Python Scrap框架教学，爬取某食品论坛数据

墨蓝 2022-11-07 13:16 226阅读 0赞

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于Python爬虫与数据挖掘 ，作者 杯酒先生

# **一、前言** #

网络爬虫（又称为网页蜘蛛，网络机器人），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。------百度百科

说人话就是，爬虫是用来海量规则化获取数据，然后进行处理和运用，在大数据、金融、机器学习等等方面都是必须的支撑条件之一。

目前在一线城市中，爬虫的岗位薪资待遇都是比较客观的，之后提升到中、高级爬虫工程师，数据分析师、大数据开发岗位等，都是很好的过渡。

**Python爬虫、数据分析、网站开发等案例教程视频免费在线观看**

https://space.bilibili.com/523606542

# [Python学习交流群：1039649593][Python_1039649593] #

# **二、项目目标** #

本次介绍的项目其实不用想得太过复杂，最终要实现的目标也就是将帖子的每条评论爬取到数据库中，并且做到可以更新数据，防止重复爬取，反爬等措施。

# **三、项目准备** #

这部分主要是介绍本文需要用到的工具，涉及的库，网页等信息等

软件：PyCharm

需要的库：Scrapy， selenium， pymongo， user\_agent，datetime

目标网站：

http://bbs.foodmate.net

插件：chromedriver（版本要对）

# **四、项目分析** #

**1、确定爬取网站的结构**

简而言之：确定网站的加载方式，怎样才能正确的一级一级的进入到帖子中抓取数据，使用什么格式保存数据等。

其次，观察网站的层级结构，也就是说，怎么根据板块，一点点进入到帖子页面中，这对本次爬虫任务非常重要，也是主要编写代码的部分。

**2、如何选择合适的方式爬取数据？**

目前我知道的爬虫方法大概有如下（不全，但是比较常用）：

1）request框架：运用这个http库可以很灵活的爬取需要的数据，简单但是过程稍微繁琐，并且可以配合抓包工具对数据进行获取。但是需要确定headers头以及相应的请求参数，否则无法获取数据；很多app爬取、图片视频爬取随爬随停，比较轻量灵活，并且高并发与分布式部署也非常灵活，对于功能可以更好实现。

2）scrapy框架：scrapy框架可以说是爬虫最常用，最好用的爬虫框架了，优点很多：scrapy 是异步的；采取可读性更强的 xpath 代替正则；强大的统计和 log 系统；同时在不同的 url 上爬行；支持 shell 方式，方便独立调试；支持写 middleware方便写一些统一的过滤器；可以通过管道的方式存入数据库等等。这也是本次文章所要介绍的框架（结合selenium库）。

# **五、项目实现** #

**1、第一步：确定网站类型**

首先解释一下是什么意思，看什么网站，首先要看网站的加载方式，是静态加载，还是动态加载（js加载），还是别的方式；根据不一样的加载方式需要不同的办法应对。然后我们观察今天爬取的网站，发现这是一个有年代感的论坛，首先猜测是静态加载的网站；我们开启组织 js 加载的插件，如下图所示。

![adb6c4df59b98a474400cb8fe5826511.png][]

刷新之后发现确实是静态网站（如果可以正常加载基本都是静态加载的）。

**2、第二步：确定层级关系**

其次，我们今天要爬取的网站是食品论坛网站，是静态加载的网站，在之前分析的时候已经了解了，然后是层级结构：

![a405e9618133fe01bf920bfae9e163d7.png][]

大概是上面的流程，总共有三级递进访问，之后到达帖子页面，如下图所示。

![92b192497a48aa8919bb11ccd59cbc83.png][]

部分代码展示：

一级界面：

def parse(self, response):
        self.logger.info("已进入网页！")
        self.logger.info("正在获取版块列表！")
        column_path_list = response.css('#ct > div.mn > div:nth-child(2) > div')[:-1]
        for column_path in column_path_list:
            col_paths = column_path.css('div > table > tbody > tr > td > div > a').xpath('@href').extract()
            for path in col_paths:
                block_url = response.urljoin(path)
                yield scrapy.Request(
                    url=block_url,
                    callback=self.get_next_path,

