本文将详细描述使用scrapy爬去左岸读书所有文章并存入本地MySql数据库中，文中所有操作都是建立在scrapy已经配置完毕，并且系统中已经安装了Mysql数据库(有权限操作数据库)。

为了避免读者混淆，这里也使用tutorial作为scrapy project名称(工程的名字可以有读者自己定制)。

1. 建立tutorial工程

1 scrapy startproject tutorial

上述命令运行完毕后会得到tutorial(或者自定义名称)的目录，使用tree命令可以查看tutorial的目录结构，如下图所示

2. 解析左岸文章结构

左岸读书为读者提供了一些优美文章，喜欢的读者可以自行订阅(在这里提博主打广告啦[不用谢^_^])

站中所有文章都以列表的形式列出，每篇文章链接都给出了文章摘要和相应的信息(如作者，发布时间，分类信息，阅读量等信息)在列表底端给出了下一个列表的链接，具体如下图所示

点击相应的文章题目可以链接到具体的文章内容页面，读者可以自己实验试下，这里不再赘述。

3. 建立mysql数据库

建立mysql数据库 crawed

1 create databasecrawed;2 use crawed;

在数据库中建立zreading数据表，这里我们要抓取文章标题，作者，文章发表日期，文章类别，文章标签，阅读量及文章内容，建立如下数据表

1 CREATE TABLE`zreading` (2 `title` varchar(100) NOT NULL,3 `author` varchar(50) NOT NULL,4 `pub_date` varchar(30) DEFAULT NULL,5 `types` varchar(50) DEFAULT NULL,6 `tags` varchar(50) DEFAULT NULL,7 `view_counts` varchar(20) DEFAULT '0',8 `content` text

9 ) ENGINE=InnoDB DEFAULT CHARSET=utf8;

4. 在items.py中编写需要抓取的内容

items.py是爬虫根据用户兴趣定义爬去内容的文件，用户可以根据自己的需求，定义相应的class，爬虫在解析网页时根据解析规则生成item类对象

这里根据我们步骤3中的数据类别建立如下类：

1 classTutorialItem(scrapy.Item):2 #define the fields for your item here like:

3 #name = scrapy.Field()

4 title =scrapy.Field()5 author =scrapy.Field()6 pub_date =scrapy.Field()7 types =scrapy.Field()8 tags =scrapy.Field()9 view_count =scrapy.Field()10 content = scrapy.Field()

5. 编辑pipelines.py文件

pipelines.py是设置抓取内容存储方式的文件，例如可以存储到mysql或是json文件中，读者可以根据自己实际需求选择相应的方式，本例中选择存储到mysql中。

1 from twisted.enterprise importadbapi2 importMySQLdb3 importMySQLdb.cursors4 from scrapy.crawler importSettings as settings5 classTutorialPipeline(object):6

7 def __init__(self):8

9 dbargs =dict(10 host = 'your host',11 db = 'crawed',12 user = 'user_name', #replace with you user name

13 passwd = 'user_password', #replace with you password

14 charset = 'utf8',15 cursorclass =MySQLdb.cursors.DictCursor,16 use_unicode =True,17 )18 self.dbpool = adbapi.ConnectionPool('MySQLdb',**dbargs)19

20

21 '''

22 The default pipeline invoke function23 '''

24 defprocess_item(self, item,spider):25 res =self.dbpool.runInteraction(self.insert_into_table,item)26 returnitem27

28 definsert_into_table(self,conn,item):29 conn.execute('insert into zreading(title,author,pub_date,types,tags,view_counts,content) values(%s,%s,%s,%s,%s,%s,%s)', (item['title'],item['author'],item['pub_date'],item['types'],item['tags'],item['view_count'],item['content']))

6. 在settings.py中设置pipeline

当使用pipeline保存抓取内容时，需要设置相应的pipeline类，以便让系统知道根据什么方式进行存储，在settings.py中加入一下代码

1 ITEM_PIPELINES ={2 'tutorial.pipelines.TutorialPipeline': 300,3 }

7. 解析网页，抓取需要内容

经过以上6步，所有的配置的工作已经结束，接下来，我们的重点就是如何从网页中解析出我们所需要的内容，在解析过程中需要借助一些开发插件，比如firefox的firebug，chrome的开发者工具，本例中使用chrome的开发工具。

