介绍
本文将介绍我是如何在python爬虫里面一步一步踩坑，然后慢慢走出来的，期间碰到的所有问题我都会详细说明，让大家以后碰到这些问题时能够快速确定问题的来源，后面的代码只是贴出了核心代码，更详细的代码暂时没有贴出来。
流程一览
首先我是想爬某个网站上面的所有文章内容，但是由于之前没有做过爬虫（也不知道到底那个语言最方便），所以这里想到了是用python来做一个爬虫（毕竟人家的名字都带有爬虫的含义），我这边是打算先将所有从网站上爬下来的数据放到elasticsearch里面, 选择elasticsearch的原因是速度快，里面分词插件，倒排索引，需要数据的时候查询效率会非常好（毕竟爬的东西比较多），然后我会将所有的数据在elasticsearch的老婆kibana里面将数据进行可视化出来，并且分析这些文章内容，可以先看一下预期可视化的效果（上图了），这个效果图是kibana6.4系统给予的帮助效果图（就是说你可以弄成这样,我也想弄成这样）。后面我会发一个dockerfile上来（现在还没弄）。
环境需求
- jdk (elasticsearch需要)
- elasticsearch (用来存储数据)
- kinaba (用来操作elasticsearch和数据可视化)
- python (编写爬虫)
- redis (数据排重)
这些东西可以去找相应的教程安装，我这里只有elasticsearch的安装
第一步，使用python的pip来安装需要的插件（第一个坑在这儿）
1.tomd:将html转换成markdown
|
1
|
pip3 install tomd |
2.redis:需要python的redis插件
|
1
|
pip3 install redis |
3.scrapy:框架安装(坑)
1、首先我是像上面一样执行了
|
1
|
pip3 install scrapy |
2、然后发现缺少gcc组件 error: command 'gcc' failed with exit status 1
3、然后我就找啊找，找啊找，最后终于找到了正确的解决方法(期间试了很多错误答案)。最终的解决办法就是使用yum来安装python34-devel, 这个python34-devel根据你自己的python版本来，可能是python-devel,是多少版本就将中间的34改成你的版本, 我的是3.4.6
|
1
|
yum install python34-devel |
4、安装完成过后使用命令 scrapy 来试试吧。
第二步，使用scrapy来创建你的项目
输入命令scrapy startproject scrapydemo, 来创建一个爬虫项目
|
1
2
3
4
5
6
7
8
|
liaochengdemacbook-pro:scrapy liaocheng$ scrapy startproject scrapydemonew scrapy project 'scrapydemo', using template directory '/usr/local/lib/python3.7/site-packages/scrapy/templates/project', created in: /users/liaocheng/script/scrapy/scrapydemoyou can start your first spider with: cd scrapydemo scrapy genspider example example.comliaochengdemacbook-pro:scrapy liaocheng$ |
使用genspider来生成一个基础的spider,使用命令scrapy genspider demo juejin.im， 后面这个网址是你要爬的网站,我们先爬自己家的
|
1
2
3
|
liaochengdemacbook-pro:scrapy liaocheng$ scrapy genspider demo juejin.imcreated spider 'demo' using template 'basic'liaochengdemacbook-pro:scrapy liaocheng$ |
查看生成的目录结构
第三步，打开项目，开始编码
查看生成的的demo.py的内容
|
1
2
3
4
5
6
7
8
9
10
11
|
# -*- coding: utf-8 -*-import scrapyclass demospider(scrapy.spider): name = 'demo' ## 爬虫的名字 allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容 start_urls = ['https://juejin.im/post/5c790b4b51882545194f84f0'] ## 初始url链接 def parse(self, response): ## 如果新建的spider必须实现这个方法 pass |
可以使用第二种方式，将start_urls给提出来
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- coding: utf-8 -*-import scrapyclass demospider(scrapy.spider): name = 'demo' ## 爬虫的名字 allowed_domains = ['juejin.im'] ## 需要过滤的域名，也就是只爬这个网址下面的内容 def start_requests(self): start_urls = ['http://juejin.im/'] ## 初始url链接 for url in start_urls: # 调用parse yield scrapy.request(url=url, callback=self.parse) def parse(self, response): ## 如果新建的spider必须实现这个方法 pass |
编写articleitem.py文件（item文件就类似java里面的实体类）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
import scrapyclass articleitem(scrapy.item): ## 需要实现scrapy.item文件 # 文章id id = scrapy.field() # 文章标题 title = scrapy.field() # 文章内容 content = scrapy.field() # 作者 author = scrapy.field() # 发布时间 createtime = scrapy.field() # 阅读量 readnum = scrapy.field() # 点赞数 praise = scrapy.field() # 头像 photo = scrapy.field() # 评论数 commentnum = scrapy.field() # 文章链接 link = scrapy.field() |
编写parse方法的代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
|
def parse(self, response): # 获取页面上所有的url nextpage = response.css("a::attr(href)").extract() # 遍历页面上所有的url链接,时间复杂度为o(n) for i in nextpage: if nextpage is not none: # 将链接拼起来 url = response.urljoin(i) # 必须是掘金的链接才进入 if "juejin.im" in str(url): # 存入redis，如果能存进去，就是一个没有爬过的链接 if self.insertredis(url) == true: # dont_filter作用是是否过滤相同url true是不过滤，false为过滤，我们这里只爬一个页面就行了，不用全站爬，全站爬对对掘金不是很友好，我么这里只是用来测试的 yield scrapy.request(url=url, callback=self.parse,headers=self.headers,dont_filter=false) # 我们只分析文章，其他的内容都不管 if "/post/" in response.url and "#comment" not in response.url: # 创建我们刚才的articleitem article = articleitem() # 文章id作为id