Pyspider框架 —— Python爬虫实战之爬取 V2EX 网站帖子

背景：

PySpider：一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器。在线示例： http://demo.pyspider.org/

官方文档： http://docs.pyspider.org/en/l...

Github : https://github.com/binux/pysp...

本文爬虫代码 Github 地址：https://github.com/zhisheng17...

更多精彩文章可以在微信公众号：猿blog 阅读到，欢迎关注。

说了这么多，我们还是来看正文吧!

前提:

你已经安装好了Pyspider 和 MySQL-python(保存数据)

如果你还没安装的话，请看看我的前一篇文章，防止你也走弯路。

• Pyspider 框架学习时走过的一些坑
• HTTP 599: SSL certificate problem: unable to get local issuer certificate错误

我所遇到的一些错误：

首先，本爬虫目标：使用 Pyspider 框架爬取 V2EX 网站的帖子中的问题和内容，然后将爬取的数据保存在本地。

V2EX 中大部分的帖子查看是不需要登录的，当然也有些帖子是需要登陆后才能够查看的。(因为后来爬取的时候发现一直 error ，查看具体原因后才知道是需要登录的才可以查看那些帖子的)所以我觉得没必要用到 Cookie，当然如果你非得要登录，那也很简单，简单地方法就是添加你登录后的 cookie 了。

我们在 https://www.v2ex.com/ 扫了一遍，发现并没有一个列表能包含所有的帖子，只能退而求其次，通过抓取分类下的所有的标签列表页，来遍历所有的帖子： https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... 最后每个帖子的详情地址是 (举例)： https://www.v2ex.com/t/314683...

创建一个项目

在 pyspider 的 dashboard 的右下角，点击 “Create” 按钮

替换 on_start 函数的 self.crawl 的 URL：

1. @every(minutes=24 * 60) 
2.     def on_start(self): 
3.         self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)  

• self.crawl 告诉 pyspider 抓取指定页面，然后使用 callback 函数对结果进行解析。
• @every) 修饰器，表示 on_start 每天会执行一次，这样就能抓到最新的帖子了。
• validate_cert=False 一定要这样，否则会报 HTTP 599: SSL certificate problem: unable to get local issuer certificate错误

首页：

点击绿色的 run 执行，你会看到 follows 上面有一个红色的 1，切换到 follows 面板，点击绿色的播放按钮：

第二张截图一开始是出现这个问题了，解决办法看前面写的文章，后来问题就不再会出现了。

Tab 列表页 :

在 tab 列表页 中，我们需要提取出所有的主题列表页 的 URL。你可能已经发现了，sample handler 已经提取了非常多大的 URL

代码：

1. @config(age=10 * 24 * 60 * 60) 
2.     def index_page(self, response): 
3.         for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items(): 
4.             self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)  

• 由于帖子列表页和 tab列表页长的并不一样，在这里新建了一个 callback 为 self.tab_page
• @config(age=10 24 60 * 60) 在这表示我们认为 10 天内页面有效，不会再次进行更新抓取

Go列表页 :

代码：

1. @config(age=10 * 24 * 60 * 60) 
2.  
3. def tab_page(self, response): 
4.  
5. for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items(): 
6.  
7. self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)  

帖子详情页(T):

你可以看到结果里面出现了一些reply的东西，对于这些我们是可以不需要的，我们可以去掉。

同时我们还需要让他自己实现自动翻页功能。

代码：

1. @config(age=10 * 24 * 60 * 60) 
2.     def board_page(self, response): 
3.         for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items(): 
4.             url = each.attr.href 
5.             if url.find('#reply')>0: 
6.                 url = url[0:url.find('#')] 
7.             self.crawl(url, callback=self.detail_page, validate_cert=False) 
8.         for each in response.doc('a.page_normal').items(): 
9.             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #实现自动翻页功能  

