怎么用Scrapy爬蟲框架爬取食品論壇數(shù)據(jù)并存入數(shù)據(jù)庫

這篇文章主要介紹“怎么用Scrapy爬蟲框架爬取食品論壇數(shù)據(jù)并存入數(shù)據(jù)庫”，在日常操作中，相信很多人在怎么用Scrapy爬蟲框架爬取食品論壇數(shù)據(jù)并存入數(shù)據(jù)庫問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么用Scrapy爬蟲框架爬取食品論壇數(shù)據(jù)并存入數(shù)據(jù)庫”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

一、前言

網(wǎng)絡爬蟲(又稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人)，是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。------百度百科

說人話就是，爬蟲是用來海量規(guī)則化獲取數(shù)據(jù)，然后進行處理和運用，在大數(shù)據(jù)、金融、機器學習等等方面都是必須的支撐條件之一。

目前在一線城市中，爬蟲的崗位薪資待遇都是比較客觀的，之后提升到中、高級爬蟲工程師，數(shù)據(jù)分析師、大數(shù)據(jù)開發(fā)崗位等，都是很好的過渡。

二、項目目標

本此介紹的項目其實不用想的太過復雜，最終要實現(xiàn)的目標也就是將帖子的每條評論爬取到數(shù)據(jù)庫中，并且做到可以更新數(shù)據(jù)，防止重復爬取，反爬等措施。

三、項目準備

這部分主要是介紹本文需要用到的工具，涉及的庫，網(wǎng)頁等信息等

軟件：PyCharm

需要的庫：Scrapy， selenium， pymongo， user_agent，datetime

目標網(wǎng)站：

http://bbs.foodmate.net

插件：chromedriver(版本要對)

四、項目分析

1、確定爬取網(wǎng)站的結(jié)構(gòu)

簡而言之：確定網(wǎng)站的加載方式，怎樣才能正確的一級一級的進入到帖子中抓取數(shù)據(jù)，使用什么格式保存數(shù)據(jù)等。

其次，觀察網(wǎng)站的層級結(jié)構(gòu)，也就是說，怎么根據(jù)板塊，一點點進入到帖子頁面中，這對本次爬蟲任務非常重要，也是主要編寫代碼的部分。

2、如何選擇合適的方式爬取數(shù)據(jù)?

目前我知道的爬蟲方法大概有如下(不全，但是比較常用)：

1)request框架：運用這個http庫可以很靈活的爬取需要的數(shù)據(jù)，簡單但是過程稍微繁瑣，并且可以配合抓包工具對數(shù)據(jù)進行獲取。但是需要確定headers頭以及相應的請求參數(shù)，否則無法獲取數(shù)據(jù);很多app爬取、圖片視頻爬取隨爬隨停，比較輕量靈活，并且高并發(fā)與分布式部署也非常靈活，對于功能可以更好實現(xiàn)。

2)scrapy框架：scrapy框架可以說是爬蟲最常用，最好用的爬蟲框架了，優(yōu)點很多：scrapy 是異步的;采取可讀性更強的 xpath  代替正則;強大的統(tǒng)計和 log 系統(tǒng);同時在不同的 url 上爬行;支持 shell 方式，方便獨立調(diào)試;支持寫  middleware方便寫一些統(tǒng)一的過濾器;可以通過管道的方式存入數(shù)據(jù)庫等等。這也是本次文章所要介紹的框架(結(jié)合selenium庫)。

五、項目實現(xiàn)

1、第一步：確定網(wǎng)站類型

首先解釋一下是什么意思，看什么網(wǎng)站，首先要看網(wǎng)站的加載方式，是靜態(tài)加載，還是動態(tài)加載(js加載)，還是別的方式;根據(jù)不一樣的加載方式需要不同的辦法應對。然后我們觀察今天爬取的網(wǎng)站，發(fā)現(xiàn)這是一個有年代感的論壇，首先猜測是靜態(tài)加載的網(wǎng)站;我們開啟組織  js 加載的插件，如下圖所示。

刷新之后發(fā)現(xiàn)確實是靜態(tài)網(wǎng)站(如果可以正常加載基本都是靜態(tài)加載的)。

2、第二步：確定層級關系

其次，我們今天要爬取的網(wǎng)站是食品論壇網(wǎng)站，是靜態(tài)加載的網(wǎng)站，在之前分析的時候已經(jīng)了解了，然后是層級結(jié)構(gòu)：

