scrapy抓取国家社科基金项目数据库

1.明确任务

目标网站：http://fz.people.com.cn/skygb/sk/index.php/Index/seach

抓取任务：抓取近五年某关键词（例如"能源"、”大数据“等）的搜索结果，抓取内容包括项目编号、项目名称、学科分类等十一个字段。

2.网站分析

利用Fiddler工具分析，输入关键词，指定年份后，点击搜索，针对有多页码搜索结果点击下一页，发现此过程共包括一个POST请求和一个GET请求；其中，指定关键词和年份点击搜索的过程为POST请求，点击下一页的过程为GET请求。

POST请求参数：

formdata = {
        'xmname': '',
        'xktype': '',
        'xmtype': '',
        'cglevel': '',
        'cbdate ': '',
        'cgxs': '',
        'lxtime': '',
        'ssxt': '',
        'zyzw': '',
        'dwtype': '',
        'jxdata': '',
        'szdq': '',
        'pznum': '',
        'cgname': '',
        'jxnum': '',
        'cbs': '',
        'xmleader': '',
        'hj': '',
        'gzdw': '',
        'zz': ''
    }

POST请求目标URL：http://fz.people.com.cn/skygb/sk/index.php/Index/seach

GET请求只需要指定参数p即可，因此构造GET请求url为：

n_url = self.url + '?' + 'xmname={}&p={}'.format(formdata['xmname'], self.page)

其中，xmname为搜索关键词，p为第几页的页码。

3.代码编写

3.1 创建scrapy爬虫项目

创建项目，名为ProSearch，使用命令：

scrapy startproject ProSearch http://fz.people.com.cn

3.2 明确抓取字段

创建爬虫项目后，编写items.py文件，明确待抓取的字段

# -*- coding: utf-8 -*-
import scrapy
class ProsearchItem(scrapy.Item):

    # 关键词
    keyword = scrapy.Field()
    # 项目编号
    pronums = scrapy.Field()
    # 项目类别
    protype = scrapy.Field()
    # 学科类别
    subtype = scrapy.Field()
    # 项目名称
    proname = scrapy.Field()
    # 立项时间
    protime = scrapy.Field()
    # 负责人
    leaders = scrapy.Field()
    # 工作单位
    workloc = scrapy.Field()
    # 单位类别
    orgtype = scrapy.Field()
    # 所在省市
    provloc = scrapy.Field()
    # 所属系统
    systloc = scrapy.Field()

3.3 生成爬虫文件

在cmd窗口进入到ProSearch项目后，生成爬虫文件。使用命令：

scrapy genspider SearchPro

3.4 编写爬虫逻辑

生成爬虫文件后，来到spiders文件夹下的SearchPro.py文件，开始辨写爬虫逻辑。

# -*- coding: utf-8 -*-
import scrapy
from ProSearch.items import ProsearchItem

class SearchproSpider(scrapy.Spider):

    name = 'SearchPro'  # 爬虫名称
    allowed_domains = ['fz.people.com.cn']
    # start_urls = ['http://fz.people.com.cn/skygb/sk/index.php/Index/seach']
    page = 1

    # 指定检索关键词
    keywords = ['可持续', '互联网', '大数据', '能源']
    # 角标
    index = 0
    # 年份
    years = 2018

    # POST提交参数
    formdata = {
        'xmname': '',
        'xktype': '',
        'xmtype': '',
        'cglevel': '',
        'cbdate ': '',
        'cgxs': '',
        'lxtime': '',
        'ssxt': '',
        'zyzw': '',
        'dwtype': '',
        'jxdata': '',
        'szdq': '',
        'pznum': '',
        'cgname': '',
        'jxnum': '',
        'cbs': '',
        'xmleader': '',
        'hj': '',
        'gzdw': '',
        'zz': ''
    }

    # 参数提交的url
    url = "http://fz.people.com.cn/skygb/sk/index.php/Index/seach"

    def start_requests(self):
        """
        POST请求实现一般是重写start_requests函数，指定第一个关键词为默认检索关键词
        :return:
        """
        self.formdata['xmname'] = '可持续'
        self.formdata['lxtime'] = str(self.years)
        yield scrapy.FormRequest(
            url=self.url,
            formdata=self.formdata,
            callback=self.parse,
            meta={'formdata': self.formdata}
        )

    def parse(self, response):
        """
        解析数据
        :param response:
        :return:
        """
        if response.meta['formdata']:
            formdata = response.meta['formdata']

