scrapy爬虫事件以及数据保存为txt,json,mysql

今天要爬取的网页是虎嗅网

我们将完成如下几个步骤：

• 创建一个新的Scrapy工程
• 定义你所需要要抽取的Item对象
• 编写一个spider来爬取某个网站并提取出所有的Item对象
• 编写一个Item Pipline来存储提取出来的Item对象

创建Scrapy工程

在任何目录下执行如下命令

scrapy startproject coolscrapy

cd coolscrapy
scrapy genspider huxiu huxiu.com

我们看看创建的工程目录结构：（news.json,news.txt是最后结果保存的）

定义Item

我们通过创建一个scrapy.Item类，并定义它的类型为scrapy.Field的属性， 我们准备将虎嗅网新闻列表的名称、链接地址和摘要爬取下来。

 import scrapy

 class CoolscrapyItem(scrapy.Item):
     # define the fields for your item here like:
     # name = scrapy.Field()
     title = scrapy.Field() #标题
     link = scrapy.Field() #链接
     desc = scrapy.Field() #简述
     posttime = scrapy.Field() #发布时间

编写Spider

蜘蛛就是你定义的一些类，Scrapy使用它们来从一个domain（或domain组）爬取信息。 在蜘蛛类中定义了一个初始化的URL下载列表，以及怎样跟踪链接，如何解析页面内容来提取Item。

定义一个Spider，只需继承scrapy.Spider类并定于一些属性：

• name: Spider名称，必须是唯一的
• start_urls: 初始化下载链接URL
• parse(): 用来解析下载后的Response对象，该对象也是这个方法的唯一参数。 它负责解析返回页面数据并提取出相应的Item（返回Item对象），还有其他合法的链接URL（返回Request对象）。

我们打开在coolscrapy/spiders文件夹下面的huxiu.py，内容如下：

 # -*- coding: utf-8 -*-
 import scrapy
 from coolscrapy.items import CoolscrapyItem

 class HuxiuSpider(scrapy.Spider):
     name = "huxiu"
     allowed_domains = ["huxiu.com"]
     start_urls = ['http://huxiu.com/index.php']

     def parse(self, response):
         items = []
         data = response.xpath('//div[@class="mod-info-flow"]/div/div[@class="mob-ctt"]')
         for sel in data:
             item = CoolscrapyItem()
             if len(sel.xpath('./h2/a/text()').extract()) <= 0:
                 item['title'] = 'No title'
             else:
                 item['title'] = sel.xpath('./h2/a/text()').extract()[0]
             if len(sel.xpath('./h2/a/@href').extract()) <= 0:
                 item['link'] = 'link在哪里！！！！！！！！'
             else:
                 item['link'] = sel.xpath('./h2/a/@href').extract()[0]
             url = response.urljoin(item['link'])
             if len(sel.xpath('div[@class="mob-sub"]/text()').extract()) <= 0:
                 item['desc'] = '啥也没有哦...'
             else:
                 item['desc'] = sel.xpath('div[@class="mob-sub"]/text()').extract()[0]
             #item['posttime'] = sel.xpath('./div[@class="mob-author"]/span/@text()').extract()[0]
             print(item['title'], item['link'], item['desc'])
             items.append(item)
         return items

现在可以在终端运行了，是可以打印每个新闻信息的。

scrapy crawl huxiu

如果一切正常，应该可以打印出每一个新闻

处理链接

如果想继续跟踪每个新闻链接进去，看看它的详细内容的话，那么可以在parse()方法中返回一个Request对象， 然后注册一个回调函数来解析新闻详情。

下面继续编写huxiu.py

# -*- coding: utf-8 -*-
import scrapy
from coolscrapy.items import CoolscrapyItem

class HuxiuSpider(scrapy.Spider):
    name = "huxiu"
    allowed_domains = ["huxiu.com"]
    start_urls = ['http://huxiu.com/index.php']

    def parse(self, response):
        #items = []
        data = response.xpath('//div[@class="mod-info-flow"]/div/div[@class="mob-ctt"]')
        for sel in data:
            item = CoolscrapyItem()
            if len(sel.xpath('./h2/a/text()').extract()) <= 0:
                item['title'] = 'No title'
            else:
                item['title'] = sel.xpath('./h2/a/text()').extract()[0]
            if len(sel.xpath('./h2/a/@href').extract()) <= 0:
                item['link'] = 'link在哪里！！！！！！！！'
            else:
                item['link'] = sel.xpath('./h2/a/@href').extract()[0]
            url = response.urljoin(item['link'])
            if len(sel.xpath('div[@class="mob-sub"]/text()').extract()) <= 0:
                item['desc'] = '啥也没有哦...'
            else:
                item['desc'] = sel.xpath('div[@class="mob-sub"]/text()').extract()[0]
            #item['posttime'] = sel.xpath('./div[@class="mob-author"]/span/@text()').extract()[0]
            print(item['title'], item['link'], item['desc'])
            #items.append(item)
        #return items
            yield scrapy.Request(url,callback=self.parse_article)