article['id'] = str(response.url).split("/")[-1] # 标题 article['title'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > h1::text").extract_first() # 内容 parameter = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.article-content").extract_first() article['content'] = self.parsetomarkdown(parameter) # 作者 article['author'] = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div:nth-child(6) > meta:nth-child(1)::attr(content)").extract_first() # 创建时间 createtime = response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > time::text").extract_first() createtime = str(createtime).replace("年", "-").replace("月", "-").replace("日","") article['createtime'] = createtime # 阅读量 article['readnum'] = int(str(response.css("#juejin > div.view-container > main > div > div.main-area.article-area.shadow > article > div.author-info-block > div > div > span::text").extract_first()).split(" ")[1]) # 点赞数 article['badge'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.like-btn.panel-btn.like-adjust.with-badge::attr(badge)").extract_first() # 评论数 article['commentnum'] = response.css("#juejin > div.view-container > main > div > div.article-suspended-panel.article-suspended-panel > div.comment-btn.panel-btn.comment-adjust.with-badge::attr(badge)").extract_first() # 文章链接 article['link'] = response.url # 这个方法和很重要（坑），之前就是由于执行yield article, pipeline就一直不能获取数据 yield article# 将内容转换成markdowndef parsetomarkdown(self, param): return tomd.tomd(str(param)).markdown# url 存入redis，如果能存那么就没有该链接，如果不能存，那么就存在该链接def insertredis(self, url): if self.redis != none: return self.redis.sadd("articleurllist", url) == 1 else: self.redis = self.redisconnection.getclient() self.insertredis(url) |
编写pipeline类,这个pipeline是一个管道，可以将所有yield关键字返回的数据都交给这个管道处理，但是需要在settings里面配置一下pipeline才行
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
from elasticsearch import elasticsearchclass articlepipelines(object): # 初始化 def __init__(self): # elasticsearch的index self.index = "article" # elasticsearch的type self.type = "type" # elasticsearch的ip加端口 self.es = elasticsearch(hosts="localhost:9200") # 必须实现的方法，用来处理yield返回的数据 def process_item(self, item, spider): # 这里是判断，如果是demo这个爬虫的数据才处理 if spider.name != "demo": return item result = self.checkdocumentexists(item) if result == false: self.createdocument(item) else: self.updatedocument(item) # 添加文档 def createdocument(self, item): body = { "title": item['title'], "content": item['content'], "author": item['author'], "createtime": item['createtime'], "readnum": item['readnum'], "praise": item['praise'], "link": item['link'], "commentnum": item['commentnum'] } try: self.es.create(index=self.index, doc_type=self.type, id=item["id"], body=body) except: pass # 更新文档 def updatedocument(self, item): parm = { "doc" : { "readnum" : item['readnum'], "praise" : item['praise'] } } try: self.es.update(index=self.index, doc_type=self.type, id=item["id"], body=parm) except: pass # 检查文档是否存在 def checkdocumentexists(self, item): try: self.es.get(self.index, self.type, item["id"]) return true except: return false |
第四步，运行代码查看效果
使用scrapy list查看本地的所有爬虫
|
1
2
3
|
liaochengdemacbook-pro:scrapydemo liaocheng$ scrapy listdemoliaochengdemacbook-pro:scrapydemo liaocheng$ |
使用scrapy crawl demo来运行爬虫
|
1
|
scrapy crawl demo |
到kibana里面看爬到的数据,执行下面的命令可以看到数据
|
1
2
3
4
5
6
|
get /article/_search{ "query": { "match_all": {} }} |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
{ "took": 7, "timed_out": false, "_shards": { "total": 5, "successful": 5, "skipped": 0, "failed": 0 }, "hits": { "total": 1, "max_score": 1, "hits": [ { "_index": "article2", "_type": "type", "_id": "5c790b4b51882545194f84f0", "_score": 1, "_source": {} } ] }} |
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。
原文链接：https://juejin.im/post/5c88bb19f265da2d96184df3
