Scrapy定向爬虫教程(三)—

本节内容

本部分所实现的功能是，批量的爬取网页信息，不再是像以前那样只能下载一个页面了。也就是说，分析出网页的url规律后，用特定的算法去迭代，达到把整个网站的有效信息都拿下的目的。
因为本部分讲完后，功能已经到了可以使用的地步，所以我把本部分的结果独立出来，把项目上传到了github，小伙伴可以下载参考，地址https://github.com/kongtianyi/heartsong。教程余下的其他部分是添加功能和优化，今后我会在github上创建拥有不同扩展功能的分支。

分析url

不管是Discuz模板，phpWind模板，还是百度贴吧，甚至某些新闻网，都是采用id的方式来组织网页url的。这就给我们编写定向爬虫带来了极大的便利。好，来看一下Discuz模板心韵论坛的url：

http://www.heartsong.top/forum.php?mod=viewthread&tid=13&extra=page%3D1
http://www.heartsong.top/forum.php?mod=viewthread&tid=31
http://www.heartsong.top/forum.php?mod=viewthread&tid=31&extra=&page=2

共同点一目了然，其实我们不妨把参数改一改，空的参数去掉，下面三个url跟上面的三个请求到的页面是一样的

http://www.heartsong.top/forum.php?mod=viewthread&tid=13
http://www.heartsong.top/forum.php?mod=viewthread&tid=31
http://www.heartsong.top/forum.php?mod=viewthread&tid=31&page=2

局势更清晰了，所谓的tid，就是帖子的id，而参数page，就是若主题帖分页的话，主题帖的某一页，当然第一页也可以加上page参数，http://www.heartsong.top/forum.PHP?mod=viewthread&tid=13&page=1,一样可以请求到网页。
大部分的网站首页上都会有“最新帖子”，“最新新闻”这种模块，点进去就能找到tid的上限，若是没有的话，那就乖乖多次尝试吧，下限一般都是从零开始，不必多说。而page参数，需要我们在主题帖的第一页通过网页元素的分析去寻找出来。

根据我的经验，在很多论坛里，包括我的这个小破论坛，都或多或少的遭到广告的侵袭，会有很多tid对应的帖子被管理员删掉，所以下面的代码里我们要对这种帖子做相应的处理。一般来说，Discuz被删帖的tid或者是还没排到的tid会返回如下页面

爬取思路

通过以上的分析，我们可以得出这样的思路：
1 通过某种机制去迭代tid
2 在主题帖第一页中分析出总页数，去迭代带page参数的url

一些杂项

对于某些网站，他们有识别爬虫的机制，所以我们需要对我们的爬虫进行一定的伪装，在heartsong_spider.py中加入以下项。
其中，cookies在后面教程的回帖部分会用到，此处可以先置空。

# 用来保持登录状态，可把chrome上拷贝下来的字符串形式cookie转化成字典形式，粘贴到此处
cookies = {}# 发送给服务器的http头信息，有的网站需要伪装出浏览器头进行爬取，有的则不需要
headers = {# 'Connection': 'keep - alive','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'
}# 对请求的返回进行处理的配置
meta = {'dont_redirect': True,  # 禁止网页重定向'handle_httpstatus_list': [301, 302]  # 对哪些异常返回进行处理
}

重载start_requests

在找到tid的上限后，要想带着上面配置的杂项去发起Request请求，我们需要重载一个函数，配置使用star_urls所发起的第一条请求。
这里对heartsong_spider.py中的yield做一下解释，它既可以传出一个item到pipeline进行加工，也可以传出一个新的Request请求。在传出一个新请求的时候，就会多开启一个线程，Scrapy是异步多线程的爬虫框架，不需要我们对多线程有过多的了解。

def start_requests(self):"""这是一个重载函数，它的作用是发出第一个Request请求:return:"""# 带着headers、cookies去请求self.start_urls[0],返回的response会被送到# 回调函数parse中yield Request(self.start_urls[0],callback=self.parse, headers=self.headers,cookies=self.cookies, meta=self.meta)

编写迭代tid的函数

找到了tid的上限之后，我们的策略是从上限向0迭代，当然，要生成新的url，只需要对老的url串进行简单的处理就OK了

def get_next_url(self, oldUrl):'''description: 返回下次迭代的url:param oldUrl: 上一个爬去过的url:return: 下次要爬取的url'''# 传入的url格式：http://www.heartsong.top/forum.php?mod=viewthread&tid=34l = oldUrl.split('=')  #用等号分割字符串oldID = int(l[2])newID = oldID - 1if newID == 0:  # 如果tid迭代到0了，说明网站爬完，爬虫可以结束了returnnewUrl = l[0] + "=" + l[1] + "=" + str(newID)  #构造出新的urlreturn str(newUrl)  # 返回新的url

