scrapy CrawlSpider爬取猎云网文章数据

任务目标： 爬取猎云网（https://www.lieyunwang.com）的新闻数据，包括标题、发布时间、作者、新闻内容、原始url等，以异步的方式存入MySQL数据库。

分析猎云网主页的新闻列表页url及新闻详情页url发现：

  1. 新闻列表页的url格式为 https://www.lieyunwang.com/latest/p2.html p2表示第二页，更改数字，即可获取其他页面的url
  2. 新闻详情页的url格式为 https://www.lieyunwang.com/archives/471624 471624表示新闻id，前面部分的url都是一样的

对于这种url高度类似的页面数据抓取，可以使用scrapy框架的CrawlSpider，CrawlSpider可以定义抓取规则，实现某一格式的url抓取

实现步骤：

第一步：创建scrapy项目，新建继承自CrawlSpider的爬虫类文件lieyunSpider.py
在需要创建项目的目录下，shift + 鼠标右键，点击在此处打开命令窗口，键入 scrapy startproject lieyun 创建一个scrapy项目
进入lieyun目录下： cd lieyun
键入 scrapy genspider -t crawl lieyunSpider www.leiyunwang.com 新建一个爬虫文件lieyunSpider.py，默认爬虫类继承自CrawlSpider
（如果没有加 -t crawl，创建的爬虫文件内的类默认继承自scrapy.Spider，此时也可以手动导入CrawlSpider及相关包【from scrapy.linkextractors import LinkExtractor 以及 from scrapy.spiders import CrawlSpider, Rule】，实现一样的功能和操作）

第二步：定义抓取字段，实现items.py文件

import scrapy

class LieyunItem(scrapy.Item):
    title = scrapy.Field()
    pub_time = scrapy.Field()
    author = scrapy.Field()
    content = scrapy.Field()
    origin_url = scrapy.Field()

第三步：分析网页结构，定义CrawlSpider抓取规则

# -*- coding: utf-8 -*-
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import LieyunItem
import re

class LieyunspiderSpider(CrawlSpider):
    name = 'lieyunSpider'
    allowed_domains = ['lieyunwang.com']
    start_urls = ['https://www.lieyunwang.com/latest/p1.html']

    rules = (
        Rule(LinkExtractor(allow=r'/latest/pd+.html'), follow=True),
        Rule(LinkExtractor(allow=r'/archives/d+'), callback='parse_item', follow=False)
    )

    def parse_item(self, response):
        pass

rules = (Rule(LinkExtractor(allow='', follow=*** ......))) 该段语句为固定写法，表示定义抓取规则
一个 Rule(LinkExtractor()) 表示定义一个规则，allow 表示抓取的url所匹配的正则表达式， follow表示是否跟随抓取，即有相同规则的url时是否继续抓取，callback表示回调函数，用来处理符合该抓取规则的url
以上代码分别定义了新闻列表页和详情页的url规则以及相应处理方式（这些url规则需在start_urls的响应内容中存在，因为就是从start_urls的网页源代码中开始匹配的）

第四步：分析新闻详情页网页结构，完善爬虫文件lieyunSpider.py

# -*- coding: utf-8 -*-
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import LieyunItem


class LieyunspiderSpider(CrawlSpider):
    name = 'lieyunSpider'
    allowed_domains = ['lieyunwang.com']
    start_urls = ['https://www.lieyunwang.com/latest/p1.html']

    rules = (
        Rule(LinkExtractor(allow=r'/latest/pd+.html'), follow=True),
        Rule(LinkExtractor(allow=r'/archives/d+'), callback='parse_item', follow=False)
    )

    def parse_item(self, response):
        item = LieyunItem()
        item['title'] = "".join(response.xpath('//h1[@class="lyw-article-title-inner"]/text()').getall()).strip()
        item['pub_time'] = response.xpath('//h1[@class="lyw-article-title-inner"]/span[@class="time"]/text()').get()
        item['author'] = response.xpath('//div[@class="main-text"]/p/strong/text()').get()
        item['content'] = "".join(response.xpath('//div[@class="main-text"]//text()').getall()).strip()
        item['origin_url'] = response.url
        return item

第五步：编写数据处理文件pipelines.py
由于使用pymysql直接进行数据插入这种同步的方式效率很低，这里使用异步的方式向MySQL数据库存储数据。
异步保存MySQL数据方法：

  1. 使用 twisted.enterprise.adbapi 创建连接池
  2. 使用 runInteraction 来运行插入sql语句的函数
  3. 在插入sql语句的函数中，第一个非self的参数就是cursor对象，通过该对象执行sql语句

在编写pipelines.py之前，需先在settings.py中配置数据库相关信息

MYSQL_CONFIG = {
    'DRIVER': 'pymysql',
    'HOST': '127.0.0.1',
    'PORT': 3307,
    'USER': 'root',
    'PASSWORD': '123456',
    'DATABASE': 'lieyun'
}

端口号（默认3306，整型）、用户名、密码等可根据实际情况修改，配置完成后，也需要在MySQL数据库中提前建好 lieyun 数据库，以及 lieyun_news 数据表，该数据表有6个字段，分别为 id（主键）、title（varchar）、pub_time（varchar）、author（varchar）、content（text）、origin_url（varchar）

编写pipelines.py，参考代码如下：

# -*- coding: utf-8 -*-
from twisted.enterprise import adbapi

class LieyunPipeline:

    def __init__(self, mysql_config):
        self.dbpool = adbapi.ConnectionPool(
            mysql_config['DRIVER'],
            host=mysql_config['HOST'],
            port=mysql_config['PORT'],
            user=mysql_config['USER'],
            password=mysql_config['PASSWORD'],
            db=mysql_config['DATABASE'],
            charset='utf8'
        )

    def process_item(self, item, spider):
        query = self.dbpool.runInteraction(self.do_insert, item)
        query.addErrback(self.handle_error)
        return item

    @classmethod
    def from_crawler(cls, crawler):
        mysql_config = crawler.settings['MYSQL_CONFIG']
        return cls(mysql_config)

    def do_insert(self, cursor, item):
        sql = 'insert into lieyun_news (title,pub_time,author,content,origin_url) values (%s,%s,%s,%s,%s)'
        args = (item['title'], item['pub_time'], item['author'], item['content'], item['origin_url'])
        cursor.execute(sql, args)

    def handle_error(self, failure):
        print('=' * 40)
        print(failure)
        print('=' * 40)

通过重写类方法from_crawler实现载入settings.py文件中对于MYSQL_CONFIG的配置，同时通过 adbapi.ConnectionPool 创建连接池，do_insert方法实现插入数据的操作，在处理方法process_item中使用连接池的runInteraction方法执行所有数据的插入，这样就可以实现异步的插入数据了。然后在settings.py中配置此pipeline

ITEM_PIPELINES = {
   'lieyun.pipelines.LieyunPipeline': 300,
}

第六步：补齐settings.py文件，编写主执行文件main.py
补齐settings.py文件的常用属性：

ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'
}

编写爬虫运行文件main.py（在items.py同级目录下新建）：

from scrapy import cmdline

cmdline.execute("scrapy crawl lieyunSpider".split())

第七步：运行爬虫程序，查看结果
运行main.py，查看运行结果及数据库信息：

可以看到，爬虫成功爬取到了数据，且成功存储到MySQL数据库。

至此，项目结束

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/achangblog/p/13961757.html