(3)分布式下的爬虫Scrapy应该如何做-递归爬取方式，数据输出方式以及数据库链接

  放假这段时间好好的思考了一下关于Scrapy的一些常用操作，主要解决了三个问题：

  1.如何连续爬取

  2.数据输出方式

  3.数据库链接

 

一，如何连续爬取：

 

   思考：要达到连续爬取，逻辑上无非从以下的方向着手

   1)预加载需要爬取的列表，直接到这个列表都处理完，相应的爬取工作都已经完成了。

   2)从第一页开始爬取，遇到有下一页标签的，那继续爬取，如果没有下一页类似的标签，那表示已经爬到最后一页

   3)分析当前页面的所有链接，对于链接符合某种特定规则的，继续爬取，如果没有那表示爬取工作完成(此时需要建立已经爬取列表，防止重复操作)

 

   一般会于定向的爬虫，比如爬取某宝或者某东的数据时，可以采用方式一，二，写好规则就可以了，也方便维护。

   1.1对于预加载的列表，那根据需要生成列表就可以了。

   在start_urls 里面生成相应的列表就可以，这里引入一个概念，列表推导式。

   我们将代码变换成如下：

   

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from cnblogs.items import CnblogsItem

class CnblogsSpider(BaseSpider):
    name = "cnblogs"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'http://www.cnblogs.com/#p%s' % p for p in xrange(1, 11)
        ]

    def parse(self, response):
        self.log("Fetch douban homepage page: %s" % response.url)
        hxs = HtmlXPathSelector(response)

        # authors = hxs.select('//a[@class="titlelnk"]')

        items = hxs.select('//a[contains(@class, "titlelnk")]')

        listitems = []

        for author in items:
            # print author.select('text()').extract()
            item = CnblogsItem()
            # property
            item['Title'] = ''.join(author.select('text()').extract())
            item['TitleUrl'] = author.select('@href').extract()
            listitems.append(item)

        return listitems

在这里，start_urls里面使用列表推导式，爬出了一共10页的数据。

1.2对于爬取下一页实现全趴取的过程，就需要使用yield关键字

我们就虫师的博客来进行测试实验：

http://www.cnblogs.com/fnng/default.aspx?page=1

 

这里介绍一个scrapy 一个非常有用的技巧，scrapy shell ，因为使用 xpath 可以帮助我们调试xpath语法(或者使用firebug又或者是chrome都可以)

语法：scrapy shell http://你要调试xpath的网址

 

这里我就不继续讲xpath的语法了，自己去搜一下，相比正则要相对简单好理解。

 

相应的Spider可以这样编写：

 

# -*- coding: utf-8 -*-
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector
from cnblogs.items import CnblogsItem
from scrapy.http import Request
from scrapy import log
# please pay attention to the encoding of info,otherwise raise error of decode 
import sys
reload(sys)
sys.setdefaultencoding('utf8')

class BlogsSpider(BaseSpider):
    name = "cnblogs_blogs"
    allowed_domains = ["cnblogs.com"]
    start_urls = [
        'http://www.cnblogs.com/fnng/default.aspx?page=1'
        ]

    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        # authors = hxs.select('//a[@class="titlelnk"]')
        # sel.xpath('//a[@class="PostTitle"]').xpath('text()')
        items = hxs.select('//a[@class="PostTitle"]')
        a_page = hxs.select('//div[@id="pager"]/a')
        for a_item in items:
            item = CnblogsItem()
            # property
            item['Title'] = ''.join(a_item.xpath('text()').extract())
            item['TitleUrl'] = a_item.xpath('@href').extract()
            yield item

        # get the page index
        log.msg(len(a_page))
        if len(a_page) > 0:
            for a_item in a_page:
                page_text = ''.join(a_item.xpath('text()').extract())
                if page_text == '下一页'.encode('utf-8') or 'Next' in page_text:
                    next_url = ''.join(a_item.xpath('@href').extract())
                    log.msg(next_url)
                    yield Request(next_url, callback=self.parse)
                    break

 

我们来运行看看效果如何:

 

所有的数据完整，效果还是不错的。

关于第三种，以规则来规划爬虫的机制，在以后会介绍 :)

 

二，数据输出的方式：

 

   上面的scrapy命令是：scrapy crawl cnblogs_blogs --nolog -o cnblogs_blogs.json -t json

   那结果输出的就是json格式的文件,-t 指的是输出文件格式，json ，-t 支持下列参数：    

   xml
   csv
   json
   jsonlines
   jl
   pickle
   marshal

   一般选择xml ,csv,json三种格式就够了，这样可以很方便的导入各种数据库。

   更多的参考：http://doc.scrapy.org/en/latest/topics/feed-exports.html 

三，数据库连接：

 

   数据保存为文件的形式然后导入是一个不错的选择，不过一般都会有一定的IO开销，一般可以将Item直接保存到数据库中，这个时候就要引入pipelines这个部件了。

   在我们项目的根目录下有一个名为:pipelines.py文件，我们在设置里面首先启用这个文件，在启用之后，spider得到的item都会传入到这个部件中进行二次处理，

   3.1在settings.py中启用pipelines

   

?

1 2 3

ITEM_PIPELINES = {     'cnblogs.pipelines.CnblogsPipelineobj': 300, }

   注意命名方式：botname.moudlename.classname 要不然会找不到指定的模块。

   3.2 编写pipelines

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

# -*- coding: utf-8 -*-     import MySQLdb import MySQLdb.cursors import logging from twisted.enterprise import adbapi   class CnblogsPipelineobj(object):     def __init__(self):         self.dbpool = adbapi.ConnectionPool(                 dbapiName ='MySQLdb',                 host ='127.0.0.1',                 db = 'cnblogs',                 user = 'root',                 passwd = '密码',                 cursorclass = MySQLdb.cursors.DictCursor,                 charset = 'utf8',                 use_unicode = False         )       # pipeline dafault function     def process_item(self, item, spider):         query = self.dbpool.runInteraction(self._conditional_insert, item)         logging.debug(query)         return item         # insert the data to databases     def _conditional_insert(self, tx, item):         parms = (item['Title'], item['TitleUrl'])         sql = "insert into blogs values('%s','%s') " % parms         #logging.debug(sql)         tx.execute(sql)

　　

OK.运行一下看一下效果如何

 

 

 

中文数据得以保存，OK

 

总结：本次主要多三个方向来解决连续爬取文章内容，并将获得内容保存的问题，不过文中主要介绍的，还是以定向为基础的爬取，和以规则来构建的爬虫还是有区别，下篇文章将介绍。