使用python的scrapy来编写一个爬虫

本文将介绍我是如何在 python 爬虫里面一步一步踩坑，然后慢慢走出来的，期间碰到的所有问题我都会详细说明，让大家以后碰到这些问题时能够快速确定问题的来源，后面的代码只是贴出了核心代码，更详细的代码暂时没有贴出来。

流程一览

首先我是想爬某个网站上面的所有文章内容，但是由于之前没有做过爬虫（也不知道到底那个语言最方便），所以这里想到了是用python来做一个爬虫（毕竟人家的名字都带有爬虫的含义:smile:），我这边是打算先将所有从网站上爬下来的数据放到 ElasticSearch 里面, 选择 ElasticSearch 的原因是速度快，里面分词插件，倒排索引，需要数据的时候查询效率会非常好（毕竟爬的东西比较多:smile:），然后我会将所有的数据在 ElasticSearch 的老婆 kibana 里面将数据进行可视化出来，并且分析这些文章内容，可以先看一下预期可视化的效果（上图了），这个效果图是 kibana6.4 系统给予的帮助效果图（就是说你可以弄成这样,我也想弄成这样:grin:）。后面我会发一个dockerfile上来（现在还没弄:flushed:）。

环境需求

1. Jdk (Elasticsearch需要)
2. ElasticSearch (用来存储数据)
3. Kinaba (用来操作ElasticSearch和数据可视化)
4. Python (编写爬虫)
5. Redis (数据排重)

这些东西可以去找相应的教程安装，我这里只有ElasticSearch的安装:cry:点我获取安装教程

第一步，使用python的pip来安装需要的插件（第一个坑在这儿）

1. tomd :将html转换成markdown

pip3 install tomd
复制代码

2. redis :需要python的 redis 插件

pip3 install redis
复制代码

3. scrapy :框架安装(坑)
   1. 首先我是像上面一样执行了

   pip3 install scrapy
   复制代码

   2. 然后发现缺少 gcc 组件 error: command 'gcc' failed with exit status 1

      

   3. 然后我就找啊找，找啊找，最后终于找到了正确的解决方法(期间试了很多错误答案:sob:)。最终的解决办法就是使用 yum 来安装 python34-devel , 这个 python34-devel 根据你自己的python版本来，可能是python-devel,是多少版本就将中间的34改成你的版本, 我的是3.4.6

   yum install python34-devel
   复制代码

   4. 安装完成过后使用命令 scrapy 来试试吧。

      

第二步，使用scrapy来创建你的项目

1. 输入命令 scrapy startproject scrapyDemo , 来创建一个爬虫项目

liaochengdeMacBook-Pro:scrapy liaocheng$ scrapy startproject scrapyDemo
New Scrapy project 'scrapyDemo', using template directory '/usr/local/lib/python3.7/site-packages/scrapy/templates/project', created in:
	/Users/liaocheng/script/scrapy/scrapyDemo

You can start your first spider with:
	cd scrapyDemo
	scrapy genspider example example.com
liaochengdeMacBook-Pro:scrapy liaocheng$ 
复制代码

2. 使用genspider来生成一个基础的spider,使用命令 scrapy genspider demo juejin.im ， 后面这个网址是你要爬的网站,我们先爬自己家的:joy:

liaochengdeMacBook-Pro:scrapy liaocheng$ scrapy genspider demo juejin.im
Created spider 'demo' using template 'basic'
liaochengdeMacBook-Pro:scrapy liaocheng$ 
复制代码

3. 查看生成的目录结构

   

第三步，打开项目，开始编码

1. 查看生成的的demo.py的内容

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo' ## 爬虫的名字
    allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容
    start_urls = ['https://juejin.im/post/5c790b4b51882545194f84f0'] ## 初始url链接

    def parse(self, response): ## 如果新建的spider必须实现这个方法
        pass

复制代码

2. 可以使用第二种方式，将start_urls给提出来

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo' ## 爬虫的名字
    allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容

    def start_requests(self):
        start_urls = ['http://juejin.im/']  ## 初始url链接
        for url in start_urls:
            # 调用parse
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response): ## 如果新建的spider必须实现这个方法
        pass

复制代码

3. 编写 articleItem.py 文件（item文件就类似 java 里面的实体类）

import scrapy

class ArticleItem(scrapy.Item): ## 需要实现scrapy.Item文件
    # 文章id
    id = scrapy.Field()

