第八篇 编写spider爬取jobbole的所有文章

 

通过scrapy的Request和parse，我们能很容易的爬取所有列表页的文章信息。

PS:parse.urljoin（response.url，post_url）的方法有个好处,如果post_url是完整的域名，则不会拼接response.url的主域名，如果不是完整的，则会进行拼接

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request
#这个是python3中的叫法，python2中是直接import urlparse
from urllib import parse

class JobboleSpider(scrapy.Spider):
    # 爬虫名字
    name = 'jobbole'
    # 运行爬取的域名
    allowed_domains = ['blog.jobbole.com']
    # 开始爬取的URL
    start_urls = ['http://blog.jobbole.com/tag/linux/']
    #start_urls = ['https://javbooks.com/content_censored/169018.htm']

    def parse(self,response):
        """
        获取文章列表页url
        :param response:
        :return:
        """
        blog_url = response.css(".floated-thumb .post-meta .read-more a::attr(href)").extract()
        for post_url in blog_url:
            #scrapy内置了根据url来调用“页面爬取模块”的方法Resquest,入参有访问的url和回调函数
            yield Request(url=parse.urljoin(response.url,post_url),callback=self.parse_detail)
            #由于伯乐在线的文章列表页里的href的域名是全称”http://blog.jobbole.com/112535/“
            #但存在href只记录112535的情况，这时候需要拼接出完整的url，可以使用urllib库的parse函数
            #Request(url=parse.urljoin(response.url,post_url),callback=self.parse_detail)
            print(post_url)
            #下一页url
            next_url = response.css(".next.page-numbers::attr(href)").extract_first()
            if next_url:
                yield Request(url=parse.urljoin(response.url,next_url),callback=self.parse)

    def parse_detail(self, response):
        """
        获取文章详情页
        :param response:
        :return:
        """
        ret_str = response.xpath('//*[@class="dht_dl_date_content"]')
        title = response.css("div.entry-header h1::text").extract_first()
        create_date = response.css("p.entry-meta-hide-on-mobile::text").extract_first().strip().replace("·", "").strip()
        content = response.xpath("//*[@id='post-112239']/div[3]/div[3]/p[1]")

 

Items

主要目标是从非结构化来源（通常是网页）提取结构化数据。Scrapy爬虫可以将提取的数据作为Python语句返回。虽然方便和熟悉，Python dicts缺乏结构：很容易在字段名称中输入错误或返回不一致的数据，特别是在与许多爬虫的大项目。

要定义公共输出数据格式，Scrapy提供Item类。 Item对象是用于收集所抓取的数据的简单容器。它们提供了一个类似字典的 API，具有用于声明其可用字段的方便的语法。

各种Scrapy组件使用项目提供的额外信息：导出器查看声明的字段以计算要导出的列，序列化可以使用项字段元数据trackref 定制，跟踪项实例以帮助查找内存泄漏（请参阅使用trackref调试内存泄漏）等。

# -*- 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 ArticlespiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

class JoBoleArticleItem(scrapy.Item):
    #标题
    title = scrapy.Field()
    #创建日期
    create_date  = scrapy.Field()
    #文章url
    url = scrapy.Field()
    #url是长度不定的，可以转换成固定长度的md5
    url_object_id = scrapy.Field()
    #图片url
    front_image_url = scrapy.Field()
    #图片路径url
    front_image_path = scrapy.Field()
    #点赞数
    praise_num = scrapy.Field()
    #评论数
    comment_num = scrapy.Field()
    #收藏数
    fav_num = scrapy.Field()
    #标签
    tags = scrapy.Field()
    #内容
    content = scrapy.Field()

scrapy内置了文件下载、图片下载等方法，可以通过scrapy源码文件查看有哪些：

PS：scrapy存储数据的配置文件是在project目录下的pipelines.py中，而查看内置了哪些下载的类，也在源码的pipelines目录里，如下图所示：

 

接着在settings.py里配置，在ITEM_PIPELINES字典里配置上这个类，这个字典是scrapy自带的，默认在settings里是注释掉的，后面的数字表示优先级，数值越小，调用时优先级越高。接着配置图片的Item字段

IMAGES_URLS_FIELD = 'front_image_url'

IMAGES_URLS_FIELD是固定写法，front_image_url是item名称

IMAGEs_STORE指定图片存放路径

PS：python保存图片时，需要先安装一个库：pillow

上面的图片保存下来后，发现scrapy会自动给图片命名，如果不想使用这种名称，比如想使用文章的路径名，那可以在pipeline.py文件里进行自定义。

 

# -*- 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
from scrapy.pipelines.images import ImagesPipeline

class ArticlespiderPipeline(object):
    def process_item(self, item, spider):
        return item

#进行图片下载定制，可以通过继承scrapy内置的imagespipeline来重载某些功能
class ArticleImagePipeline(ImagesPipeline):
    #通过查看ImagesPipeline类可以了解是由下面这方法图片命名
    def item_completed(self, results, item, info):
        pass

上面这个item_completed方法是ImagePipeline里的，这里我们需要对它进行重载，但是关于里面的入参，可以通过pycharm的debug调试查看：

可以看到result是个是个tuple，第一个值是返回状态，第二个是个嵌套dict，其中path是我们想要的。

#进行图片下载定制，可以通过继承scrapy内置的imagespipeline来重载某些功能
class ArticleImagePipeline(ImagesPipeline):
    #通过查看ImagesPipeline类可以了解是由下面这方法图片命名
    def item_completed(self, results, item, info):
        for ok,value in results:
            image_file_path = value['path']
            item['front_image_url'] = image_file_path
        return item

再接着，是把url名称进行md5加密，这样可以让url变成一个唯一的且长度固定的值

可以在项目里单独创建个目录，用来存放这些函数：

# -*- conding:utf-8 -*-

import hashlib
def get_md5(url):
    if isinstance(url,str):
        url = url.encode("utf-8")
    m = hashlib.md5()
    m.update(url)
    return m.hexdigest()

if __name__ == "__main__":
    print(get_md5("www.baidu.com"))
结果：
dab19e82e1f9a681ee73346d3e7a575e

 然后调用这个函数存到item里就行：

article_item["url_object_id"] =get_md5(response.url)