    def parse_article(self,response):
        detail = response.xpath('//div[@class="article-wrap"]')
        item = CoolscrapyItem()
        item['title'] = detail.xpath('./h1/text()')[0].extract().strip()
        item['link'] = response.url
        item['posttime'] = detail.xpath('./div/div[@class="column-link-box"]/span[1]/text()')[0].extract()
        print(item['title'],item['link'],item['posttime'])
        yield item

现在parse只提取感兴趣的链接，然后将链接内容解析交给另外的方法去处理了。 你可以基于这个构建更加复杂的爬虫程序了。

导出抓取数据

最简单的保存抓取数据的方式是使用json格式的文件保存在本地，像下面这样运行：

scrapey crawl huxiu -o items.json

一般构建爬虫系统，建议自己编写Item Pipeline

数据保存为TXT/JSON/MySql

1.数据保存为TXT

打开Pipeline.py

 import codecs
 import os
 import json
 import pymysql

 class CoolscrapyPipeline(object):#需要在setting.py里设置'coolscrapy.piplines.CoolscrapyPipeline':300
     def process_item(self, item, spider):
         # 获取当前工作目录
         base_dir = os.getcwd()
         fiename = base_dir + '/news.txt'
         # 从内存以追加的方式打开文件，并写入对应的数据
         with open(fiename, 'a') as f:
             f.write(item['title'] + '\n')
             f.write(item['link'] + '\n')
             f.write(item['posttime'] + '\n\n')
         return item

2.保存为json格式

在Pipeline.py里面新建一个类

 #以下两种写法保存json格式，需要在settings里面设置'coolscrapy.pipelines.JsonPipeline': 200

 class JsonPipeline(object):
     def __init__(self):
         self.file = codecs.open('logs.json', 'w', encoding='utf-8')
     def process_item(self, item, spider):
         line = json.dumps(dict(item), ensure_ascii=False) + "\n"
         self.file.write(line)
         return item
     def spider_closed(self, spider):
         self.file.close()

 class JsonPipeline(object):
     def process_item(self, item, spider):
         base_dir = os.getcwd()
         filename = base_dir + '/news.json'
         # 打开json文件，向里面以dumps的方式吸入数据
         # 注意需要有一个参数ensure_ascii=False ，不然数据会直接为utf编码的方式存入比如
         # :“/xe15”
         with codecs.open(filename, 'a') as f:
             line = json.dumps(dict(item), ensure_ascii=False) + '\n'
             f.write(line)
         return item

上面是两种写法，都是一样的

3.保存到mysql

保存到数据库需要建立表格newsDB，详情请参考http://www.cnblogs.com/freeman818/p/7223161.html

在Pipeline.py里面新建一个类

 class mysqlPipeline(object):
     def process_item(self,item,spider):
         '''
         将爬取的信息保存到mysql
         '''
         # 将item里的数据拿出来
         title = item['title']
         link = item['link']
         posttime = item['posttime']

         # 和本地的newsDB数据库建立连接
         db = pymysql.connect(
             host='localhost',  # 连接的是本地数据库
             user='root',  # 自己的mysql用户名
             passwd='',  # 自己的密码
             db='newsDB',  # 数据库的名字
             charset='utf8mb4',  # 默认的编码方式：
             cursorclass=pymysql.cursors.DictCursor)
         try:
             # 使用cursor()方法获取操作游标
             cursor = db.cursor()
             # SQL 插入语句
             sql = "INSERT INTO NEWS(title,link,posttime) \
                   VALUES ('%s', '%s', '%s')" % (title,link,posttime)
             # 执行SQL语句
             cursor.execute(sql)
             # 提交修改
             db.commit()
         finally:
             # 关闭连接
             db.close()
         return item

编写Settings.py

我们需要在Settings.py将我们写好的PIPELINE添加进去，
scrapy才能够跑起来
这里只需要增加一个dict格式的ITEM_PIPELINES，
数字value可以自定义，数字越小的优先处理

 ITEM_PIPELINES={'coolscrapy.pipelines.CoolscrapyPipeline':300,
                 'coolscrapy.pipelines.JsonPipeline': 200,
                 'coolscrapy.pipelines.mysqlPipeline': 100,
 }

下面让程序跑起来

scrape crawl huxiu

看看结果：

好了，这次就到这里。代码要自己敲才会慢慢熟练。