Pyspider框架中Python如何爬取V2EX網(wǎng)站帖子

Pyspider框架中Python如何爬取V2EX網(wǎng)站帖子，針對這個問題，這篇文章詳細介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

背景：

PySpider：一個國人編寫的強大的網(wǎng)絡(luò)爬蟲系統(tǒng)并帶有強大的WebUI。采用Python語言編寫，分布式架構(gòu)，支持多種數(shù)據(jù)庫后端，強大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項目管理器以及結(jié)果查看器。

前提:

你已經(jīng)安裝好了Pyspider 和 MySQL-python(保存數(shù)據(jù))

如果你還沒安裝的話，請看看我的前一篇文章，防止你也走彎路。

• Pyspider 框架學(xué)習(xí)時走過的一些坑

• HTTP 599: SSL certificate problem: unable to get local issuer  certificate錯誤

我所遇到的一些錯誤：

首先，本爬蟲目標：使用 Pyspider 框架爬取 V2EX 網(wǎng)站的帖子中的問題和內(nèi)容，然后將爬取的數(shù)據(jù)保存在本地。

V2EX 中大部分的帖子查看是不需要登錄的，當(dāng)然也有些帖子是需要登陸后才能夠查看的。(因為后來爬取的時候發(fā)現(xiàn)一直 error  ，查看具體原因后才知道是需要登錄的才可以查看那些帖子的)所以我覺得沒必要用到 Cookie，當(dāng)然如果你非得要登錄，那也很簡單，簡單地方法就是添加你登錄后的  cookie 了。

我們在 https://www.v2ex.com/  掃了一遍，發(fā)現(xiàn)并沒有一個列表能包含所有的帖子，只能退而求其次，通過抓取分類下的所有的標簽列表頁，來遍歷所有的帖子：  https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... ***每個帖子的詳情地址是  (舉例)： https://www.v2ex.com/t/314683...

創(chuàng)建一個項目

在 pyspider 的 dashboard 的右下角，點擊 “Create” 按鈕

替換 on_start 函數(shù)的 self.crawl 的 URL：

@every(minutes=24 * 60)     def on_start(self):         self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)

• self.crawl 告訴 pyspider 抓取指定頁面，然后使用 callback 函數(shù)對結(jié)果進行解析。

• @every) 修飾器，表示 on_start 每天會執(zhí)行一次，這樣就能抓到***的帖子了。

• validate_cert=False 一定要這樣，否則會報 HTTP 599: SSL certificate problem: unable to  get local issuer certificate錯誤

首頁：

點擊綠色的 run 執(zhí)行，你會看到 follows 上面有一個紅色的 1，切換到 follows 面板，點擊綠色的播放按鈕：

第二張截圖一開始是出現(xiàn)這個問題了，解決辦法看前面寫的文章，后來問題就不再會出現(xiàn)了。

Tab 列表頁 :

在 tab 列表頁 中，我們需要提取出所有的主題列表頁 的 URL。你可能已經(jīng)發(fā)現(xiàn)了，sample handler 已經(jīng)提取了非常多大的 URL

代碼：

@config(age=10 * 24 * 60 * 60)     def index_page(self, response):         for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items():             self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)

• 由于帖子列表頁和 tab列表頁長的并不一樣，在這里新建了一個 callback 為 self.tab_page

• @config(age=10 24 60 * 60) 在這表示我們認為 10 天內(nèi)頁面有效，不會再次進行更新抓取

Go列表頁 :

代碼：

@config(age=10 * 24 * 60 * 60)  def tab_page(self, response):  for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items():  self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)

帖子詳情頁(T):

你可以看到結(jié)果里面出現(xiàn)了一些reply的東西，對于這些我們是可以不需要的，我們可以去掉。

同時我們還需要讓他自己實現(xiàn)自動翻頁功能。

代碼：

@config(age=10 * 24 * 60 * 60)     def board_page(self, response):         for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():             url = each.attr.href             if url.find('#reply')>0:                 url = url[0:url.find('#')]             self.crawl(url, callback=self.detail_page, validate_cert=False)         for each in response.doc('a.page_normal').items():             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #實現(xiàn)自動翻頁功能

去掉后的運行截圖：

實現(xiàn)自動翻頁后的截圖：

此時我們已經(jīng)可以匹配了所有的帖子的 url 了。

點擊每個帖子后面的按鈕就可以查看帖子具體詳情了。

代碼：

@config(priority=2)     def detail_page(self, response):         title = response.doc('h2').text()         content = response.doc('div.topic_content').html().replace('"', '\\"')         self.add_question(title, content)  #插入數(shù)據(jù)庫         return {             "url": response.url,             "title": title,             "content": content,         }

插入數(shù)據(jù)庫的話，需要我們在之前定義一個add_question函數(shù)。

#連接數(shù)據(jù)庫 def __init__(self):         self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8')      def add_question(self, title, content):         try:             cursor = self.db.cursor()             sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()');   #插入數(shù)據(jù)庫的SQL語句             print sql             cursor.execute(sql)             print cursor.lastrowid             self.db.commit()         except Exception, e:             print e             self.db.rollback()

查看爬蟲運行結(jié)果：

先debug下，再調(diào)成running。pyspider框架在windows下的bug

設(shè)置跑的速度，建議不要跑的太快，否則很容易被發(fā)現(xiàn)是爬蟲的，人家就會把你的IP給封掉的

查看運行工作

查看爬取下來的內(nèi)容

然后再本地數(shù)據(jù)庫GUI軟件上查詢下就可以看到數(shù)據(jù)已經(jīng)保存到本地了。

自己需要用的話就可以導(dǎo)入出來了。

在開頭我就告訴大家爬蟲的代碼了，如果詳細的看看那個project，你就會找到我上傳的爬取數(shù)據(jù)了。(僅供學(xué)習(xí)使用，切勿商用!)

當(dāng)然你還會看到其他的爬蟲代碼的了，如果你覺得不錯可以給個  Star，或者你也感興趣的話，你可以fork我的項目，和我一起學(xué)習(xí)，這個項目長期更新下去。

代碼：

# created by 10412 # !/usr/bin/env python # -*- encoding: utf-8 -*- # Created on 2016-10-20 20:43:00 # Project: V2EX  from pyspider.libs.base_handler import *  import re import random import MySQLdb  class Handler(BaseHandler):     crawl_config = {     }      def __init__(self):         self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8')      def add_question(self, title, content):         try:             cursor = self.db.cursor()             sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()');             print sql             cursor.execute(sql)             print cursor.lastrowid             self.db.commit()         except Exception, e:             print e             self.db.rollback()       @every(minutes=24 * 60)     def on_start(self):         self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)      @config(age=10 * 24 * 60 * 60)     def index_page(self, response):         for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items():             self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)       @config(age=10 * 24 * 60 * 60)     def tab_page(self, response):         for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items():             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)       @config(age=10 * 24 * 60 * 60)     def board_page(self, response):         for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items():             url = each.attr.href             if url.find('#reply')>0:                 url = url[0:url.find('#')]             self.crawl(url, callback=self.detail_page, validate_cert=False)         for each in response.doc('a.page_normal').items():             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)       @config(priority=2)     def detail_page(self, response):         title = response.doc('h2').text()         content = response.doc('div.topic_content').html().replace('"', '\\"')         self.add_question(title, content)  #插入數(shù)據(jù)庫         return {             "url": response.url,             "title": title,             "content": content,         }

關(guān)于Pyspider框架中Python如何爬取V2EX網(wǎng)站帖子問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識。