Scrapy爬虫实例教程（二）

本文将详细描述使用scrapy爬去左岸读书所有文章并存入本地MySql数据库中，文中所有操作都是建立在scrapy已经配置完毕，并且系统中已经安装了Mysql数据库（有权限操作数据库）。
为了避免读者混淆，这里也使用tutorial作为scrapy project名称（工程的名字可以有读者自己定制）。

1. 建立tutorial工程:

        scrapy startproject tutorial

2. 解析左岸文章结构:

        左岸读书为读者提供了一些优美文章，喜欢的读者可以自行订阅（在这里提博主打广告啦[不用谢^_^]）

　站中所有文章都以列表的形式列出，每篇文章链接都给出了文章摘要和相应的信息（如作者，发布时间，分类信息，阅读量等信息）在列表底端给出了下一个列表的链接，具体如下图所示
Scrapy爬虫实例教程（二）

点击相应的文章题目可以链接到具体的文章内容页面，读者可以自己实验试下，这里不再赘述。

3. 建立mysql数据库 : 建立mysql数据库 crawed

            (1)create database crawed;
            (2)use crawed;

在数据库中建立zreading数据表，这里我们要抓取文章标题，作者，文章发表日期，文章类别，文章标签，阅读量及文章内容，建立如下数据表

CREATE TABLE `zreading` (
  `title` varchar(100) NOT NULL,
  `author` varchar(50) NOT NULL,
  `pub_date` varchar(30) DEFAULT NULL,
  `types` varchar(50) DEFAULT NULL,
  `tags` varchar(50) DEFAULT NULL,
  `view_counts` varchar(20) DEFAULT '0',
  `content` text
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

4. 在items.py中编写需要抓取的内容

        items.py是爬虫根据用户兴趣定义爬去内容的文件，用户可以根据自己的需求，定义相应的class，爬虫在解析网页时根据解析规则生成item类对象
        这里根据我们步骤3中的数据类别建立如下类：

class TutorialItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
    title = scrapy.Field()
    author = scrapy.Field()
    pub_date = scrapy.Field()
    types = scrapy.Field()
    tags = scrapy.Field()
    view_count = scrapy.Field()
    content = scrapy.Field()

5. 编辑pipelines.py文件

        pipelines.py是设置抓取内容存储方式的文件，例如可以存储到mysql或是json文件中，读者可以根据自己实际需求选择相应的方式，本例中选择存储到mysql中。

from twisted.enterprise import adbapi
import MySQLdb
import MySQLdb.cursors
from scrapy.crawler import Settings as settings
class TutorialPipeline(object):

def __init__(self):
self.dbpool = adbapi.ConnectionPool('MySQLdb',host='127.0.0.1',db = 'crawed',user = 'root',passwd = 'xxx',charset='utf8')

'''
 The default pipeline invoke function
 '''
def process_item(self, item,spider):
            res = self.dbpool.runInteraction(self.insert_into_table,item)
return item

def insert_into_table(self,conn,item):
                conn.execute('insert into zreading(title,author,pub_date,types,tags,view_counts,content) values(%s,%s,%s,%s,%s,%s,%s)', (item['title'],item['author'],item['pub_date'],item['types'],item['tags'],item['view_count'],item['content']))

6. 在settings.py中设置pipeline

        当使用pipeline保存抓取内容时，需要设置相应的pipeline类，以便让系统知道根据什么方式进行存储，在settings.py中加入一下代码

ITEM_PIPELINES = {
'tutorial.pipelines.TutorialPipeline': 300,
}

7. 解析网页，抓取需要内容

 经过以上6步，所有的配置的工作已经结束，接下来，我们的重点就是如何从网页中解析出我们所需要的内容，在解析过程中需要借助一些开发插件，比如firefox的firebug，chrome的开发者工具，本例中使用chrome的开发工具。
 在这一步我们需要编写网页解析的具体逻辑-如何处理网页，得到我们所需的内容。在spiders目录下，新建zreading.py文件，然后定义zreadingCrawl爬虫（继承scrapy的BaseSpider即可）

class zreadingCrawl(BaseSpider):
     name = "zreading" # the name of spider
     allowed_domain = ['zreading.cn'] # allowed domain for spiders
     start_urls = [
'http://www.zreading.cn'  #the start url / the entrance of spider
     ]

具体的解析过程如下：

a. 首先解析左岸的文章列表，使用chrome的开发者工具，在文章标题处右击，点击检查，然后复制为xpath路径。在解析网页是就可以根据这个路径定位到你所需的内容，这里我们只是想获得文章的连接，所有我们只需要提取文章题目链接的

    href属性值即可，在文章目录页中，有两种我们需要的链接，一种是文章内容的链接，另一种则是文章列表的下一页，对于文章内容链接我们可以直接请求响应的URL，然后解析内容即可；而对于目录链接则可以从头解析（也即请求目录页然后进一步解析）。

    由上述可知，这是一个不断循环的过程，直至没有下一页为止。

b. 在解析的过程中，对于每次的解析内容，都需要进行处理，如在提取标题时，得到的内容前后包括很多空格，而且为了避免在数据库出现乱码，所有数据都编码成utf8。这里我们需要编写

c. 具体代码如下（在zreadingCrawl中添加如下函数）：

def parse(self,response):

if response.url.endswith('html'):    

            item = self.parsePaperContent(response)

else:
# get all the page links in list Page
            sel = Selector(response)            
            links = sel.xpath('//*[@id="content"]/article/header/h2/a/@href').extract()
for link in links:
yield Request(link,callback=self.parse)

# get the next page to visitr
            next_pages = sel.xpath('//*[@id="content"]/div/a[@class="next"]/@href').extract()
if len(next_pages) != 0:
yield Request(next_pages[0],callback=self.parse)
# record the list page

yield item

def parsePaperContent(self,response):
print "In parsse paper content function......"
# get the page number '5412.html'
# page_id = response.url.split('/')[-1].split('.')[0] ----- OK
        r  =re.match(r'\d+',response.url.split('/')[-1])
        page_id = r.group()
# instantie the item
        zding = TutorialItem()
        sel = Selector(response)
#add tilte
        title = sel.xpath("//div[@id='content']/article/header/h2/text()").extract()[0]
        s_title = title.encode("utf-8")
        zding['title'] = s_title.lstrip().rstrip()

#add pub_date
        pub_date = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[1]/text()').extract()[0]
        s_pub_date = pub_date.encode("utf8")
        zding['pub_date'] = s_pub_date.lstrip().rstrip()

#add author
        author = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[2]/a/text()').extract()[0]
        s_author = author.encode("utf8")
        zding['author'] = s_author.lstrip().rstrip()

#add tags including type and paper tags

        tags = sel.xpath('//*[@id="'+page_id+'"]/div[2]/a/text()').extract()
        tags = [s.encode('utf8') for s in tags]
        zding['types'] = tags[0]
        zding['tags'] = "+".join(tags[1:])

#add view count
        views = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[3]/text()').extract()[0]
        r = re.search(r'\d+',views)
        view_count = int(r.group())
        zding['view_count'] = view_count
#add content 
        content = sel.xpath('//*[@id="'+page_id+'"]/div[3]/p/text()').extract()
        zding['content'] = "\n".join(content)

#return the item 
return zding

8. 在命令行下运行

scrapy crawl zreading
在屏幕中会闪解析过的网页和解析得到的item，等运行完毕后查看数据库中的zreading表的内容，这里因为文章较长，不再单独贴图。

秒客网