大概是上面的流程，總共有三級遞進訪問，之后到達帖子頁面，如下圖所示。

部分代碼展示：

一級界面：

def parse(self, response):     self.logger.info("已進入網(wǎng)頁！")     self.logger.info("正在獲取版塊列表！")     column_path_list = response.css('#ct > div.mn > div:nth-child(2) > div')[:-1]     for column_path in column_path_list:         col_paths = column_path.css('div > table > tbody > tr > td > div > a').xpath('@href').extract()         for path in col_paths:             block_url = response.urljoin(path)             yield scrapy.Request(                 url=block_url,                 callback=self.get_next_path,             )

二級界面：

def get_next_path(self, response):     self.logger.info("已進入版塊！")     self.logger.info("正在獲取文章列表！")     if response.url == 'http://www.foodmate.net/know/':         pass     else:         try:             nums = response.css('#fd_page_bottom > div > label > span::text').extract_first().split(' ')[-2]         except:             nums = 1         for num in range(1, int(nums) + 1):             tbody_list = response.css('#threadlisttableid > tbody')             for tbody in tbody_list:                 if 'normalthread' in str(tbody):                     item = LunTanItem()                     item['article_url'] = response.urljoin(                         tbody.css('* > tr > th > a.s.xst').xpath('@href').extract_first())                     item['type'] = response.css(                         '#ct > div > div.bm.bml.pbn > div.bm_h.cl > h2 > a::text').extract_first()                     item['title'] = tbody.css('* > tr > th > a.s.xst::text').extract_first()                     item['spider_type'] = "論壇"                     item['source'] = "食品論壇"                     if item['article_url'] != 'http://bbs.foodmate.net/':                         yield scrapy.Request(                             url=item['article_url'],                             callback=self.get_data,                             meta={'item': item, 'content_info': []}                         )         try:             callback_url = response.css('#fd_page_bottom > div > a.nxt').xpath('@href').extract_first()             callback_url = response.urljoin(callback_url)             yield scrapy.Request(                 url=callback_url,                 callback=self.get_next_path,             )         except IndexError:             pass

三級界面：

def get_data(self, response):     self.logger.info("正在爬取論壇數(shù)據(jù)！")     item = response.meta['item']     content_list = []     divs = response.xpath('//*[@id="postlist"]/div')     user_name = response.css('div > div.pi > div:nth-child(1) > a::text').extract()     publish_time = response.css('div.authi > em::text').extract()     floor = divs.css('* strong> a> em::text').extract()     s_id = divs.xpath('@id').extract()     for i in range(len(divs) - 1):         content = ''         try:              strong = response.css('#postmessage_' + s_id[i].split('_')[-1] + '').xpath('string(.)').extract()             for s in strong:                 content += s.split(';')[-1].lstrip('\r\n')             datas = dict(content=content,  # 內(nèi)容                          reply_id=0,  # 回復的樓層,默認0                          user_name=user_name[i],  # ?戶名                          publish_time=publish_time[i].split('于 ')[-1],  # %Y-%m-%d %H:%M:%S'                          id='#' + floor[i],  # 樓層                          )             content_list.append(datas)         except IndexError:             pass     item['content_info'] = response.meta['content_info']     item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')     item['content_info'] += content_list      data_url = response.css('#ct > div.pgbtn > a').xpath('@href').extract_first()     if data_url != None:         data_url = response.urljoin(data_url)         yield scrapy.Request(             url=data_url,             callback=self.get_data,             meta={'item': item, 'content_info': item['content_info']}         )     else:         item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')         self.logger.info("正在存儲！")         print('儲存成功')         yield item

3、第三步：確定爬取方法

由于是靜態(tài)網(wǎng)頁，首先決定采用的是scrapy框架直接獲取數(shù)據(jù)，并且通過前期測試發(fā)現(xiàn)方法確實可行，不過當時年少輕狂，小看了網(wǎng)站的保護措施，由于耐心有限，沒有加上定時器限制爬取速度，導致我被網(wǎng)站加了限制，并且網(wǎng)站由靜態(tài)加載網(wǎng)頁變?yōu)椋簞討B(tài)加載網(wǎng)頁驗證算法之后再進入到該網(wǎng)頁，直接訪問會被后臺拒絕。