迭代request请求

有了找到下一个url的函数之后，我们就可以在适当的位置添加如下代码，发起新的请求，“适当的位置”包括以下两种情况：
* 本页的数据获取完成
* 本页被删除，无内容

# 发起下一个主题贴的请求
next_url = self.get_next_url(response.url)  # response.url就是原请求的url
if next_url != None:  # 如果返回了新的urlyield Request(next_url, callback=self.parse, headers=self.headers,cookies=self.cookies, meta=self.meta)

分析总页数

打开一个有分页的主题帖，和一个没有分页的主题贴，找不同

先判断页面内有没有分页的框，通过之前介绍的检查网页元素的办法找到总页数，通过XPath定位，然后通过一个简单的正则把总页数拿出来。

pages = selector.xpath('//*[@id="pgt"]/div/div/label/span')
if pages:  # 如果pages不是空列表，说明该主题帖分页pages = pages[0].re(r'[0-9]+')[0]  # 正则匹配出总页数print "This post has", pages, "pages"

迭代带page参数的url

分析出了总页数之后，无非就是拼接出子页的url，然后发起Request请求，不过要注意，回调函数不能再是parse了，因为那样的话会在这里无限的生成Request。所以我们需要自己定义一个函数sub_parse，去处理子页的response。

# response.url格式： http://www.heartsong.top/forum.php?mod=viewthread&tid=34
# 子utl格式： http://www.heartsong.top/forum.php?mod=viewthread&tid=34&page=1
tmp = response.url.split('=')  # 以=分割url
# 循环生成所有子页面的请求
for page_num in xrange(2, int(pages) + 1):
# 构造新的urlsub_url = tmp[0] + '=' + tmp[1] + '=' + tmp[2] + 'page=' + str(page_num)# 注意此处的回调函数是self.sub_parse,就是说这个请求的response会传到# self.sub_parse里去处理yield Request(sub_url,callback=self.sub_parse, headers=self.headers,cookies=self.cookies, meta=self.meta)

sub_parse:

def sub_parse(self, response):"""用以爬取主题贴除首页外的其他子页:param response::return:"""selector = Selector(response)table = selector.xpath('//*[starts-with(@id, "pid")]')  # 取出所有的楼层for each in table:item = HeartsongItem()  # 实例化一个item# 通过XPath匹配信息，注意extract（）方法返回的是一个listitem['author'] = each.xpath('tr[1]/td[@class="pls"]/div[@class="pls favatar"]/div[@class="pi"]/div[@class="authi"]/a/text()').extract()[0]item['post_time'] = each.xpath('tr[1]/td[@class="plc"]/div[@class="pi"]').re(r'[0-9]+-[0-9]+-[0-9]+ [0-9]+:[0-9]+:[0-9]+')[0]content_list = each.xpath('.//td[@class="t_f"]').xpath('string(.)').extract()content = "".join(content_list)  # 将list转化为stringitem['url'] = response.url  # 用这种方式获取网页的url# 把内容中的换行符，空格等去掉item['content'] = content.replace('\r\n', '').replace(' ', '').replace('\n', '')yield item  # 将创建并赋值好的Item对象传递到PipeLine当中进行处理

完整代码

settings.py，pipelines.py，item.py相较于第二节都没有改动。
heart_song.py:

