一步步教你用python的scrapy编写一个爬虫

时间:2022-10-16 22:16:12

介绍

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)。

一步步教你用python的scrapy编写一个爬虫

环境需求

  • jdk (elasticsearch需要)
  • elasticsearch (用来存储数据)
  • kinaba (用来操作elasticsearch和数据可视化)
  • python (编写爬虫)
  • 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

第一步,使用python的pip来安装需要的插件(第一个坑在这儿)

1.tomd:将html转换成markdown

?
1
pip3 install tomd

2.redis:需要python的redis插件

?
1
pip3 install redis

3.scrapy:框架安装(坑)

  1、首先我是像上面一样执行了

?
1
pip3 install scrapy

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

一步步教你用python的scrapy编写一个爬虫

   3、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

?
1
yum install python34-devel

   4、安装完成过后使用命令 scrapy 来试试吧。

一步步教你用python的scrapy编写一个爬虫

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

?
1
2
3
4
5
6
7
8
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

?
1
2
3
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

一步步教你用python的scrapy编写一个爬虫

第三步,打开项目,开始编码

查看生成的的demo.py的内容

?
1
2
3
4
5
6
7
8
9
10
11
# -*- 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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# -*- 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)

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
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

?
1
2
3
liaochengdemacbook-pro:scrapydemo liaocheng$ scrapy list
demo
liaochengdemacbook-pro:scrapydemo liaocheng$

使用scrapy crawl demo来运行爬虫

?
1
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

?
1
2
3
4
5
6
get /article/_search
{
 "query": {
 "match_all": {}
 }
}
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
{
 "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": {}
 }
 ]
 }
}

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对服务器之家的支持。

原文链接:https://juejin.im/post/5c88bb19f265da2d96184df3