Scrapy斷點續(xù)爬實現(xiàn)抓取Yelp美食網(wǎng)站數(shù)據(jù)

Scrapy是一個非常強大的爬蟲框架,只需極少代碼便可應(yīng)付一個簡單爬蟲型檀。
但如果需要幾十萬幾百萬的數(shù)據(jù)量冗尤,中間一旦有中斷,重新爬取則太浪費時間。
本文介紹一種思路裂七,結(jié)合mysql皆看,實現(xiàn)斷點重爬的方式。

以國外美食網(wǎng)站Yelp為例背零,指定爬取香港的所有餐廳信息:餐廳名稱腰吟、地址、評價等信息徙瓶。

  1. 任務(wù)分析
    首先我們找到Y(jié)elp香港餐廳的列表頁面毛雇,這個頁面是我們的起始頁面,對我們有用的信息為:餐廳列表和跳轉(zhuǎn)頁碼倍啥。


    列表頁面展示餐廳列表

    餐廳列表和跳轉(zhuǎn)頁碼

    點擊進入餐廳的詳情頁面禾乘,可以看到基本信息和用戶評論,這里需要注意評論是區(qū)分語言的


    詳情頁面展示餐廳的詳情及用戶評論
  2. Scrapy項目結(jié)構(gòu)

.
├── README.md
└── yelp
    ├── __init__.py
    ├── scrapy.cfg
    └── yelp
        ├── __init__.py
        ├── items.py
        ├── middlewares.py
        ├── pipelines.py
        ├── settings.py
        └── spiders
            ├── YelpSpider.py
            └── __init__.py

這就是一個普通的Scrapy爬蟲的項目結(jié)構(gòu)虽缕,本文主要介紹如何實現(xiàn)斷點續(xù)爬始藕,所以如何獲取詳細字段內(nèi)容的方式可以直接查看源碼。

  1. 斷點續(xù)爬的實現(xiàn)

由于我們需要斷點續(xù)爬氮趋,那么就必須要在某一個時刻記錄當前的爬蟲狀態(tài)伍派,哪些頁面已經(jīng)爬過,哪些還沒有爬過剩胁。
我們將每一個需要爬取的頁面抽象為一個爬蟲任務(wù)诉植,從該頁面獲取數(shù)據(jù)完成則認為該任務(wù)完成。設(shè)計這個任務(wù)的數(shù)據(jù)結(jié)構(gòu):

class TaskBean(base):
    __tablename__ = 'yelp_tasks'
    id = Column(Integer, primary_key=True) # 任務(wù)ID
    city = Column(String(256), nullable=False)
    url = Column(String(1024), nullable=False) # 爬蟲任務(wù)的URL
    is_finished = Column(Boolean, default=False) # 標記該頁面是否已經(jīng)爬過
    parent_id = Column(Integer, default=-1) # 父任務(wù)的ID昵观,這樣所有任務(wù)形成一棵樹
    type = Column(Integer)  # 任務(wù)類型晾腔,1. 頁面列表任務(wù) 2. 餐廳詳情任務(wù) 3. 評論任務(wù)

    def to_dict(self):
        return {'task_id': self.id, 'city': self.city, 'url': self.url, 'is_finished': self.is_finished, 'type': self.type}

這個數(shù)據(jù)結(jié)構(gòu)中,我們定義了is_finished字段用來標記該任務(wù)是否已經(jīng)完成

    is_finished = Column(Boolean, default=False) # 標記該頁面是否已經(jīng)爬過

并且定義了三種類型的任務(wù)

  TASK_TYPE_LIST = 1 # 頁面列表任務(wù)
  TASK_TYPE_RESTAURANT = 2 # 餐廳詳情任務(wù)
  TASK_TYPE_REVIEW = 3 # 評論任務(wù)

OK,任務(wù)已經(jīng)定義完了,那怎么保存這個任務(wù)以及何時保存呢硫痰?

考慮到爬蟲任務(wù)隨時可能中斷,那么已爬取的數(shù)據(jù)可能隨之丟失剔应,我并沒有沒有用scrapy的pipeline和items來保存數(shù)據(jù)和任務(wù)進度,而是用了MySQL+sqlalchemy在同一個transaction中同時保存數(shù)據(jù)和任務(wù)進度语御。

下面的代碼以爬取餐廳列表為例

        if task.type == TASK_TYPE_LIST:  # Restaurant list page
            # Get page url links
            page_tasks = []
            for page_url in response.selector.xpath('//*[@id="wrap"]/div[3]/div[2]/div[2]/div/div[1]/div[1]/div/div[1]/div/div[2]/div/div/a/@href').extract():
                page_url = response.urljoin(page_url)
                if page_url not in self.all_urls:
                    page_task = TaskBean()
                    page_task.city = city
                    page_task.url = page_url
                    page_task.type = TASK_TYPE_LIST
                    page_tasks.append(page_task)
                    self.all_urls.add(page_url)

