怎么使用Python Scrap框架爬取某食品論壇數(shù)據(jù)

本篇內容主要講解“怎么使用Python Scrap框架爬取某食品論壇數(shù)據(jù)”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么使用Python Scrap框架爬取某食品論壇數(shù)據(jù)”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。

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

本次介紹的項目其實不用想得太過復雜，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

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)站的結構

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)站的層級結構，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了解了，然后是層級結構：

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', '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)
m

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。

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，相信大家對“怎么使用Python Scrap框架爬取某食品論壇數(shù)據(jù)”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續(xù)學習！