题记
之前对爬虫只是概念了解多，实战少。知道网上流行的有号称免费的八爪鱼等（实际导出数据收费）。
大致知道，所有爬虫要实现爬取网页信息，需要定义正则匹配规则。
这次，项目紧急，才知道“书到用时方恨少”，有限的理论知识是远远不够的。
首先，Google搜索了不同语言实现的开源爬虫，C++、Java、Python、Ruby等。由于C++写的过于庞大，Java代码不太熟。
Python虽也不熟悉，但看起来不费劲，并且，Python在爬虫领域有很大优势，值得深入研究。
其次，对比选型Python爬虫开源实现，主要包括：Scrapy、PyRailgun等。
最后，定选型。对比国内写的PyRailgun和Scrapy，不论从易用性、Git关注度、广泛性。Scrapy都有明显优势，研究的人非常多。
因此，本文从Scrapy爬取makepolo企业数据说起。
一、Scrapy爬虫使用概括步骤如下
1、创建新的Scrapy工程；
2、定义需要提取的Items；
3、写爬虫Spider用于爬取设定的站点，提取Items；
4、写Item Pipeline(管道)，用来存储提取的Items。
二、Scrapy爬虫使用详解
前提：
1）爬虫目标网站：http://company.makepolo.com/shandong/
2）待爬取内容：以列表形式呈现的公司名称。
3）设备：centos 6.8
4）安装Scrapy参考步骤（目前最好用、快捷版本）：
https://www.douban.com/group/topic/51645204/
第1步：创建马可波罗网站爬虫工程。
[root@yang scrapy_testing]# scrapy startproject scrapy_makepolo
New Scrapy project ‘scrapy_makepolo’, using template directory ‘/usr/local/lib/python2.7/site-packages/scrapy/templates/project’, created in:
/home/yang/spider_ycy/scrapy_testing/scrapy_makepolo
You can start your first spider with:
cd scrapy_makepolo
scrapy genspider example example.com
以上内容是提示信息，也就是说创建完毕以后，会形成如下树结构的工程路径：
[root@yang scrapy_testing]# tree scrapy_makepolo/
scrapy_makepolo/
├── scrapy.cfg ‘#工程的配置文件
└── scrapy_makepolo ‘#工程的Python模型，需要在此处导入代码
├── init.py
├── init.pyc
├── init.pyo
├── items.py ‘#工程 Items文件
├── pipelines.py ‘#工程 管道文件
├── settings.py ‘#工程 配置文件
├── settings.pyc
└── spiders ‘#放置爬虫的路径
├── example.py
├── init.py
├── init.pyc
└── init.pyo
第2步：定义你的Item
在items.py文件里定义在抓取网页内容中抽象出来的数据结构的定义，由于这里需要公司名称一个字段，所以，定义的Item结构如下：
[root@laoyang scrapy_makepolo]# cat items.py
'# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy import Item,Field
class ScrapyMakepoloItem(Item):
# define the fields for your item here like:
# name = scrapy.Field()
companyName = Field() #公司名称
pass
You have new mail in /var/spool/mail/root
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
第3步：定义爬虫规则等
1.Spiders是定义的类，scrapy用于爬取指定域名或者域名组信息。
2.需要定义用于下载的初始化URL列表，需要定义跟踪列表和解析页面内容以提取items的规则。
3.为了创建Spider，你需要定义scrapy.Spider子类，并需要定义如下的一些属性值：
1）name：用于标识Spider。该名称必须确保唯一性。
2）start_urls：爬虫需要爬取的起点Urls列表。
3）parse()方法：Spider方法，每个页面下载的Response对象是该方法的唯一参数。
该方法作用：解析response数据，并提取爬取的数据。
路径如下：
/home/yangcy/spider_ycy/scrapy_testing/scrapy_makepolo/scrapy_makepolo/spiders
[root@laoyang spiders]# ls -al
总用量 24
drwxr-xr-x 2 root root 4096 9月 8 14:20 .
drwxr-xr-x 3 root root 4096 9月 8 14:35 ..