在这一步我们需要编写网页解析的具体逻辑-如何处理网页，得到我们所需的内容。在spiders目录下，新建zreading.py文件，然后定义zreadingCrawl爬虫(继承scrapy的BaseSpider即可)

1 classzreadingCrawl(BaseSpider):2 name = "zreading" #the name of spider

3 allowed_domain = ['zreading.cn'] #allowed domain for spiders

4 start_urls =[5 'http://www.zreading.cn' #the start url / the entrance of spider

6 ]

具体的解析过程如下：

a. 首先解析左岸的文章列表，使用chrome的开发者工具，在文章标题处右击，点击检查，然后复制为xpath路径。在解析网页是就可以根据这个路径定位到你所需的内容，这里我们只是想获得文章的连接，所有我们只需要提取文章题目链接的

href属性值即可，在文章目录页中，有两种我们需要的链接，一种是文章内容的链接，另一种则是文章列表的下一页，对于文章内容链接我们可以直接请求响应的URL，然后解析内容即可；而对于目录链接则可以从头解析(也即请求目录页然后进一步解析)。

由上述可知，这是一个不断循环的过程，直至没有下一页为止。

b. 在解析的过程中，对于每次的解析内容，都需要进行处理，如在提取标题时，得到的内容前后包括很多空格，而且为了避免在数据库出现乱码，所有数据都编码成utf8。这里我们需要编写

c. 具体代码如下(在zreadingCrawl中添加如下函数)：

1 defparse(self,response):2

3 if response.url.endswith('html'):4

5 item =self.parsePaperContent(response)6

7 else:8 #get all the page links in list Page

9 sel =Selector(response)10 links = sel.xpath('//*[@id="content"]/article/header/h2/a/@href').extract()11 for link inlinks:12 yield Request(link,callback=self.parse)13

14 #get the next page to visitr

15 next_pages = sel.xpath('//*[@id="content"]/div/a[@class="next"]/@href').extract()16 if len(next_pages) !=0:17 yield Request(next_pages[0],callback=self.parse)18 #record the list page

19

20 yield item

1 defparsePaperContent(self,response):2 print "In parsse paper content function......"

3 #get the page number '5412.html'

4 #page_id = response.url.split('/')[-1].split('.')[0] ----- OK

5 r =re.match(r'\d+',response.url.split('/')[-1])6 page_id =r.group()7 #instantie the item

8 zding =TutorialItem()9 sel =Selector(response)10 #add tilte

11 title = sel.xpath("//div[@id='content']/article/header/h2/text()").extract()[0]12 s_title = title.encode("utf-8")13 zding['title'] =s_title.lstrip().rstrip()14

15 #add pub_date

16 pub_date = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[1]/text()').extract()[0]17 s_pub_date = pub_date.encode("utf8")18 zding['pub_date'] =s_pub_date.lstrip().rstrip()19

20 #add author

21 author = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[2]/a/text()').extract()[0]22 s_author = author.encode("utf8")23 zding['author'] =s_author.lstrip().rstrip()24

25 #add tags including type and paper tags

26

27 tags = sel.xpath('//*[@id="'+page_id+'"]/div[2]/a/text()').extract()28 tags = [s.encode('utf8') for s intags]29 zding['types'] =tags[0]30 zding['tags'] = "+".join(tags[1:])31

32 #add view count

33 views = sel.xpath('//*[@id="'+page_id+'"]/div[2]/span[3]/text()').extract()[0]34 r = re.search(r'\d+',views)35 view_count =int(r.group())36 zding['view_count'] =view_count37 #add content

38 content = sel.xpath('//*[@id="'+page_id+'"]/div[3]/p/text()').extract()39 zding['content'] = "\n".join(content)40

41 #return the item

42 return zding

8. 在命令行下运行

1 scrapy crawl zreading

在屏幕中会闪解析过的网页和解析得到的item，等运行完毕后查看数据库中的zreading表的内容，这里因为文章较长，不再单独贴图。

*****声明：本帖纯粹是个人兴趣爱好，绝无其他任何恶意。本人很喜欢看左岸的文章，恰逢学习scrapy，就以此为例。在此声明，本帖只是技术解析，绝无转载。*****