建站
咨詢
售后
建站咨詢
新聞中心
背景：
我們提供的服務(wù)有：成都做網(wǎng)站、網(wǎng)站建設(shè)、微信公眾號(hào)開(kāi)發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認(rèn)證、榮昌ssl等。為上千多家企事業(yè)單位解決了網(wǎng)站和推廣的問(wèn)題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學(xué)管理、有技術(shù)的榮昌網(wǎng)站制作公司
PySpider：一個(gè)國(guó)人編寫(xiě)的強(qiáng)大的網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)并帶有強(qiáng)大的WebUI。采用Python語(yǔ)言編寫(xiě)，分布式架構(gòu)，支持多種數(shù)據(jù)庫(kù)后端，強(qiáng)大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項(xiàng)目管理器以及結(jié)果查看器。在線示例： http://demo.pyspider.org/
官方文檔： http://docs.pyspider.org/en/l...
Github : https://github.com/binux/pysp...
本文爬蟲(chóng)代碼 Github 地址：https://github.com/zhisheng17...
更多精彩文章可以在微信公眾號(hào)：猿blog 閱讀到，歡迎關(guān)注。
說(shuō)了這么多，我們還是來(lái)看正文吧!
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(méi)安裝的話，請(qǐng)看看我的前一篇文章，防止你也走彎路。
- Pyspider 框架學(xué)習(xí)時(shí)走過(guò)的一些坑
- HTTP 599: SSL certificate problem: unable to get local issuer certificate錯(cuò)誤
我所遇到的一些錯(cuò)誤：
首先，本爬蟲(chóng)目標(biāo)：使用 Pyspider 框架爬取 V2EX 網(wǎng)站的帖子中的問(wèn)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?yàn)楹髞?lái)爬取的時(shí)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(jué)得沒(méi)必要用到 Cookie，當(dāng)然如果你非得要登錄，那也很簡(jiǎn)單，簡(jiǎn)單地方法就是添加你登錄后的 cookie 了。
我們?cè)?https://www.v2ex.com/ 掃了一遍，發(fā)現(xiàn)并沒(méi)有一個(gè)列表能包含所有的帖子，只能退而求其次，通過(guò)抓取分類(lèi)下的所有的標(biāo)簽列表頁(yè)，來(lái)遍歷所有的帖子： https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... ***每個(gè)帖子的詳情地址是 (舉例)： https://www.v2ex.com/t/314683...
創(chuàng)建一個(gè)項(xiàng)目
在 pyspider 的 dashboard 的右下角，點(diǎn)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(yè)面，然后使用 callback 函數(shù)對(duì)結(jié)果進(jìn)行解析。
- @every) 修飾器，表示 on_start 每天會(huì)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(huì)報(bào) HTTP 599: SSL certificate problem: unable to get local issuer certificate錯(cuò)誤
首頁(yè)：
點(diǎn)擊綠色的 run 執(zhí)行，你會(huì)看到 follows 上面有一個(gè)紅色的 1，切換到 follows 面板，點(diǎn)擊綠色的播放按鈕：
第二張截圖一開(kāi)始是出現(xiàn)這個(gè)問(wèn)題了，解決辦法看前面寫(xiě)的文章，后來(lái)問(wèn)題就不再會(huì)出現(xiàn)了。
Tab 列表頁(yè) :
在 tab 列表頁(yè) 中，我們需要提取出所有的主題列表頁(yè) 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(yè)和 tab列表頁(yè)長(zhǎng)的并不一樣，在這里新建了一個(gè) callback 為 self.tab_page
- @config(age=10 24 60 * 60) 在這表示我們認(rèn)為 10 天內(nèi)頁(yè)面有效，不會(huì)再次進(jìn)行更新抓取
Go列表頁(yè) :
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(yè)(T):
你可以看到結(jié)果里面出現(xiàn)了一些reply的東西，對(duì)于這些我們是可以不需要的，我們可以去掉。
同時(shí)我們還需要讓他自己實(shí)現(xiàn)自動(dòng)翻頁(yè)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(shí)現(xiàn)自動(dòng)翻頁(yè)功能
去掉后的運(yùn)行截圖：
實(shí)現(xiàn)自動(dòng)翻頁(yè)后的截圖：
此時(shí)我們已經(jīng)可以匹配了所有的帖子的 url 了。
點(diǎn)擊每個(gè)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('h1').text()
- content = response.doc('div.topic_content').html().replace('"', '\\"')
- self.add_question(title, content) #插入數(shù)據(jù)庫(kù)
- return {
- "url": response.url,
- "title": title,
- "content": content,
- }
插入數(shù)據(jù)庫(kù)的話，需要我們?cè)谥岸x一個(gè)add_question函數(shù)。
- #連接數(shù)據(jù)庫(kù)
- 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(kù)的SQL語(yǔ)句
- print sql
- cursor.execute(sql)
- print cursor.lastrowid
- self.db.commit()
- except Exception, e:
- print e
- self.db.rollback()
查看爬蟲(chóng)運(yùn)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(chóng)的，人家就會(huì)把你的IP給封掉的
查看運(yùn)行工作
查看爬取下來(lái)的內(nèi)容
然后再本地?cái)?shù)據(jù)庫(kù)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(lái)了。
在開(kāi)頭我就告訴大家爬蟲(chóng)的代碼了，如果詳細(xì)的看看那個(gè)project，你就會(huì)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(huì)看到其他的爬蟲(chóng)代碼的了，如果你覺(jué)得不錯(cuò)可以給個(gè) Star，或者你也感興趣的話，你可以fork我的項(xiàng)目，和我一起學(xué)習(xí)，這個(gè)項(xiàng)目長(zhǎng)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('h1').text()
- content = response.doc('div.topic_content').html().replace('"', '\\"')
- self.add_question(title, content) #插入數(shù)據(jù)庫(kù)
- return {
- "url": response.url,
- "title": title,
- "content": content,
- }
本文標(biāo)題：Pyspider框架——Python爬蟲(chóng)實(shí)戰(zhàn)之爬取V2EX網(wǎng)站帖子
文章分享：http://www.5511xx.com/article/dpdgoog.html