二级界面：

def get_next_path(self, response):
        self.logger.info("已进入版块！")
        self.logger.info("正在获取文章列表！")
        if response.url == 'http://www.foodmate.net/know/':
            pass
        else:
            try:
                nums = response.css('#fd_page_bottom > div > label > span::text').extract_first().split(' ')[-2]
            except:
                nums = 1
            for num in range(1, int(nums) + 1):
                tbody_list = response.css('#threadlisttableid > tbody')
                for tbody in tbody_list:
                    if 'normalthread' in str(tbody):
                        item = LunTanItem()
                        item['article_url'] = response.urljoin(
                            tbody.css('* > tr > th > a.s.xst').xpath('@href').extract_first())
                        item['type'] = response.css(
                            '#ct > div > div.bm.bml.pbn > div.bm_h.cl > h1 > a::text').extract_first()
                        item['title'] = tbody.css('* > tr > th > a.s.xst::text').extract_first()
                        item['spider_type'] = "论坛"
                        item['source'] = "食品论坛"
                        if item['article_url'] != 'http://bbs.foodmate.net/':
                            yield scrapy.Request(
                                url=item['article_url'],
                                callback=self.get_data,
                                meta={'item': item, 'content_info': []}
                            )
            try:
                callback_url = response.css('#fd_page_bottom > div > a.nxt').xpath('@href').extract_first()
                callback_url = response.urljoin(callback_url)
                yield scrapy.Request(
                    url=callback_url,
                    callback=self.get_next_path,
                )
            except IndexError:
                pass

三级界面：

def get_data(self, response):
        self.logger.info("正在爬取论坛数据！")
        item = response.meta['item']
        content_list = []
        divs = response.xpath('//*[@id="postlist"]/div')
        user_name = response.css('div > div.pi > div:nth-child(1) > a::text').extract()
        publish_time = response.css('div.authi > em::text').extract()
        floor = divs.css('* strong> a> em::text').extract()
        s_id = divs.xpath('@id').extract()
        for i in range(len(divs) - 1):
            content = ''
            try:
    
    
                strong = response.css('#postmessage_' + s_id[i].split('_')[-1] + '').xpath('string(.)').extract()
                for s in strong:
                    content += s.split(';')[-1].lstrip('\r\n')
                datas = dict(content=content,  # 内容
                             reply_id=0,  # 回复的楼层,默认0
                             user_name=user_name[i],  # ⽤户名
                             publish_time=publish_time[i].split('于 ')[-1],  # %Y-%m-%d %H:%M:%S'
                             id='#' + floor[i],  # 楼层
                             )
                content_list.append(datas)
            except IndexError:
                pass
        item['content_info'] = response.meta['content_info']
        item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
        item['content_info'] += content_list
    
    
        data_url = response.css('#ct > div.pgbtn > a').xpath('@href').extract_first()
        if data_url != None:
            data_url = response.urljoin(data_url)
            yield scrapy.Request(
                url=data_url,
                callback=self.get_data,
                meta={'item': item, 'content_info': item['content_info']}
            )
        else:
            item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
            self.logger.info("正在存储！")
            print('储存成功')
            yield item

**3、第三步：确定爬取方法**

由于是静态网页，首先决定采用的是scrapy框架直接获取数据，并且通过前期测试发现方法确实可行，不过当时年少轻狂，小看了网站的保护措施，由于耐心有限，没有加上定时器限制爬取速度，导致我被网站加了限制，并且网站由静态加载网页变为：动态加载网页验证算法之后再进入到该网页，直接访问会被后台拒绝。

但是这种问题怎么会难道我这小聪明，经过我短暂地思考（1天），我将方案改为scrapy框架 + selenium库的方法，通过调用chromedriver，模拟访问网站，等网站加载完了再爬取不就完了，后续证明这个方法确实可行，并且效率也不错。