但是這種問題怎么會難道我這小聰明，經(jīng)過我短暫地思考(1天)，我將方案改為scrapy框架 +  selenium庫的方法，通過調(diào)用chromedriver，模擬訪問網(wǎng)站，等網(wǎng)站加載完了再爬取不就完了，后續(xù)證明這個方法確實可行，并且效率也不錯。

實現(xiàn)部分代碼如下：

def process_request(self, request, spider):     chrome_options = Options()     chrome_options.add_argument('--headless')  # 使用無頭谷歌瀏覽器模式     chrome_options.add_argument('--disable-gpu')     chrome_options.add_argument('--no-sandbox')     # 指定谷歌瀏覽器路徑     self.driver = webdriver.Chrome(chrome_options=chrome_options,                                    executable_path='E:/pycharm/workspace/爬蟲/scrapy/chromedriver')     if request.url != 'http://bbs.foodmate.net/':         self.driver.get(request.url)         html = self.driver.page_source         time.sleep(1)         self.driver.quit()         return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',                                         request=request)

4、第四步：確定爬取數(shù)據(jù)的儲存格式

這部分不用多說，根據(jù)自己需求，將需要爬取的數(shù)據(jù)格式設置在items.py中。在工程中引用該格式保存即可：

class LunTanItem(scrapy.Item):     """         論壇字段     """     title = Field()  # str: 字符類型 | 論壇標題     content_info = Field()  # str: list類型 | 類型list: [LunTanContentInfoItem1, LunTanContentInfoItem2]     article_url = Field()  # str: url | 文章鏈接     scrawl_time = Field()  # str: 時間格式 參照如下格式 2019-08-01 10:20:00 | 數(shù)據(jù)爬取時間     source = Field()  # str: 字符類型 | 論壇名稱 eg: 未名BBS, 水木社區(qū), 天涯論壇     type = Field()  # str: 字符類型 | 板塊類型 eg: '財經(jīng)', '體育', '社會'     spider_type = Field()  # str: forum | 只能寫 'forum'

5、第五步：確定保存數(shù)據(jù)庫

本次項目選擇保存的數(shù)據(jù)庫為mongodb，由于是非關系型數(shù)據(jù)庫，優(yōu)點顯而易見，對格式要求沒有那么高，可以靈活儲存多維數(shù)據(jù)，一般是爬蟲優(yōu)選數(shù)據(jù)庫(不要和我說redis，會了我也用，主要是不會)

代碼：

import pymongo  class FMPipeline():     def __init__(self):         super(FMPipeline, self).__init__()         # client = pymongo.MongoClient('139.217.92.75')         client = pymongo.MongoClient('localhost')         db = client.scrapy_FM         self.collection = db.FM      def process_item(self, item, spider):         query = {             'article_url': item['article_url']         }         self.collection.update_one(query, {"$set": dict(item)}, upsert=True)         return item

這時，有聰明的盆友就會問：如果運行兩次爬取到了一樣的數(shù)據(jù)怎么辦呢?(換句話說就是查重功能)

這個問題之前我也沒有考慮，后來在我詢問大佬的過程中知道了，在我們存數(shù)據(jù)的時候就已經(jīng)做完這件事了，就是這句：

query = {     'article_url': item['article_url'] } self.collection.update_one(query, {"$set": dict(item)}, upsert=True)

通過帖子的鏈接確定是否有數(shù)據(jù)爬取重復，如果重復可以理解為將其覆蓋，這樣也可以做到更新數(shù)據(jù)。

6、其他設置

像多線程、headers頭，管道傳輸順序等問題，都在settings.py文件中設置，具體可以參考小編的項目去看，這里不再贅述。

七、效果展示

1、點擊運行，結(jié)果顯示在控制臺，如下圖所示。

2、中間會一直向隊列中堆很多帖子的爬取任務，然后多線程處理，我設置的是16線程，速度還是很可觀的。

3、數(shù)據(jù)庫數(shù)據(jù)展示：

content_info中存放著每個帖子的全部留言以及相關用戶的公開信息。

到此，關于“怎么用Scrapy爬蟲框架爬取食品論壇數(shù)據(jù)并存入數(shù)據(jù)庫”的學習就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關知識，請繼續(xù)關注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>