-rw-r--r-- 1 root root 240 9月 8 14:20 example.py
-rw-r--r-- 1 root root 161 9月 7 15:50 __init__.py
-rw-r--r-- 1 root root 177 9月 8 14:20 __init__.pyc
-rw-r--r-- 1 root root 177 9月 7 16:04 __init__.pyo
1
2
3
4
5
6
7
8
9
将example.py改名为 ScrapyMakepolo.py，并做如下的规则定义。
[root@laoyang spiders]# cat ScrapyMakepolo.py
# -*- coding: utf-8 -*-
from scrapy.spiders import Spider, Rule
from scrapy.selector import Selector
from scrapy_makepolo.items import ScrapyMakepoloItem
from scrapy.linkextractors import LinkExtractor
import re
from scrapy.spiders import CrawlSpider
class ScrapyMakepoloSpider(CrawlSpider):
name = "MakepoloSpider"
allowed_domains = ["company.makepolo.com"]
start_urls = [
"http://company.makepolo.com/shandong/1",
]
rules = (
Rule(LinkExtractor(allow=('shandong/([\d]+)', ),),callback='parse_item',follow=True),
)
def parse_item(self, response):
sel = response.selector
posts = sel.xpath('//div[@class="colist"]/div[@class="colist_item"]')
items = []
for p in posts:
item = ScrapyMakepoloItem()
companyName = p.xpath('h2[@class="colist_item_title"]/a/text()').extract_first()
item["companyName"] = (companyName is not None and [companyName.encode("utf-8")] or [""])[0]
items.append(item)
return items
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
第4步： 写Item Pipeline(管道)，用来存储提取的Items。
将结果输出到item.json文件中。
[root@laoyang scrapy_makepolo]# cat pipelines.py
# -*- 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
import json
class ScrapyMakepoloPipeline(object):
def __init__(self):
self.file = open("item.json", "w+")
def process_item(self, item, spider):
record = json.dumps(dict(item), ensure_ascii=False)+"\n"
self.file.write(record)
return item
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
第5步：修改配置setting.py.
主要修改： ITEM_PIPELINES 为pipelines.py 中定义的管道接口类ScrapyMakepoloPipeline。
[root@laoyang scrapy_makepolo]# cat settings.py
# -*- coding: utf-8 -*-
# Scrapy settings for scrapy_makepolo project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
# http://doc.scrapy.org/en/latest/topics/settings.html
# http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
# http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
BOT_NAME = 'scrapy_makepolo'
SPIDER_MODULES = ['scrapy_makepolo.spiders']
NEWSPIDER_MODULE = 'scrapy_makepolo.spiders'
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'scrapy_makepolo.pipelines.ScrapyMakepoloPipeline': 1,
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
至此，所有配置完毕。
第6步：执行。
scrapy crawl MakepoloSpider
其中：
MakepoloSpider为ScrapyMakepolo.py中的name定义。
执行结果如下所示：
[root@laoyang scrapy_makepolo]# tail -f item.json
{"companyName": "章丘市宇龙机械有限公司"}
{"companyName": "济南松岳机器有限责任公司"}
{"companyName": "山东双一集团销售部"}
{"companyName": "山东景盛泉酒业"}
{"companyName": "郓城皮家烧鸡有限公司"}
{"companyName": "胶州市煜德手机通讯服务部"}
{"companyName": "宁津县天福建筑新材料有限公司"}
{"companyName": "聊城市建兴金属材料有限公司"}
{"companyName": "山东益母草有限公司"}
..........
1
2
3
4
5
6
7
8
9
10
11
去重后结果数：
[root@laoyang scrapy_cnblogs-master]# cat sd_mkbl_uniq.txt | wc -l
9521
1
2
三、scrapy爬取马可波罗网站思路详解：
步骤1：进入到马可波罗山东企业首页：http://company.makepolo.com/shandong/
步骤2：查看其页面结构，知道其支持通过下一页按钮进入下一页。
第1页链接：http://company.makepolo.com/shandong/1
第2页链接：http://company.makepolo.com/shandong/2
……
第1000页链接：http://company.makepolo.com/shandong/1000
由此看出网站以序号作为参数来表示页数，这样看来爬虫的规则就比较简单实现。
步骤3：定义爬虫规则。
‘shandong/([\d]+)’ ，这个就是爬虫的规则，数字为对应数字的页面，这样无论有多少页都可以通过遍历规则遍历到。
1）如果页面数量很少时：可以在start_urls列表中，将要爬取的页面都列出来，
2）如果页面数量很多时：要继承CrawlSpider爬虫类，使用Spider就不行了。(该问题排查了30分钟以上，才解决）
在规则定义（rules）时，如果要对爬取的网页进行处理，而不是简单的需要Url列表堆砌。
这时，需要定义一个回调函数，在爬取到符合条件的网页时调用，并且设置follow=Ture，定义如下：
rules = (
Rule(LinkExtractor(allow=('shandong/([\d]+)', ),),callback='parse_item',follow=True),
)
1
2
3
四、小结
想融汇贯通Scrapy进行网络数据分析，个人感觉：网页数据爬取正则标示，xpath解析非常重要。这也是我接下来要深入研究的重点。
也想进一步就其他网站做进一步深入爬取、分析。
参考
[1]http://doc.scrapy.org/en/latest/intro/tutorial.html
http://www.cnblogs.com/rwxwsblog/p/4557123.html
[2]学习python：https://learnpythonthehardway.org/book/
[3]http://www.pycoding.com/2016/03/14/scrapy-04.html