    # 文章标题
    title = scrapy.Field()

    # 文章内容
    content = scrapy.Field()

    # 作者
    author = scrapy.Field()

    # 发布时间
    createTime = scrapy.Field()

    # 阅读量
    readNum = scrapy.Field()

    # 点赞数
    praise = scrapy.Field()

    # 头像
    photo = scrapy.Field()

    # 评论数
    commentNum = scrapy.Field()

    # 文章链接
    link = scrapy.Field()
复制代码

4. 编写 parse 方法的代码

def parse(self, response):
        # 获取页面上所有的url
        nextPage = response.css("a::attr(href)").extract()
        # 遍历页面上所有的url链接,时间复杂度为O(n)
        for i in nextPage:
            if nextPage is not None:
                # 将链接拼起来
                url = response.urljoin(i)
                # 必须是掘金的链接才进入
                if "juejin.im" in str(url):
                    # 存入redis，如果能存进去，就是一个没有爬过的链接
                    if self.insertRedis(url) == True:
                        # dont_filter作用是是否过滤相同url true是不过滤，false为过滤，我们这里只爬一个页面就行了，不用全站爬，全站爬对对掘金不是很友好，我么这里只是用来测试的 
                        yield scrapy.Request(url=url, callback=self.parse,headers=self.headers,dont_filter=False)

        # 我们只分析文章，其他的内容都不管
        if "/post/" in response.url and "#comment" not in response.url:
            # 创建我们刚才的ArticleItem
            article = ArticleItem()

            # 文章id作为id
            article['id'] = str(response.url).split("/")[-1]

            # 标题
            article['title'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > h1::text").extract_first()

            # 内容
            parameter = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.article-content").extract_first()
            article['content'] = self.parseToMarkdown(parameter)

            # 作者
            article['author'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div:nth-child(6) > meta:nth-child(1)::attr(content)").extract_first()

            # 创建时间
            createTime = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > time::text").extract_first()
            createTime = str(createTime).replace("年", "-").replace("月", "-").replace("日","")
            article['createTime'] = createTime

            # 阅读量
            article['readNum'] = int(str(response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > span::text").extract_first()).split(" ")[1])

            # 点赞数
            article['badge'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.like-btn.panel-btn.like-adjust.with-badge::attr(badge)").extract_first()

            # 评论数
            article['commentNum'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.comment-btn.panel-btn.comment-adjust.with-badge::attr(badge)").extract_first()

            # 文章链接
            article['link'] = response.url

            # 这个方法和很重要（坑），之前就是由于执行yield article, pipeline就一直不能获取数据
            yield article

# 将内容转换成markdown
def parseToMarkdown(self, param):
    return tomd.Tomd(str(param)).markdown

# url 存入redis，如果能存那么就没有该链接，如果不能存，那么就存在该链接
def insertRedis(self, url):
    if self.redis != None:
        return self.redis.sadd("articleUrlList", url) == 1
    else:
        self.redis = self.redisConnection.getClient()
        self.insertRedis(url)
复制代码

5. 编写pipeline类,这个pipeline是一个管道，可以将所有yield关键字返回的数据都交给这个管道处理，但是需要在settings里面配置一下pipeline才行

from elasticsearch import Elasticsearch

class ArticlePipelines(object):
    # 初始化
    def __init__(self):
        # elasticsearch的index
        self.index = "article"
        # elasticsearch的type
        self.type = "type"
        # elasticsearch的ip加端口
        self.es = Elasticsearch(hosts="localhost:9200")

    # 必须实现的方法，用来处理yield返回的数据
    def process_item(self, item, spider):
        
        # 这里是判断，如果是demo这个爬虫的数据才处理
        if spider.name != "demo":
            return item

        result = self.checkDocumentExists(item)
        if result == False:
            self.createDocument(item)
        else:
            self.updateDocument(item)

    # 添加文档
    def createDocument(self, item):
        body = {
            "title": item['title'],
            "content": item['content'],
            "author": item['author'],
            "createTime": item['createTime'],
            "readNum": item['readNum'],
            "praise": item['praise'],
            "link": item['link'],
            "commentNum": item['commentNum']
        }
        try:
            self.es.create(index=self.index, doc_type=self.type, id=item["id"], body=body)
        except:
            pass

    # 更新文档
    def updateDocument(self, item):
        parm = {
            "doc" : {
                "readNum" : item['readNum'],
                "praise" : item['praise']
            }
        }

        try:
            self.es.update(index=self.index, doc_type=self.type, id=item["id"], body=parm)
        except:
            pass

    # 检查文档是否存在
    def checkDocumentExists(self, item):
        try:
            self.es.get(self.index, self.type, item["id"])
            return True
        except:
            return False
复制代码

第四步，运行代码查看效果

1. 使用 scrapy list 查看本地的所有爬虫

liaochengdeMacBook-Pro:scrapyDemo liaocheng$ scrapy list
demo
liaochengdeMacBook-Pro:scrapyDemo liaocheng$ 
复制代码

2. 使用 scrapy crawl demo 来运行爬虫

scrapy crawl demo
复制代码

3. 到kibana里面看爬到的数据,执行下面的命令可以看到数据

GET /article/_search
{
  "query": {
    "match_all": {}
  }
}
复制代码

{
  "took": 7,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 1,
    "max_score": 1,
    "hits": [
      {
        "_index": "article2",
        "_type": "type",
        "_id": "5c790b4b51882545194f84f0",
        "_score": 1,
        "_source": {}
      }
    ]
 }
}
复制代码