# -*- coding: utf-8 -*-# import scrapy # 可以用这句代替下面三句，但不推荐
from scrapy.spiders import Spider
from scrapy.selector import Selector
from scrapy import Request
from heartsong.items import HeartsongItem  # 如果报错是pyCharm对目录理解错误的原因，不影响class HeartsongSpider(Spider):name = "heartsong"allowed_domains = ["heartsong.top"]  # 允许爬取的域名，非此域名的网页不会爬取start_urls = [# 起始url，这里设置为从最大tid开始，向0的方向迭代"http://www.heartsong.top/forum.php?mod=viewthread&tid=34"]# 用来保持登录状态，可把chrome上拷贝下来的字符串形式cookie转化成字典形式，粘贴到此处cookies = {}# 发送给服务器的http头信息，有的网站需要伪装出浏览器头进行爬取，有的则不需要headers = {# 'Connection': 'keep - alive','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'}# 对请求的返回进行处理的配置meta = {'dont_redirect': True,  # 禁止网页重定向'handle_httpstatus_list': [301, 302]  # 对哪些异常返回进行处理}def get_next_url(self, oldUrl):'''description: 返回下次迭代的url:param oldUrl: 上一个爬去过的url:return: 下次要爬取的url'''# 传入的url格式：http://www.heartsong.top/forum.php?mod=viewthread&tid=34l = oldUrl.split('=')  #用等号分割字符串oldID = int(l[2])newID = oldID - 1if newID == 0:  # 如果tid迭代到0了，说明网站爬完，爬虫可以结束了returnnewUrl = l[0] + "=" + l[1] + "=" + str(newID)  #构造出新的urlreturn str(newUrl)  # 返回新的urldef start_requests(self):"""这是一个重载函数，它的作用是发出第一个Request请求:return:"""# 带着headers、cookies去请求self.start_urls[0],返回的response会被送到# 回调函数parse中yield Request(self.start_urls[0],callback=self.parse, headers=self.headers,cookies=self.cookies, meta=self.meta)def parse(self, response):"""用以处理主题贴的首页:param response::return:"""selector = Selector(response)  # 创建选择器table = selector.xpath('//*[starts-with(@id, "pid")]')  # 取出所有的楼层if not table:# 这个链接内没有一个楼层，说明此主题贴可能被删了，# 把这类url保存到一个文件里，以便审查原因print "bad url!"f = open('badurl.txt', 'a')f.write(response.url)f.write('\n')f.close()# 发起下一个主题贴的请求next_url = self.get_next_url(response.url)  # response.url就是原请求的urlif next_url != None:  # 如果返回了新的urlyield Request(next_url, callback=self.parse, headers=self.headers,cookies=self.cookies, meta=self.meta)returnfor each in table:item = HeartsongItem()  # 实例化一个item# 通过XPath匹配信息，注意extract（）方法返回的是一个listitem['author'] = each.xpath('tr[1]/td[@class="pls"]/div[@class="pls favatar"]/div[@class="pi"]/div[@class="authi"]/a/text()').extract()[0]item['post_time'] = each.xpath('tr[1]/td[@class="plc"]/div[@class="pi"]').re(r'[0-9]+-[0-9]+-[0-9]+ [0-9]+:[0-9]+:[0-9]+')[0]# XPath的string(.)用法，解决标签套标签的情况，具体解释请自行找XPath教程content_list = each.xpath('.//td[@class="t_f"]').xpath('string(.)').extract()content = "".join(content_list)  # 将list转化为stringitem['url'] = response.url  # 用这种方式获取网页的url# 把内容中的换行符，空格等去掉item['content'] = content.replace('\r\n', '').replace(' ', '').replace('\n', '')yield item  # 将创建并赋值好的Item对象传递到PipeLine当中进行处理pages = selector.xpath('//*[@id="pgt"]/div/div/label/span')if pages:  # 如果pages不是空列表，说明该主题帖分页pages = pages[0].re(r'[0-9]+')[0]  # 正则匹配出总页数print "This post has", pages, "pages"# response.url格式： http://www.heartsong.top/forum.php?mod=viewthread&tid=34# 子utl格式： http://www.heartsong.top/forum.php?mod=viewthread&tid=34&page=1tmp = response.url.split('=')  # 以=分割url# 循环生成所有子页面的请求for page_num in xrange(2, int(pages) + 1):# 构造新的urlsub_url = tmp[0] + '=' + tmp[1] + '=' + tmp[2] + 'page=' + str(page_num)# 注意此处的回调函数是self.sub_parse,就是说这个请求的response会传到# self.sub_parse里去处理yield Request(sub_url,callback=self.sub_parse, headers=self.headers,cookies=self.cookies, meta=self.meta)# 发起下一个主题贴的请求next_url = self.get_next_url(response.url)  # response.url就是原请求的urlif next_url != None:  # 如果返回了新的urlyield Request(next_url,callback=self.parse, headers=self.headers,cookies=self.cookies, meta=self.meta)def sub_parse(self, response):"""用以爬取主题贴除首页外的其他子页:param response::return:"""selector = Selector(response)table = selector.xpath('//*[starts-with(@id, "pid")]')  # 取出所有的楼层for each in table:item = HeartsongItem()  # 实例化一个item# 通过XPath匹配信息，注意extract（）方法返回的是一个listitem['author'] = each.xpath('tr[1]/td[@class="pls"]/div[@class="pls favatar"]/div[@class="pi"]/div[@class="authi"]/a/text()').extract()[0]item['post_time'] = each.xpath('tr[1]/td[@class="plc"]/div[@class="pi"]').re(r'[0-9]+-[0-9]+-[0-9]+ [0-9]+:[0-9]+:[0-9]+')[0]content_list = each.xpath('.//td[@class="t_f"]').xpath('string(.)').extract()content = "".join(content_list)  # 将list转化为stringitem['url'] = response.url  # 用这种方式获取网页的url# 把内容中的换行符，空格等去掉item['content'] = content.replace('\r\n', '').replace(' ', '').replace('\n', '')yield item  # 将创建并赋值好的Item对象传递到PipeLine当中进行处理

运行

同教程二。区别在于爬的数据是多个帖子的数据。

小结

至此，一个较为完整的定向爬虫已经写完了，项目地址https://github.com/kongtianyi/heartsong。接下来的教程中，我会介绍如何拓展功能。比如某些帖子内容需要回复可见，我们需要爬虫自动回复。再比如有些网站会检测出你是爬虫然后封你的IP，这时候就需要启用代理。等等……