conf

框架：scrapy1.5.1 (安装命令如下)

1 python3 -m pip install Scrapy

用 scrapy 框架创建一个爬虫项目

在终端执行如下命令，创建一个名为 myspider 的爬虫项目

1 scrapy startproject myspider

即可得到一个如下结构的文件目录

创建 crawl 样式的爬虫

针对不同的用途， scrapy 提供了不同种类的爬虫类型，分别是
Spider：所有爬虫的祖宗
CrawlSpider：比较常用的爬取整站数据的爬虫（下面的例子就是用这种）
XMLFeedSpider
CSVFeedSpider
SitemapSpider

先在命令行进入到 spiders 目录下

1 cd myspider/myspider/spiders

然后创建 crawl 类型的爬虫模板

1 scrapy genspider -t crawl zgmlxc www.zgmlxc.com.cn

参数说明：

-t crawl 指明爬虫的类型

zgmlxc 是我给这个爬虫取的名字

www.zgmlxc.com.cn 是我要爬取的站点

完善小爬虫 zgmlxc

打开 zgmlxc.py 文件，可以看到一个基本的爬虫模板，现在就开始对其进行一系列的配置工作，让这个小爬虫根据我的指令去爬取信息。

配置跟踪页面规则

1 rules = (
2     // 定位到 www.zgmlxc.com.cn/node/72.jspx 这个页面
3     Rule(LinkExtractor(allow=r'.72\.jspx')),  
4     // 在上面规定的页面中，寻找符合下面规则的 url, 爬取里面的内容，并把获取的信息返回给 parse_item（）函数
5     Rule(LinkExtractor(allow=r'./info/\d+\.jspx'), callback='parse_item'),
6 )

这里有个小坑，就是最后一个 Rule 后面必须有逗号，否则报错
rules = (
Rule(LinkExtractor(allow=r'./info/\d+\.jspx'), callback='parse_item', follow=True),
)

在 items.py 内定义我们需要提取的字段

1 import scrapy
2 
3 class CrawlspiderItem(scrapy.Item):
4     # define the fields for your item here like:
5     # name = scrapy.Field()
6     title = scrapy.Field()
7     content = scrapy.Field()
8     piclist = scrapy.Field()
9     shortname = scrapy.Field()

完善 parse_item 函数

这里就是把上一步返回的内容，配置规则，提取我们想要的信息。这里必须用 join 方法，是为了方便后面顺利导入数据库。

1 def parse_item(self, response):
2     yield {
3         'title' : ' '.join(response.xpath("//div[@class='head']/h3/text()").get()).strip(),
4         'shortname' : ' '.join(response.xpath("//div[@class='body']/p/strong/text()").get()).strip(),
5         'piclist' : ' '.join(response.xpath("//div[@class='body']/p/img/@src").getall()).strip(),
6         'content' : ' '.join(response.css("div.body").extract()).strip(),
7             }

PS: 下面是提取内容的常用规则，直接总结在这里了：

1). 获取 img 标签中的 src:
//img[@class='photo-large']/@src

2). 获取文章主题内容及排版:
response.css("div.body").extract()

将信息存入 MogoDB 数据库

设置数据库信息

打开 settings.py 添加如下信息：

 1 # 建立爬虫与数据库之间的连接关系
 2 ITEM_PIPELINES = {
 3    'crawlspider.pipelines.MongoDBPipeline': 300,
 4 }
 5 
 6 # 设置数据库信息
 7 MONGODB_SERVER = "localhost"
 8 MONGODB_PORT = 27017
 9 MONGODB_DB = 'spider_world'
10 MONGODB_COLLECTION = 'zgmlxc'
11 
12 # 设置文明爬虫, 意思是每个请求之间间歇 5 秒, 对站点友好, 也防止被黑名单
13 ```py
14 DOWNLOAD_DELAY = 5

在 piplines.py 中

 1 import pymongo
 2 
 3 from scrapy.conf import settings
 4 from scrapy.exceptions import DropItem
 5 from scrapy import log
 6 
 7 class MongoDBPipeline(object):
 8     def __init__(self):
 9         connection = pymongo.MongoClient(
10             settings['MONGODB_SERVER'],
11             settings['MONGODB_PORT']
12         )
13         db = connection[settings['MONGODB_DB']]
14         self.collection = db[settings['MONGODB_COLLECTION']]
15 
16     def process_item(self, item, spider):
17         valid = True
18         for data in item:
19             if not data:
20                 valid = False
21                 raise DropItem("Missing {0}!".format(data))
22         if valid:
23             self.collection.insert(dict(item))
24             log.msg("Question added to MongoDB database!",
25                     level=log.DEBUG, spider=spider)
26         return item

在终端运行这个小爬虫

1 scrapy crawl myspider

在 navicat 中查看信息入库情况

如下图新建一个 MogoDB 的数据库连接，填入上面配置的信息，如果一切顺利，就可以看到我们想要的信息都已经入库了。

以上就完成了自定义爬虫到数据入库的全过程

原文：https://www.cnblogs.com/pypypy/p/12210432.html

栏目列表