去掉后的运行截图：

实现自动翻页后的截图：

此时我们已经可以匹配了所有的帖子的 url 了。

点击每个帖子后面的按钮就可以查看帖子具体详情了。

代码：

1. @config(priority=2) 
2.     def detail_page(self, response): 
3.         title = response.doc('h1').text() 
4.         content = response.doc('div.topic_content').html().replace('"', '\\"') 
5.         self.add_question(title, content)  #插入数据库 
6.         return { 
7.             "url": response.url, 
8.             "title": title, 
9.             "content": content, 
10.         } 

插入数据库的话，需要我们在之前定义一个add_question函数。

1. #连接数据库 
2. def __init__(self): 
3.         self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8') 
4.  
5.     def add_question(self, title, content): 
6.         try: 
7.             cursor = self.db.cursor() 
8.             sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()');   #插入数据库的SQL语句 
9.             print sql 
10.             cursor.execute(sql) 
11.             print cursor.lastrowid 
12.             self.db.commit() 
13.         except Exception, e: 
14.             print e 
15.             self.db.rollback()  

查看爬虫运行结果：

先debug下，再调成running。pyspider框架在windows下的bug

设置跑的速度，建议不要跑的太快，否则很容易被发现是爬虫的，人家就会把你的IP给封掉的

查看运行工作

查看爬取下来的内容

然后再本地数据库GUI软件上查询下就可以看到数据已经保存到本地了。

自己需要用的话就可以导入出来了。

在开头我就告诉大家爬虫的代码了，如果详细的看看那个project，你就会找到我上传的爬取数据了。(仅供学习使用，切勿商用!)

当然你还会看到其他的爬虫代码的了，如果你觉得不错可以给个 Star，或者你也感兴趣的话，你可以fork我的项目，和我一起学习，这个项目长期更新下去。

最后：

代码：

1. # created by 10412 
2. # !/usr/bin/env python 
3. # -*- encoding: utf-8 -*- 
4. # Created on 2016-10-20 20:43:00 
5. # Project: V2EX 
6.  
7. from pyspider.libs.base_handler import * 
8.  
9. import re 
10. import random 
11. import MySQLdb 
12.  
13. class Handler(BaseHandler): 
14.     crawl_config = { 
15.     } 
16.  
17.     def __init__(self): 
18.         self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8') 
19.  
20.     def add_question(self, title, content): 
21.         try: 
22.             cursor = self.db.cursor() 
23.             sql = 'insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()'); 
24.             print sql 
25.             cursor.execute(sql) 
26.             print cursor.lastrowid 
27.             self.db.commit() 
28.         except Exception, e: 
29.             print e 
30.             self.db.rollback() 
31.  
32.  
33.     @every(minutes=24 * 60) 
34.     def on_start(self): 
35.         self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False) 
36.  
37.     @config(age=10 * 24 * 60 * 60) 
38.     def index_page(self, response): 
39.         for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items(): 
40.             self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False) 
41.  
42.  
43.     @config(age=10 * 24 * 60 * 60) 
44.     def tab_page(self, response): 
45.         for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items(): 
46.             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) 
47.  
48.  
49.     @config(age=10 * 24 * 60 * 60) 
50.     def board_page(self, response): 
51.         for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items(): 
52.             url = each.attr.href 
53.             if url.find('#reply')>0: 
54.                 url = url[0:url.find('#')] 
55.             self.crawl(url, callback=self.detail_page, validate_cert=False) 
56.         for each in response.doc('a.page_normal').items(): 
57.             self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) 
58.  
59.  
60.     @config(priority=2) 
61.     def detail_page(self, response): 
62.         title = response.doc('h1').text() 
63.         content = response.doc('div.topic_content').html().replace('"', '\\"') 
64.         self.add_question(title, content)  #插入数据库 
65.         return { 
66.             "url": response.url, 
67.             "title": title, 
68.             "content": content, 
69.         }  

作者：猿blog

来源：51CTO