内容简介：开发爬虫是一件有趣的事情。写一个程序，对感兴趣的目标网站发起HTTP请求，获取HTML，解析HTML，提取数据，将数据保存到数据库或者存为CSV、JSON等格式，再用自己熟悉的语言例如Python对这些数据进行分析生成酷炫的图表。这个过程是不是很兴奋？然而，开发爬虫并不是一件简单的事情。通常开发一个简单爬虫往往需要编写好几个模块：下载器、解析器、提取规则、保存模块。实现这个简单爬虫用Python实现至少需要编写10-20行代码，而且如果考虑并发和调度的话，通常要编写50行代码以上。更麻烦的是，如果要管理多个
前言
开发爬虫是一件有趣的事情。写一个程序，对感兴趣的目标网站发起HTTP请求，获取HTML，解析HTML，提取数据，将数据保存到数据库或者存为CSV、JSON等格式，再用自己熟悉的语言例如 Python 对这些数据进行分析生成酷炫的图表。这个过程是不是很兴奋？
然而，开发爬虫并不是一件简单的事情。通常开发一个简单爬虫往往需要编写好几个模块：下载器、解析器、提取规则、保存模块。实现这个简单爬虫用Python实现至少需要编写10-20行代码，而且如果考虑并发和调度的话，通常要编写50行代码以上。更麻烦的是，如果要管理多个爬虫实现爬虫的工程化，需要对各个网站的爬虫代码提取共用模块和参数，这个过程需要相当的工程经验和时间积累。其实，一般各大网站的结构大同小异，仅需要更改提取规则即可。很多爬虫工程师要在大型项目中编写成百上千的提取规则，对于没有任何管理 工具 的人来说，这基本上是个噩梦。
可配置爬虫
幸运的是， Crawlab 在 版本v0.2.1 中新增功能 可配置爬虫 可以让工程师从这些重复性工作中解放开来。Crawlab的可配置爬虫只需要爬虫工程师配置一些必要的CSS/XPath提取规则，就可以完成一个常规的爬虫开发。根据作者实验，对于CSS选择器或XPath稍微熟悉点的工程师，用可配置爬虫开发完一个包含五脏俱全的常规爬虫只需要1-3分钟。
Crawlab的可配置爬虫是基于Scrapy的，因此天生是支持并发的。而且，可配置爬虫完全支持Crawlab 自定义爬虫 的一般功能的，因此也支持任务调度、任务监控、日志监控、数据分析。
安装运行Crawlab
Crawlab 是一个专注于爬虫的集成了爬虫管理、任务调度、任务监控、数据分析等模块的分布式爬虫管理平台，非常适合对爬虫管理、爬虫工程化有要求的开发者及企业。
关于Crawlab的详细介绍请参考之前的文章：
以下是Crawlab的安装和运行步骤，时间大概在10-20分钟。
安装步骤
运行步骤
如何开发并运行可配置爬虫
下面总算到了爬虫开发时间。这里将以网易24小时排行新闻为例，开发一个相应的可配置爬虫，整个流程应该不超过3分钟。
添加爬虫
Crawlab跑起来之后，在浏览器中打开网址 http://localhost:8080 ，导航到爬虫。在点击 添加爬虫 按钮。
点击可配置爬虫。
输入完基本信息，点击 添加 。
配置爬虫
添加完成后，可以看到刚刚添加的可配置爬虫出现了在最下方，点击 查看 进入到 爬虫详情 。
点击 配置 标签进入到配置页面。接下来，我们需要对爬虫规则进行配置。
这里已经有一些配置好的初始输入项。我们简单介绍一下各自的含义。
抓取类别
这也是爬虫抓取采用的策略，也就是爬虫遍历网页是如何进行的。作为第一个版本，我们有 仅列表 、 仅详情页 、 列表+详情页 。
- 仅列表页。这也是最简单的形式，爬虫遍历列表上的列表项，将数据抓取下来。
- 仅详情页。爬虫只抓取详情页。
- 列表+详情页。爬虫先遍历列表页，将列表项中的详情页地址提取出来并跟进抓取详情页。
这里我们选择 列表+详情页 。
列表项选择器 & 分页选择器
列表项的匹和分页按钮的匹配查询，由CSS或XPath来进行匹配。
开始URL
爬虫最开始遍历的网址。
遵守Robots协议
这个默认是开启的。如果开启，爬虫将先抓取网站的robots.txt并判断页面是否可抓；否则，不会对此进行验证。用户可以选择将其关闭。请注意，任何无视Robots协议的行为都有法律风险。
列表页字段 & 详情页字段
这些都是再列表页或详情页中需要提取的字段。字段由CSS选择器或者XPath来匹配提取。可以选择文本或者属性。
在检查完目标网页的元素CSS选择器之后，我们输入列表项选择器、开始URL、列表页/详情页等信息。注意勾选url为详情页URL。
点击保存、预览，查看预览内容。
OK，现在配置大功告成，终于可开始跑爬虫了！
运行爬虫
你唯一需要做的，就是点击 运行 按钮并确认。点击 概览 标签，你可以看到任务已经开始运行了。
点击创建时间链接导航到任务详情，点击 结果 标签，你就可以看到抓取到的结果已经保存下来了。
怎么样，这个过程是不是超级简单？如果熟练的话，整个过程可以在60秒内完成！就跟玩魔方一样，越玩越熟练！
结语
本文利用Crawlab的可配置爬虫功能实现了3分钟内对网易新闻24小时新闻排行榜的抓取。同样的过程可以实现在其他类似的网站上面。虽然这是一个经典的“列表+详情页”的抓取模式，比较简单，后续我们还会开发更多的更复杂的抓取模式，实现更多的抓取需求。Crawlab的可配置爬虫降低了爬虫的开发时间，增加了爬虫开发效率，完善了工程化水平，将爬虫工程师从日常的繁琐配置工作中解放出来。配置工作可以交给初级爬虫工程师或者外包人员来做，而高级爬虫工程师会把精力放在更复杂的爬虫工作上来，例如反爬、动态内容、分布式爬虫等等。
Github: tikazyq/crawlab
如果感觉Crawlab还不错，对你的日常工作或企业有帮助的话，请加作者微信拉入开发交流群，大家一起交流关于Crawlab的使用和开发。
以上所述就是小编给大家介绍的《[爬虫手记] 我是如何在3分钟内开发完一个爬虫的》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
程序员面试宝典（第5版）
欧立奇、刘洋、段韬 / 电子工业出版社 / 2015-10 / 55.00
容提要 《程序员面试宝典（第5版）》是《程序员面试宝典》的第5 版，在保留第4 版的数据结构、面向对象、程序设计等主干的基础上，修正了前4 版近40 处错误，解释清楚一些读者提出的问题，并使用各大IT 公司及相关企业最新面试题（2014-2015）替换和补充原内容，以反映自第4 版以来两年多的时间内所发生的变化。 《程序员面试宝典（第5版）》取材于各大公司面试真题（笔试、口试、电话面试......一起来看看 《程序员面试宝典（第5版）》 这本书的介绍吧!
