Python3[爬蟲(chóng)實(shí)戰(zhàn)] 爬蟲(chóng)之scrapy爬取愛(ài)上程序網(wǎng)存MongoDB(android模塊)

愛(ài)上程序網(wǎng)

http://www.aichengxu.com/android

緣由:這個(gè)網(wǎng)站是在工作中谷歌找問(wèn)題找出來(lái)的休雌,然后發(fā)現(xiàn)里面的文章挺多的俗或, 畢竟自己平時(shí)比較喜歡看技術(shù)文章末贾,什么都想懂,什么都懂得不深入,這不荠呐,想要轉(zhuǎn)爬蟲(chóng)工作的竖独,現(xiàn)在還在繼續(xù)android開(kāi)發(fā)中裤唠。。

廢話不多說(shuō)预鬓。

來(lái)個(gè)數(shù)據(jù)庫(kù)的結(jié)果:


這里寫(xiě)圖片描述

為什么暫時(shí)是這些呢巧骚?因?yàn)橛玫难h(huán)用了10000次,可能還會(huì)多格二,數(shù)據(jù)爬取到了2013年了劈彪,想必這個(gè)網(wǎng)站確實(shí)是建站比較久了,可能遍歷的話還會(huì)有更多吧顶猜。在第二次爬取數(shù)據(jù)的時(shí)候一共爬取了24萬(wàn)左右的數(shù)據(jù)沧奴,可能還有多吧。

這里總結(jié)一下經(jīng)驗(yàn):
之前在pycharm中直接在文件夾中進(jìn)行寫(xiě)scrapy工程導(dǎo)入模塊一直出錯(cuò)长窄,原因是導(dǎo)入不進(jìn)去滔吠。可以看以下截圖對(duì)比:

這里寫(xiě)圖片描述

可以看出來(lái)下面那個(gè)項(xiàng)目在工程中沒(méi)有變黑挠日,所以在spider中導(dǎo)入items里面的類疮绷,是一直導(dǎo)入報(bào)錯(cuò)的,說(shuō)是no module named ‘’xxx‘’

解決方法:

需要我們?cè)趂ile菜單欄中重新open嚣潜。冬骚。然后導(dǎo)入該項(xiàng)目,再關(guān)聯(lián)到該工程中懂算,add xxx的 然后項(xiàng)目就變成黑色了只冻, 這樣子導(dǎo)包就正常了。

抓取的數(shù)據(jù)主要是:

閱讀量计技,標(biāo)題喜德,標(biāo)題鏈接(內(nèi)容詳情頁(yè)),內(nèi)容垮媒,時(shí)間


這里寫(xiě)圖片描述

使用scrapy 進(jìn)行數(shù)據(jù)的爬取舍悯,在parse()方法中用的還不是很熟練航棱,一邊調(diào),一邊用把贱呐。

步驟一:
settings文件的配置:
# -*- coding: utf-8 -*-

# Scrapy settings for aichengxu project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     http://doc.scrapy.org/en/latest/topics/settings.html
#     http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#     http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'aichengxu'

SPIDER_MODULES = ['aichengxu.spiders']
NEWSPIDER_MODULE = 'aichengxu.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT = 'aichengxu (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
# CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
# CONCURRENT_REQUESTS_PER_DOMAIN = 16
# CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
# COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
# TELNETCONSOLE_ENABLED = False

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Language': 'zh-CN,zh;q=0.8',
    'Cache-Control': 'max-age=0',
    'Connection': 'keep-alive',
    'Cookie': 'ras=24656333; cids_AC31=24656333',
    'Host': 'www.aichengxu.com',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.75 Safari/537.36',
}

# 配置mongoDB
MONGO_HOST = "127.0.0.1"  # 主機(jī)IP
MONGO_PORT = 27017  # 端口號(hào)
MONGO_DB = "aichengxu2"  # 庫(kù)名
MONGO_COLL = "ai_chengxu"  # collection

# Enable or disable spider middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
# SPIDER_MIDDLEWARES = {
#    'aichengxu.middlewares.AichengxuSpiderMiddleware': 543,
# }

# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
# DOWNLOADER_MIDDLEWARES = {
#    'aichengxu.middlewares.MyCustomDownloaderMiddleware': 543,
#     'aichengxu.middlewares.MyCustomDownloaderMiddleware': 543,
#     'aichengxu.middlewares.MyCustomDownloaderMiddleware': 543,
# }

# Enable or disable extensions
# See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
# EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
# }

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'aichengxu.pipelines.AichengxuPipeline': 300,
    'aichengxu.pipelines.DuoDuoMongo': 300,
    'aichengxu.pipelines.JsonWritePipline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See http://doc.scrapy.org/en/latest/topics/autothrottle.html
# AUTOTHROTTLE_ENABLED = True
# The initial download delay
# AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
# AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
# AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
# AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
# HTTPCACHE_ENABLED = True
# HTTPCACHE_EXPIRATION_SECS = 0
# HTTPCACHE_DIR = 'httpcache'
# HTTPCACHE_IGNORE_HTTP_CODES = []
# HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

當(dāng)然有用的也就那幾個(gè)沒(méi)有注釋掉的丧诺,這是一種習(xí)慣吧,不然后面有時(shí)候都在想為什么scrapy沒(méi)有跑起來(lái)奄薇,或者直接報(bào)錯(cuò)驳阎,呵呵。

步驟二:

進(jìn)行items里面的定義:
# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class AichengxuItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

class androidItem(scrapy.Item):
    # 閱讀量
    count = scrapy.Field()
    # 標(biāo)題
    title = scrapy.Field()
    # 鏈接
    titleLink = scrapy.Field()
    # 描述
    desc = scrapy.Field()
    # 時(shí)間
    time = scrapy.Field()

步驟三:

spiders里面的代碼編寫(xiě)
# -*- coding: utf-8 -*-
# @Time    : 2017/8/25 21:54
# @Author  : 蛇崽
# @Email   : 17193337679@163.com
# @File    : aichengxuspider.py 愛(ài)程序網(wǎng) www.aichengxu.com

import scrapy
from aichengxu.items import androidItem
import logging
class aiChengxu(scrapy.Spider):

    name = 'aichengxu'

    allowed_domains = ['www.aichengxu.com']

    start_urls = ["http://www.aichengxu.com/android/{}/".format(n) for n in range(1,10000)]

    def parse(self, response):
        node_list = response.xpath("http://*[@class='item-box']")
        print('nodelist',node_list)
        for node in node_list:
            android_item = androidItem()
            count = node.xpath("./div[@class='views']/text()").extract()
            title_link = node.xpath("./div[@class='bd']/h3/a/@href").extract()
            title = node.xpath("./div[@class='bd']/h3/a/text()").extract()
            desc = node.xpath("./div[@class='bd']/div[@class='desc']/text()").extract()
            time = node.xpath("./div[@class='bd']/div[@class='item-source']/span[2]").extract()
            print(count,title,title_link,desc,time)
            android_item['title'] = title
            android_item['titleLink'] = title_link
            android_item['desc'] = desc
            android_item['count'] = count
            android_item['time'] = time
            yield android_item

這里對(duì)yield這個(gè)關(guān)鍵字說(shuō)一下自己的看法:就是返回該條目馁蒂,并繼續(xù)執(zhí)行下一個(gè)任務(wù)呵晚,或者說(shuō),把item返回去沫屡,然后繼續(xù)下一條爬蟲(chóng)吧饵隙。

步驟四:

piplines代碼:
# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json

import pymongo
from scrapy.conf import settings

class AichengxuPipeline(object):
    def process_item(self, item, spider):
        return item
class DuoDuoMongo(object):
    def __init__(self):
        self.client = pymongo.MongoClient(host=settings['MONGO_HOST'], port=settings['MONGO_PORT'])
        self.db = self.client[settings['MONGO_DB']]
        self.post = self.db[settings['MONGO_COLL']]

    def process_item(self, item, spider):
        postItem = dict(item)
        self.post.insert(postItem)
        return item

# 寫(xiě)入json文件
class JsonWritePipline(object):
    def __init__(self):
        self.file = open('愛(ài)上程序網(wǎng)2.json','w',encoding='utf-8')

    def process_item(self,item,spider):
        line  = json.dumps(dict(item),ensure_ascii=False)+"\n"
        self.file.write(line)
        return item

    def spider_closed(self,spider):
        self.file.close()

