python编写爬虫脚本并实现APScheduler调度

前段时间自学了python，作为新手就想着自己写个东西能练习一下，了解到python编写爬虫脚本非常方便，且最近又学习了MongoDB相关的知识，万事具备只欠东风。

程序的需求是这样的，爬虫爬的页面是京东的电子书网站页面，每天会更新一些免费的电子书，爬虫会把每天更新的免费的书名以第一时间通过邮件发给我，通知我去下载。

一、编写思路：

　　1.爬虫脚本获取当日免费书籍信息

　　2.把获取到的书籍信息与数据库中的已有信息作比较，如果书籍存在不做任何操作，书籍不存在，执行插入数据库的操作，把数据的信息存入MongoDB

　　3.执行数据库插入操作时，把更新的数据以邮件的形式发送出来

　　4.用APScheduler调度框架完成python脚本调度

二、脚本的主要知识点：

1.python简单爬虫

本次用到的模块有urllib2用来抓取页面，导入模块如下：

import urllib2
from sgmllib import SGMLParser

urlopen()方法获取网页HTML源码，都存储在content中，listhref()类主要的功能是解析HTML代码，处理HTML类型的半结构化文档。

content = urllib2.urlopen('http://sale.jd.com/act/yufbrhZtjx6JTV.html').read()
 listhref = ListHref()
listhref.feed(content)

listhref()类代码可以在下面全部代码中查询到，这里只说几个关键点：

listhref()类继承了SGMLParser 类并重写了其中的内部方法。SGMLParser 将HTML分解成有用的片段，比如开始标记和结束标记。一旦成功地分解出某个数据为一个有用的片段，它会根据所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 SGMLParser类，并且重写父类的这些方法。

SGMLParser 将 HTML 分析成不同类数据及标记，然后对每一类调用单独的方法:
开始标记 (Start_tag)
是一个开始一个块的 HTML 标记，像 <html>，<head>，<body> , <pre> 等，或是一个独一的标记，象 <br> 或 <img> 等。本例当它找到一个开始标记<a>，SGMLParser将查找名为 start_a或do_a的方法。如果找到了，SGMLParser会使用这个标记的属性列表来调用这个方法；否则，它用这个标记的名字和属性列表来调用unknown_starttag方法。
结束标记 (End_tag)
是结束一个块的HTML标记，像 </html>，</head>，</body> 或 </pre> 等。本例中当找到一个结束标记时，SGMLParser 将查找名为end_a的方法。如果找到，SGMLParser调用这个方法，否则它使用标记的名字来调用unknown_endtag。
文本数据(Text data)
获取文本块，当不满足其它各类别的任何标记时，调用handle_data获取文本。

以下的几类在本文中没有用到
字符引用 (Character reference)
用字符的十进制或等同的十六进制来表示的转义字符，当找到该字符，SGMLParser用字符调用 handle_charref 。
实体引用 (Entity reference)
HTML实体，像&ref，当找到该实体，SGMLParser实体的名字调用handle_entityref。
注释 (Comment)
HTML注释, 包括在 之间。当找到，SGMLParser用注释内容调用handle_comment。
处理指令 (Processing instruction)
HTML处理指令，包括在 <? ... > 之间。当找到，SGMLParser用指令内容调 handle_pi。
声明 (Declaration)
HTML声明，如DOCTYPE，包括在 <! ... >之间。当找到，SGMLParser用声明内容调用handle_decl。

具体的说明参考API：http://docs.python.org/2/library/sgmllib.html?highlight=sgmlparser#sgmllib.SGMLParser

2.python操作MongoDB数据库

首先要安装python对mongoDB的驱动PyMongo,下载地址：https://pypi.python.org/pypi/pymongo/2.5

导入模块

import pymongo

连接数据库服务器127.0.0.1和切换到所用数据库mydatabase

mongoCon=pymongo.Connection(host="127.0.0.1",port=27017)
db= mongoCon.mydatabase

查找数据库相关书籍信息，book为查找的collection

bookInfo = db.book.find_one({"href":bookItem.href})

为数据库插入书籍信息，python支持中文，但是对于中文的编码和解码还是比较复杂，相关解码和编码请参考http://blog.csdn.net/mayflowers/article/details/1568852

b={
               "bookname":bookItem.bookname.decode('gbk').encode('utf8'),
               "href":bookItem.href,
               "date":bookItem.date
               }
            db.book.insert(b,safe=True)

关于PyMongo请参考API文档http://api.mongodb.org/python/2.0.1/

3.python发送邮件

导入邮件模块

# Import smtplib for the actual sending function
import smtplib
from email.mime.text import MIMEText

"localhost"为邮件服务器地址

　 msg = MIMEText(context) #文本邮件的内容
    msg['Subject'] = sub #主题
    msg['From'] = "my@vmail.cn" #发信人
    msg['To'] = COMMASPACE.join(mailto_list) #收信人列表

def send_mail(mailto_list, sub, context): 
    COMMASPACE = ','
    mail_host = "localhost"
    me = "my@vmail.cn"
    # Create a text/plain message
    msg = MIMEText(context) 
    msg['Subject'] = sub 
    msg['From'] = "my@vmail.cn"
    msg['To'] = COMMASPACE.join(mailto_list)
    
    send_smtp = smtplib.SMTP(mail_host) 

    send_smtp.sendmail(me, mailto_list, msg.as_string()) 
    send_smtp.close()