            # Get restaurant links
            restaurant_tasks = []
            for restaurant_section in response.selector.xpath('//*[@id="wrap"]/div[3]/div[2]/div[2]/div/div[1]/div[1]/div/ul/li/div/div/div/div/div[2]/div[1]'):
                # name = restaurant_section.xpath('div[1]/div[1]/div[1]/h3/a/@title').extract_first()
                if restaurant_section.xpath('div[1]/div[1]/div[1]/h3/span').extract():
                    continue
                url = response.urljoin(restaurant_section.xpath('div[1]/div[1]/div[1]/h3/a/@href').extract_first())
                if url not in self.all_urls:
                    restaurant_task = TaskBean()
                    restaurant_task.url = url
                    restaurant_task.city = city
                    restaurant_task.type = TASK_TYPE_RESTAURANT
                    restaurant_tasks.append(restaurant_task)
                    self.all_urls.add(url)

            # 最后添加頁面任務(wù)峻贮、餐廳詳情頁任務(wù)并將當前任務(wù)置位已完成,這些需要在同一個transaction中完成
            task.is_finished = True
            session.add(task)
            session.add_all(page_tasks)
            session.add_all(restaurant_tasks)
            session.commit()
  1. 隨機U-A反爬蟲設(shè)置

# Crawl responsibly by identifying yourself (and your website) on the user-agent
YELP_USER_AGENT = ["Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10",
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"]

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,
    'dianping.middlewares.DianpingUserAgentMiddleware': 400,
}
class YelpUserAgentMiddleware(UserAgentMiddleware):
    '''
    設(shè)置User-Agent
    '''

    def __init__(self, user_agent):
        self.user_agent = user_agent

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            user_agent=crawler.settings.get('YELP_USER_AGENT')
        )

    def process_request(self, request, spider):
        agent = random.choice(self.user_agent)
        request.headers['User-Agent'] = agent
  1. 完整代碼查看
    從GitHub下載完整代碼
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末应闯,一起剝皮案震驚了整個濱河市纤控,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌碉纺,老刑警劉巖嚼黔,帶你破解...
    沈念sama閱讀 216,372評論 6 498
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件细层,死亡現(xiàn)場離奇詭異惜辑,居然都是意外死亡唬涧,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,368評論 3 392
  • 文/潘曉璐 我一進店門盛撑,熙熙樓的掌柜王于貴愁眉苦臉地迎上來碎节,“玉大人,你說我怎么就攤上這事抵卫∈ɡ螅” “怎么了?”我有些...
    開封第一講書人閱讀 162,415評論 0 353
  • 文/不壞的土叔 我叫張陵介粘,是天一觀的道長殖氏。 經(jīng)常有香客問我,道長姻采,這世上最難降的妖魔是什么雅采? 我笑而不...
    開封第一講書人閱讀 58,157評論 1 292
  • 正文 為了忘掉前任,我火速辦了婚禮慨亲,結(jié)果婚禮上婚瓜,老公的妹妹穿的比我還像新娘。我一直安慰自己刑棵,他們只是感情好巴刻,可當我...
    茶點故事閱讀 67,171評論 6 388
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著蛉签,像睡著了一般胡陪。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上碍舍,一...
    開封第一講書人閱讀 51,125評論 1 297
  • 那天柠座,我揣著相機與錄音,去河邊找鬼乒验。 笑死愚隧,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的锻全。 我是一名探鬼主播狂塘,決...
    沈念sama閱讀 40,028評論 3 417
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼鳄厌!你這毒婦竟也來了荞胡?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 38,887評論 0 274
  • 序言:老撾萬榮一對情侶失蹤了嚎,失蹤者是張志新(化名)和其女友劉穎泪漂,沒想到半個月后廊营,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,310評論 1 310
  • 正文 獨居荒郊野嶺守林人離奇死亡萝勤,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,533評論 2 332
  • 正文 我和宋清朗相戀三年露筒,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片敌卓。...
    茶點故事閱讀 39,690評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡慎式,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出趟径,到底是詐尸還是另有隱情瘪吏,我是刑警寧澤,帶...
    沈念sama閱讀 35,411評論 5 343
  • 正文 年R本政府宣布蜗巧,位于F島的核電站掌眠,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏幕屹。R本人自食惡果不足惜蓝丙,卻給世界環(huán)境...
    茶點故事閱讀 41,004評論 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望香嗓。 院中可真熱鬧迅腔,春花似錦、人聲如沸靠娱。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,659評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽像云。三九已至锌雀,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間迅诬,已是汗流浹背腋逆。 一陣腳步聲響...
    開封第一講書人閱讀 32,812評論 1 268
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留侈贷,地道東北人惩歉。 一個月前我還...
    沈念sama閱讀 47,693評論 2 368
  • 正文 我出身青樓,卻偏偏與公主長得像俏蛮,于是被迫代替她去往敵國和親撑蚌。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,577評論 2 353

推薦閱讀更多精彩內(nèi)容