這里主要寫(xiě)了兩種類型的存儲(chǔ),一個(gè)是mogodb沮脖,一個(gè)是json文件的存儲(chǔ)

這樣金矛,代碼就爬完了,然后就這樣子結(jié)束了勺届,代碼久了不寫(xiě)驶俊,生疏了許多。

有一個(gè)疑問(wèn):這里爬取了24萬(wàn)的數(shù)據(jù)免姿,沒(méi)有在中途因?yàn)閏ookie或者代理的原因被靜止饼酿,可能在settings里面設(shè)置了請(qǐng)求頭的緣故吧,DEFAULT_REQUEST_HEADERS

再說(shuō)一下這個(gè)網(wǎng)站為什么自己為什么想爬胚膊,總感覺(jué)自己對(duì)技術(shù)驅(qū)動(dòng)性很強(qiáng)吧故俐,當(dāng)然啦,android并不是我最喜歡的吧紊婉,可能或者有些畏懼它药版,android適配很惡心的。機(jī)型喻犁,屏幕什么的槽片。

這個(gè)網(wǎng)站還有很多其他條目:


這里寫(xiě)圖片描述

如果全部爬取下來(lái),老實(shí)說(shuō)株汉,我沒(méi)有進(jìn)行爬取過(guò)筐乳,有想法的小伙伴可是試一試歌殃,最后把代碼上傳到我的github上:

我的github

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末乔妈,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子氓皱,更是在濱河造成了極大的恐慌路召,老刑警劉巖勃刨,帶你破解...
    沈念sama閱讀 211,123評(píng)論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異股淡,居然都是意外死亡身隐,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,031評(píng)論 2 384
  • 文/潘曉璐 我一進(jìn)店門(mén)唯灵,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)贾铝,“玉大人,你說(shuō)我怎么就攤上這事埠帕」缚” “怎么了?”我有些...
    開(kāi)封第一講書(shū)人閱讀 156,723評(píng)論 0 345
  • 文/不壞的土叔 我叫張陵敛瓷,是天一觀的道長(zhǎng)叁巨。 經(jīng)常有香客問(wèn)我,道長(zhǎng)呐籽,這世上最難降的妖魔是什么锋勺? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,357評(píng)論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮狡蝶,結(jié)果婚禮上庶橱,老公的妹妹穿的比我還像新娘。我一直安慰自己牢酵,他們只是感情好悬包,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,412評(píng)論 5 384
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著馍乙,像睡著了一般布近。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上丝格,一...
    開(kāi)封第一講書(shū)人閱讀 49,760評(píng)論 1 289
  • 那天设联,我揣著相機(jī)與錄音,去河邊找鬼凳宙。 笑死破喻,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的曼尊。 我是一名探鬼主播酬诀,決...
    沈念sama閱讀 38,904評(píng)論 3 405
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼骆撇!你這毒婦竟也來(lái)了瞒御?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 37,672評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤神郊,失蹤者是張志新(化名)和其女友劉穎肴裙,沒(méi)想到半個(gè)月后趾唱,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,118評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡蜻懦,尸身上長(zhǎng)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(diǎn)故事閱讀 36,456評(píng)論 2 325
  • 正文 我和宋清朗相戀三年甜癞,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)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宛乃。...
    茶點(diǎn)故事閱讀 38,599評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡悠咱,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出征炼,到底是詐尸還是另有隱情乔煞,我是刑警寧澤,帶...
    沈念sama閱讀 34,264評(píng)論 4 328
  • 正文 年R本政府宣布柒室,位于F島的核電站渡贾,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏雄右。R本人自食惡果不足惜空骚,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,857評(píng)論 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望擂仍。 院中可真熱鬧囤屹,春花似錦、人聲如沸逢渔。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,731評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)肃廓。三九已至智厌,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間盲赊,已是汗流浹背铣鹏。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,956評(píng)論 1 264
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留哀蘑,地道東北人诚卸。 一個(gè)月前我還...
    沈念sama閱讀 46,286評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像绘迁,于是被迫代替她去往敵國(guó)和親合溺。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,465評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容