应用文档：http://docs.python.org/2/library/email.html?highlight=smtplib#

4.Python调度框架ApScheduler

下载地址https://pypi.python.org/pypi/APScheduler/2.1.0

官方文档：http://pythonhosted.org/APScheduler/#faq

API：http://pythonhosted.org/APScheduler/genindex.html

安装方法：下载之后解压缩，然后执行python setup.py install，导入模块

from apscheduler.scheduler import Scheduler

ApScheduler配置比较简单，本例中只用到了add_interval_job方法，在每间隔一段时间后执行任务脚本，本例中的间隔是30分钟。可参考实例文章http://flykite.blog.51cto.com/4721239/832036

# Start the scheduler  
sched = Scheduler()
sched.daemonic = False  
sched.add_interval_job(job,minutes=30)  
sched.start()

关于daemonic参数：

apscheduler会创建一个线程，这个线程默认是daemon=True，也就是默认的是线程守护的。

在上面的代码里面，要是不加上sched.daemonic=False的话，这个脚本就不会按时间运行。

因为脚本要是没有sched.daemonic=False，它会创建一个守护线程。这个过程中，会创建scheduler的实例。但是由于脚本运行速度很快，主线程mainthread会马上结束，而此时定时任务的线程还没来得及执行，就跟随主线程结束而结束了。（守护线程和主线程之间的关系决定的）。要让脚本运行正常，必须设置该脚本为非守护线程。sched.daemonic=False

附：全部脚本代码

All Code

#-*- coding: UTF-8 -*-
import urllib2
from sgmllib import SGMLParser
import pymongo
import time
# Import smtplib for the actual sending function
import smtplib
from email.mime.text import MIMEText
from apscheduler.scheduler import Scheduler

#get freebook hrefs
class ListHref(SGMLParser):
    def __init__(self):
        SGMLParser.__init__(self)
        self.is_a = ""
        self.name = []
        self.freehref=""
        self.hrefs=[]

    def start_a(self, attrs):
        self.is_a = 1
        href = [v for k, v in attrs if k == "href"]
        self.freehref=href[0]

    def end_a(self):
        self.is_a = ""

    def handle_data(self, text):
        if self.is_a == 1 and text.decode('utf8').encode('gbk')=="限时免费":
            self.hrefs.append(self.freehref)
#get freebook Info
class FreeBook(SGMLParser):
    def __init__(self):
        SGMLParser.__init__(self)
        self.is_title=""
        self.name = ""
    def start_title(self, attrs):
        self.is_title = 1
    def end_title(self):
        self.is_title = ""
    def handle_data(self, text):
        if self.is_title == 1:            
            self.name=text
#Mongo Store Module
class freeBookMod:
    def __init__(self, date, bookname ,href):
        self.date=date
        self.bookname=bookname
        self.href=href


def get_book(bookList):
    content = urllib2.urlopen('http://sale.jd.com/act/yufbrhZtjx6JTV.html').read()
    listhref = ListHref()
    listhref.feed(content)

    for href in listhref.hrefs:
        content = urllib2.urlopen(str(href)).read()
        listbook=FreeBook()
        listbook.feed(content)
        name = listbook.name
        n= name.index('》')
        #print (name[0:n+2])
        freebook=freeBookMod(time.strftime('%Y-%m-%d',time.localtime(time.time())),name[0:n+2],href)
        bookList.append(freebook)
    return bookList

def record_book(bookList,context,isSendMail):
    # DataBase Operation
    mongoCon=pymongo.Connection(host="127.0.0.1",port=27017)
    db= mongoCon.mydatabase
    for bookItem in bookList:
        bookInfo = db.book.find_one({"href":bookItem.href})

        if not bookInfo:
            b={
               "bookname":bookItem.bookname.decode('gbk').encode('utf8'),
               "href":bookItem.href,
               "date":bookItem.date
               }
            db.book.insert(b,safe=True)
            isSendMail=True
            context=context+bookItem.bookname.decode('gbk').encode('utf8')+','
    return context,isSendMail  

#Send Message
def send_mail(mailto_list, sub, context): 
    COMMASPACE = ','
    mail_host = "localhost"
    me = "my@vmail.cn"
    # Create a text/plain message
    msg = MIMEText(context) 
    msg['Subject'] = sub 
    msg['From'] = "my@vmail.cn"
    msg['To'] = COMMASPACE.join(mailto_list)
    
    send_smtp = smtplib.SMTP(mail_host) 

    send_smtp.sendmail(me, mailto_list, msg.as_string()) 
    send_smtp.close()  

#Main job for scheduler  
def job(): 
    bookList=[]
    isSendMail=False; 
    context="Today free books are"
    mailto_list=["mailto@mail.cn"]
    bookList=get_book(bookList)
    context,isSendMail=record_book(bookList,context,isSendMail)
    if isSendMail==True:       
        send_mail(mailto_list,"Free Book is Update",context)


if __name__=="__main__":      
    # Start the scheduler  
    sched = Scheduler()
    sched.daemonic = False  
    sched.add_interval_job(job,minutes=30)  
    sched.start()