起点爬虫-scrapy实践

通过这几个月以来对爬虫的基础库的研究和使用之后,个人觉得已经可以进一步拓展技能深度,学习当今流行的开源爬虫框架。当然,前期的调研工作需要做好,即了解下目前市场上的主流爬虫框架。

经过初步搜索,市面上流行的主要就Scrapy和Pyspider这两个框架,考虑到框架自身的知识深度以及将来分布式爬虫的开发与研究,我决定从scrapy入手,毕竟其具有高度的可定制性和可拓展性。

众所周知,scrapy主要由5个核心组件构成分别是 Engine,Scheduler,Downloader,Spider和Item Pipeline,此外还有两大中间件:Downloader middleware和Spider middlewares。

此处就不涉及scrapy的具体机制了,强烈推荐大家一篇解析scrapy代码的好文章,作者从架构概览,运行入口,核心组件初始化和核心抓取流程这四个方向入手,向我们详细解说了scrapy的运行机制。网址如下:

http://kaito-kidd.com/2016/11/01/scrapy-code-analyze-architecture/

好了,直奔主题,本次我们分享的是起点小说网的爬虫。
item定义如下:

import scrapy

class QidianItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field()
    book_id = scrapy.Field()
    book_type = scrapy.Field()
    book_sub_type = scrapy.Field()
    book_name = scrapy.Field()
    book_url = scrapy.Field()
    total_words = scrapy.Field()
    click_count = scrapy.Field()
    recommand_count = scrapy.Field()
    book_status = scrapy.Field()
    rank_score = scrapy.Field()
    rank_ppl_involved = scrapy.Field()
    last_upload_date = scrapy.Field()

Spider:

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Selector
from qidian.items import QidianItem
from urllib.parse import urlencode
import json

class QidianSpider(scrapy.Spider):
    name = 'Qidian'
    allowed_domain=['www.qidian.com',
                    'book.qidian.com']
    

    def start_requests(self):
        urls = 'https://www.qidian.com/all?'
#        print('request start')
#        url = 'https://www.qidian.com/all?chanId=21&orderId=&page=1&style=2&pageSize=50&siteid=1&pubflag=0&hiddenField=0'
        request_body= self.settings.getdict('DEFAULT_PARAM')
        for chanid in self.settings.getdict('CHANIDLIST').values():
            request_body['chanId']= chanid
            for page in range(1,20):
                request_body['page']=page
                url = 'https://www.qidian.com/all?'+urlencode(request_body)
                yield scrapy.Request(url,dont_filter=True)

    def parse(self,response):
        bot = Selector(response)
        csrfToken = self.get_cookies('_csrfToken',response)
        contents = bot.xpath('//tbody/tr')
        for content in contents:
            item = QidianItem()
            item['book_type'] = content.xpath('td[1]/a[1]/text()').extract_first()
            item['book_sub_type'] = content.xpath('td[1]/a[2]/text()').extract_first()
            item['book_name']= content.xpath('td[2]/a[1]/text()').extract_first()
            item['book_url'] = 'https:' + content.xpath('td[2]/a[1]/@href').extract_first()
            item['total_words'] = content.xpath('td[4]/span/text()').extract_first()
            item['author'] = content.xpath('td[5]/a/text()').extract_first()
            item['last_upload_date'] = content.xpath('td[6]/text()').extract_first()
            yield scrapy.Request(item['book_url'],meta={'item':item,'csrfToken':csrfToken},
                            callback=self.parse_detail)


    def parse_detail(self,response):
        bot = Selector(response)
        item = response.meta['item']
        item['book_status'] = bot.xpath("//div/p/span[@class='blue'][1]/text()").extract_first()
        click_content=bot.xpath('normalize-space(//div[2]/p[3])').extract_first()
        item['click_count'] = click_content.split('|')[1].split('·')[0]
        item['recommand_count'] = click_content.split('|')[2].split('·')[0]
        item['book_id'] = item['book_url'].split('/')[-1]
        detail_params = self.settings.getdict('DEFAULT_COMEMENT_PARM')
        detail_params['_csrfToken'] = response.meta['csrfToken']
        detail_params['bookId']= item['book_id']
        next_url = self.settings.get('COMMENTS_URL')+urlencode(detail_params)
        yield scrapy.Request(next_url,meta={'item':item},callback=self.parse_rank)


    def get_cookies(self,cookie_key,response):
        cookie_list = response.headers.getlist('Set-Cookie')[0].decode('utf-8').split(';')
        for cookie in cookie_list:
            if cookie_key in cookie:
                return cookie.strip().split('=')[-1]
        self.logger.info('ERORR:Cookie not found!! KEY is {}'.format(cookie_key))
        return ''


    def parse_rank(self,response):
        jsondata = json.loads(response.text)
        item = response.meta['item']
        item['rank_score'] = jsondata['data']['rate']
        item['rank_ppl_involved'] = jsondata['data']['userCount']
        yield item
    

还有其他代码,涉及到数据库的写入和简单的数据清洗,由于篇幅限制,此处不再贴出,请大家移步我的github,里面有具体的代码,网址如下:

https://github.com/xiaxia47/qidian

文章虽然已告一段落,但是这个爬虫还有需要改进的地方,比如说middleware中貌似random-user-agent的功能并没有被调用,还有ajax异步接口这边的middleware也没有起作用,另外爬虫的效率有待提升。接下来一段时间我的目标就是继续优化这个起点爬虫,使之更高效,更简洁,同时往分布式发展。

最后以我最爱的一句短语结束,极致优雅,极致简洁!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 230,321评论 6 543
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 99,559评论 3 429
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 178,442评论 0 383
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 63,835评论 1 317
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 72,581评论 6 412
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 55,922评论 1 328
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 43,931评论 3 447
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 43,096评论 0 290
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 49,639评论 1 336
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 41,374评论 3 358
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 43,591评论 1 374
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 39,104评论 5 364
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 44,789评论 3 349
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 35,196评论 0 28
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 36,524评论 1 295
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 52,322评论 3 400
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 48,554评论 2 379

推荐阅读更多精彩内容