        # 每行数据所在节点
        try:
            node_list = response.xpath("//div[@class='jc_a']/table/*")[1:]
        except:
            print("关键词‘{}’无搜索结果!".format(formdata['xmname']))
        for node in node_list:
            # 提取数据
            item = ProsearchItem()
            # 关键词
            item['keyword'] = formdata['xmname']
            # 项目编号
            item['pronums'] = node.xpath('./td[1]/span/text()').extract_first()
            # 项目类别
            item['protype'] = node.xpath('./td[2]/span/text()').extract_first()
            # 学科类别
            item['subtype'] = node.xpath('./td[3]/span/text()').extract_first()
            # 项目名称
            item['proname'] = node.xpath('./td[4]/span/text()').extract_first()
            # 立项时间
            item['protime'] = node.xpath('./td[5]/span/text()').extract_first()
            # 负责人
            item['leaders'] = node.xpath('./td[6]/span/text()').extract_first()
            # 工作单位
            item['workloc'] = node.xpath('./td[8]/span/text()').extract_first()
            # 单位类别
            item['orgtype'] = node.xpath('./td[9]/span/text()').extract_first()
            # 所属省市
            item['provloc'] = node.xpath('./td[10]/span/text()').extract_first()
            # 所属系统
            item['systloc'] = node.xpath('./td[11]/span/text()').extract_first()
            yield item

        # 匹配下一页的数据
        if '下一页' in response.xpath("//div[@class='page clear']/a").extract():
            self.page += 1
            n_url = self.url + '?' + 'xmname={}&p={}'.format(formdata['xmname'], self.page)
            yield scrapy.Request(url=n_url, callback=self.parse, meta={'formdata': formdata})

        # 匹配其他年份的数据
        searcy_year = int(formdata['lxtime'])
        if not searcy_year <= 2014:
            searcy_year -= 1
            formdata['lxtime'] = str(searcy_year)
            print("检索关键词：{}!".format(formdata['xmname']))
            yield scrapy.FormRequest(
                    url=self.url,
                    formdata=formdata,
                    callback=self.parse,
                    meta={'formdata': formdata}
            )
        # 其他关键词搜索
        else:
            self.index += 1
            if not self.index > len(self.keywords)-1:
                keyword = self.keywords[self.index]
                print("更新检索关键词为：{}".format(keyword))

                formdata['xmname'] = keyword
                formdata['lxtime'] = str(self.years)

                yield scrapy.FormRequest(
                        url=self.url,
                        formdata=formdata,
                        callback=self.parse,
                        meta={'formdata': formdata}
                )

3.5 编写数据保存逻辑

本项目用excel对数据进行保存。在pipelines.py文件中编写数据保存的逻辑。

# -*- coding: utf-8 -*-
from openpyxl import Workbook

class ProsearchPipeline(object):

    def __init__(self):
        # 创建excel表格保存数据
        self.workbook = Workbook()
        self.booksheet = self.workbook.active
        self.booksheet.append(['关键词', '项目编号', '项目类别', '学科类别', '项目名称', '立项时间', '负责人', '工作单位', '单位类别', '所在省市', '所属系统'])

    def process_item(self, item, spider):

        DATA = [
            item['keyword'], item['pronums'], item['protype'], item['subtype'], item['proname'], item['protime'], item['leaders'], item['workloc'], item['orgtype'], item['provloc'], item['systloc']
        ]

        self.booksheet.append(DATA)
        self.workbook.save('./data/ProSearch.xls')
        return item

3.6 其他细节

到此基本内容完成，设置一下settings.py文件对细节进行处理基本爬虫就可以运行了。

处理一：打开pipline通道

处理二：添加随机请求头并打开下载中间件

处理三：添加重拾、延时、log级别等

处理四：编写脚本main.py文件

scrapy默认使用命令行进行创建、生成、爬去等任务，可尝试在整个项目下编写一个main.py文件，将爬去命令添加到py文件中，直接在编辑器中F5运行。

下次每次运行main.py文件就可以直接运行了。

4.完整代码

完整代码参见github。