手把手教你用Scrapy爬虫框架爬取食品论坛数据并存入数据库

安全 应用安全
大家好,我是杯酒先生,这是我第一次写这种分享项目的文章,可能很水,很不全面,而且肯定存在说错的地方,希望大家可以评论里加以指点,不胜感激!

[[397000]]

大家好,我是杯酒先生,这是我第一次写这种分享项目的文章,可能很水,很不全面,而且肯定存在说错的地方,希望大家可以评论里加以指点,不胜感激!

一、前言

网络爬虫(又称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。------百度百科

说人话就是,爬虫是用来海量规则化获取数据,然后进行处理和运用,在大数据、金融、机器学习等等方面都是必须的支撑条件之一。

目前在一线城市中,爬虫的岗位薪资待遇都是比较客观的,之后提升到中、高级爬虫工程师,数据分析师、大数据开发岗位等,都是很好的过渡。

二、项目目标

本此介绍的项目其实不用想的太过复杂,最终要实现的目标也就是将帖子的每条评论爬取到数据库中,并且做到可以更新数据,防止重复爬取,反爬等措施。

三、项目准备

这部分主要是介绍本文需要用到的工具,涉及的库,网页等信息等

软件:PyCharm

需要的库:Scrapy, selenium, pymongo, user_agent,datetime

目标网站:

  1. http://bbs.foodmate.net 

插件:chromedriver(版本要对)

四、项目分析

1、确定爬取网站的结构

简而言之:确定网站的加载方式,怎样才能正确的一级一级的进入到帖子中抓取数据,使用什么格式保存数据等。

其次,观察网站的层级结构,也就是说,怎么根据板块,一点点进入到帖子页面中,这对本次爬虫任务非常重要,也是主要编写代码的部分。

2、如何选择合适的方式爬取数据?

目前我知道的爬虫方法大概有如下(不全,但是比较常用):

1)request框架:运用这个http库可以很灵活的爬取需要的数据,简单但是过程稍微繁琐,并且可以配合抓包工具对数据进行获取。但是需要确定headers头以及相应的请求参数,否则无法获取数据;很多app爬取、图片视频爬取随爬随停,比较轻量灵活,并且高并发与分布式部署也非常灵活,对于功能可以更好实现。

2)scrapy框架:scrapy框架可以说是爬虫最常用,最好用的爬虫框架了,优点很多:scrapy 是异步的;采取可读性更强的 xpath 代替正则;强大的统计和 log 系统;同时在不同的 url 上爬行;支持 shell 方式,方便独立调试;支持写 middleware方便写一些统一的过滤器;可以通过管道的方式存入数据库等等。这也是本次文章所要介绍的框架(结合selenium库)。

五、项目实现

1、第一步:确定网站类型

首先解释一下是什么意思,看什么网站,首先要看网站的加载方式,是静态加载,还是动态加载(js加载),还是别的方式;根据不一样的加载方式需要不同的办法应对。然后我们观察今天爬取的网站,发现这是一个有年代感的论坛,首先猜测是静态加载的网站;我们开启组织 js 加载的插件,如下图所示。

刷新之后发现确实是静态网站(如果可以正常加载基本都是静态加载的)。

2、第二步:确定层级关系

其次,我们今天要爬取的网站是食品论坛网站,是静态加载的网站,在之前分析的时候已经了解了,然后是层级结构:

大概是上面的流程,总共有三级递进访问,之后到达帖子页面,如下图所示。

部分代码展示:

一级界面:

  1. def parse(self, response): 
  2.     self.logger.info("已进入网页!"
  3.     self.logger.info("正在获取版块列表!"
  4.     column_path_list = response.css('#ct > div.mn > div:nth-child(2) > div')[:-1] 
  5.     for column_path in column_path_list: 
  6.         col_paths = column_path.css('div > table > tbody > tr > td > div > a').xpath('@href').extract() 
  7.         for path in col_paths: 
  8.             block_url = response.urljoin(path) 
  9.             yield scrapy.Request( 
  10.                 url=block_url, 
  11.                 callback=self.get_next_path, 
  12.             ) 

二级界面:

  1. def get_next_path(self, response): 
  2.     self.logger.info("已进入版块!"
  3.     self.logger.info("正在获取文章列表!"
  4.     if response.url == 'http://www.foodmate.net/know/'
  5.         pass 
  6.     else
  7.         try: 
  8.             nums = response.css('#fd_page_bottom > div > label > span::text').extract_first().split(' ')[-2] 
  9.         except
  10.             nums = 1 
  11.         for num in range(1, int(nums) + 1): 
  12.             tbody_list = response.css('#threadlisttableid > tbody'
  13.             for tbody in tbody_list: 
  14.                 if 'normalthread' in str(tbody): 
  15.                     item = LunTanItem() 
  16.                     item['article_url'] = response.urljoin( 
  17.                         tbody.css('* > tr > th > a.s.xst').xpath('@href').extract_first()) 
  18.                     item['type'] = response.css( 
  19.                         '#ct > div > div.bm.bml.pbn > div.bm_h.cl > h1 > a::text').extract_first() 
  20.                     item['title'] = tbody.css('* > tr > th > a.s.xst::text').extract_first() 
  21.                     item['spider_type'] = "论坛" 
  22.                     item['source'] = "食品论坛" 
  23.                     if item['article_url'] != 'http://bbs.foodmate.net/'
  24.                         yield scrapy.Request( 
  25.                             url=item['article_url'], 
  26.                             callback=self.get_data, 
  27.                             meta={'item': item, 'content_info': []} 
  28.                         ) 
  29.         try: 
  30.             callback_url = response.css('#fd_page_bottom > div > a.nxt').xpath('@href').extract_first() 
  31.             callback_url = response.urljoin(callback_url) 
  32.             yield scrapy.Request( 
  33.                 url=callback_url, 
  34.                 callback=self.get_next_path, 
  35.             ) 
  36.         except IndexError: 
  37.             pass 

三级界面:

  1. def get_data(self, response): 
  2.     self.logger.info("正在爬取论坛数据!"
  3.     item = response.meta['item'
  4.     content_list = [] 
  5.     divs = response.xpath('//*[@id="postlist"]/div'
  6.     user_name = response.css('div > div.pi > div:nth-child(1) > a::text').extract() 
  7.     publish_time = response.css('div.authi > em::text').extract() 
  8.     floor = divs.css('* strong> a> em::text').extract() 
  9.     s_id = divs.xpath('@id').extract() 
  10.     for i in range(len(divs) - 1): 
  11.         content = '' 
  12.         try: 
  13.  
  14.             strong = response.css('#postmessage_' + s_id[i].split('_')[-1] + '').xpath('string(.)').extract() 
  15.             for s in strong: 
  16.                 content += s.split(';')[-1].lstrip('\r\n'
  17.             datas = dict(content=content,  # 内容 
  18.                          reply_id=0,  # 回复的楼层,默认0 
  19.                          user_name=user_name[i],  # ⽤户名 
  20.                          publish_time=publish_time[i].split('于 ')[-1],  # %Y-%m-%d %H:%M:%S' 
  21.                          id='#' + floor[i],  # 楼层 
  22.                          ) 
  23.             content_list.append(datas) 
  24.         except IndexError: 
  25.             pass 
  26.     item['content_info'] = response.meta['content_info'
  27.     item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S'
  28.     item['content_info'] += content_list 
  29.  
  30.     data_url = response.css('#ct > div.pgbtn > a').xpath('@href').extract_first() 
  31.     if data_url != None: 
  32.         data_url = response.urljoin(data_url) 
  33.         yield scrapy.Request( 
  34.             url=data_url, 
  35.             callback=self.get_data, 
  36.             meta={'item': item, 'content_info': item['content_info']} 
  37.         ) 
  38.     else
  39.         item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S'
  40.         self.logger.info("正在存储!"
  41.         print('储存成功'
  42.         yield item 

3、第三步:确定爬取方法

由于是静态网页,首先决定采用的是scrapy框架直接获取数据,并且通过前期测试发现方法确实可行,不过当时年少轻狂,小看了网站的保护措施,由于耐心有限,没有加上定时器限制爬取速度,导致我被网站加了限制,并且网站由静态加载网页变为:动态加载网页验证算法之后再进入到该网页,直接访问会被后台拒绝。

但是这种问题怎么会难道我这小聪明,经过我短暂地思考(1天),我将方案改为scrapy框架 + selenium库的方法,通过调用chromedriver,模拟访问网站,等网站加载完了再爬取不就完了,后续证明这个方法确实可行,并且效率也不错。

实现部分代码如下:

  1. def process_request(self, request, spider): 
  2.     chrome_options = Options() 
  3.     chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式 
  4.     chrome_options.add_argument('--disable-gpu'
  5.     chrome_options.add_argument('--no-sandbox'
  6.     # 指定谷歌浏览器路径 
  7.     self.driver = webdriver.Chrome(chrome_options=chrome_options, 
  8.                                    executable_path='E:/pycharm/workspace/爬虫/scrapy/chromedriver'
  9.     if request.url != 'http://bbs.foodmate.net/'
  10.         self.driver.get(request.url) 
  11.         html = self.driver.page_source 
  12.         time.sleep(1) 
  13.         self.driver.quit() 
  14.         return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8'
  15.                                         request=request) 

4、第四步:确定爬取数据的储存格式

这部分不用多说,根据自己需求,将需要爬取的数据格式设置在items.py中。在工程中引用该格式保存即可:

  1. class LunTanItem(scrapy.Item): 
  2.     ""
  3.         论坛字段 
  4.     ""
  5.     title = Field()  # str: 字符类型 | 论坛标题 
  6.     content_info = Field()  # str: list类型 | 类型list: [LunTanContentInfoItem1, LunTanContentInfoItem2] 
  7.     article_url = Field()  # str: url | 文章链接 
  8.     scrawl_time = Field()  # str: 时间格式 参照如下格式 2019-08-01 10:20:00 | 数据爬取时间 
  9.     source = Field()  # str: 字符类型 | 论坛名称 eg: 未名BBS, 水木社区, 天涯论坛 
  10.     type = Field()  # str: 字符类型 | 板块类型 eg: '财经''体育''社会' 
  11.     spider_type = Field()  # str: forum | 只能写 'forum' 

5、第五步:确定保存数据库

本次项目选择保存的数据库为mongodb,由于是非关系型数据库,优点显而易见,对格式要求没有那么高,可以灵活储存多维数据,一般是爬虫优选数据库(不要和我说redis,会了我也用,主要是不会)

代码:

  1. import pymongo 
  2.  
  3. class FMPipeline(): 
  4.     def __init__(self): 
  5.         super(FMPipeline, self).__init__() 
  6.         # client = pymongo.MongoClient('139.217.92.75'
  7.         client = pymongo.MongoClient('localhost'
  8.         db = client.scrapy_FM 
  9.         self.collection = db.FM 
  10.  
  11.     def process_item(self, item, spider): 
  12.         query = { 
  13.             'article_url': item['article_url'
  14.         } 
  15.         self.collection.update_one(query, {"$set": dict(item)}, upsert=True
  16.         return item 

这时,有聪明的盆友就会问:如果运行两次爬取到了一样的数据怎么办呢?(换句话说就是查重功能)

这个问题之前我也没有考虑,后来在我询问大佬的过程中知道了,在我们存数据的时候就已经做完这件事了,就是这句:

  1. query = { 
  2.     'article_url': item['article_url'
  3. self.collection.update_one(query, {"$set": dict(item)}, upsert=True

通过帖子的链接确定是否有数据爬取重复,如果重复可以理解为将其覆盖,这样也可以做到更新数据。

6、其他设置

像多线程、headers头,管道传输顺序等问题,都在settings.py文件中设置,具体可以参考小编的项目去看,这里不再赘述。

七、效果展示

1、点击运行,结果显示在控制台,如下图所示。

2、中间会一直向队列中堆很多帖子的爬取任务,然后多线程处理,我设置的是16线程,速度还是很可观的。

3、数据库数据展示:

content_info中存放着每个帖子的全部留言以及相关用户的公开信息。

八、总结

1、这篇文章主要给大家介绍了食品网站的数据采集和存储过程,详解了如何分析网页结构、爬虫策略、网站类型、层级关系、爬虫方法和数据存储过程,最终实现将帖子的每条评论爬取到数据库中,并且做到可以更新数据,防止重复爬取,反爬等,干货满满。

2、本次项目总的来说,不是特别难搞,只要思路对了,找到了数据规则,爬起来可以说易如反掌,觉得难只是之前没有完整走过流程,有了这次比较水的介绍,希望能对你有所帮助,那将是我最大的荣幸。

3、遇到问题首先想的不是问同事,朋友,老师,而是去谷歌,百度,看有没有相似的情况,看别人的经历,一定要学会自己发现问题,思考问题,解决问题,这对于之后工作有非常大的帮助(我之前就被说过还没有脱离学生时代,就是我喜欢问同事),等网上查询了一定资料了,还是没有头绪,再去问别人,别人也会比较愿意帮助你的~

我是杯酒先生,最后分享我的座右铭给大家:保持独立思考,不卑不亢不怂。

最后需要本文项目代码的小伙伴,请在公众号后台回复“食品论坛”关键字进行获取,如果在运行过程中有遇到任何问题,请随时留言或者加小编好友,小编看到会帮助大家解决bug噢!

 

责任编辑:武晓燕 来源: Python爬虫与数据挖掘
相关推荐

2020-03-08 22:06:16

Python数据IP

2021-01-30 10:37:18

ScrapyGerapy网络爬虫

2021-05-08 08:04:05

Python爬取素材

2023-09-21 22:08:01

2020-11-27 07:38:43

MongoDB

2022-10-19 14:30:59

2021-05-10 06:48:11

Python腾讯招聘

2022-08-04 10:39:23

Jenkins集成CD

2018-05-16 13:50:30

Python网络爬虫Scrapy

2021-02-17 09:23:31

Python百度搜索

2009-04-22 09:17:19

LINQSQL基础

2021-08-09 13:31:25

PythonExcel代码

2021-12-11 20:20:19

Python算法线性

2012-01-11 13:40:35

移动应用云服务

2021-02-02 13:31:35

Pycharm系统技巧Python

2021-08-02 23:15:20

Pandas数据采集

2021-09-29 08:53:36

scrapy框架Twisted

2020-12-17 09:40:01

Matplotlib数据可视化命令

2022-04-01 20:29:26

Pandas数据存储

2022-04-24 10:33:56

大数据数据分析
点赞
收藏

51CTO技术栈公众号