实现部分代码如下：

def process_request(self, request, spider):
        chrome_options = Options()
        chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
        chrome_options.add_argument('--disable-gpu')
        chrome_options.add_argument('--no-sandbox')
        # 指定谷歌浏览器路径
        self.driver = webdriver.Chrome(chrome_options=chrome_options,
                                       executable_path='E:/pycharm/workspace/爬虫/scrapy/chromedriver')
        if request.url != 'http://bbs.foodmate.net/':
            self.driver.get(request.url)
            html = self.driver.page_source
            time.sleep(1)
            self.driver.quit()
            return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',
                                            request=request)

**4、第四步：确定爬取数据的储存格式**

这部分不用多说，根据自己需求，将需要爬取的数据格式设置在items.py中。在工程中引用该格式保存即可：

class LunTanItem(scrapy.Item):
        """
            论坛字段
        """
        title = Field()  # str: 字符类型 | 论坛标题
        content_info = Field()  # str: list类型 | 类型list: [LunTanContentInfoItem1, LunTanContentInfoItem2]
        article_url = Field()  # str: url | 文章链接
        scrawl_time = Field()  # str: 时间格式 参照如下格式 2019-08-01 10:20:00 | 数据爬取时间
        source = Field()  # str: 字符类型 | 论坛名称 eg: 未名BBS, 水木社区, 天涯论坛
        type = Field()  # str: 字符类型 | 板块类型 eg: '财经', '体育', '社会'
        spider_type = Field()  # str: forum | 只能写 'forum'

**5、第五步：确定保存数据库**

本次项目选择保存的数据库为mongodb，由于是非关系型数据库，优点显而易见，对格式要求没有那么高，可以灵活储存多维数据，一般是爬虫优选数据库（不要和我说redis，会了我也用，主要是不会）

代码：

import pymongo
    
    
    class FMPipeline():
        def __init__(self):
            super(FMPipeline, self).__init__()
            # client = pymongo.MongoClient('139.217.92.75')
            client = pymongo.MongoClient('localhost')
            db = client.scrapy_FM
            self.collection = db.FM
    
    
        def process_item(self, item, spider):
            query = {
                'article_url': item['article_url']
            }
            self.collection.update_one(query, {"$set": dict(item)}, upsert=True)
    m

这时，有聪明的盆友就会问：如果运行两次爬取到了一样的数据怎么办呢？（换句话说就是查重功能）

这个问题之前我也没有考虑，后来在我询问大佬的过程中知道了，在我们存数据的时候就已经做完这件事了，就是这句：

query = {
        'article_url': item['article_url']
    }
    self.collection.update_one(query, {"$set": dict(item)}, upsert=True)

通过帖子的链接确定是否有数据爬取重复，如果重复可以理解为将其覆盖，这样也可以做到更新数据。

**6、其他设置**

像多线程、headers头，管道传输顺序等问题，都在settings.py文件中设置，具体可以参考小编的项目去看，这里不再赘述。

# **七、效果展示** #

1、点击运行，结果显示在控制台，如下图所示。

![a0ce9403cb43efbbc5d974827606e1c1.png][]

![28a9c2907335db0e6bb14eef3eb49282.png][]

2、中间会一直向队列中堆很多帖子的爬取任务，然后多线程处理，我设置的是16线程，速度还是很可观的。

![ec6c72cfbca3c92f87a7f2f1d2704d81.png][]

3、数据库数据展示：

![16f1933d57a18882f585eed28fbabf8c.png][]

content\_info中存放着每个帖子的全部留言以及相关用户的公开信息。

[Python_1039649593]: https://jq.qq.com/?_wv=1027&k=SBLaYU2c
[adb6c4df59b98a474400cb8fe5826511.png]: /images/20221023/378aece01a48422b95f610ae857f91b7.png
[a405e9618133fe01bf920bfae9e163d7.png]: /images/20221023/6c4932e651644e19a33e945683365c09.png
[92b192497a48aa8919bb11ccd59cbc83.png]: /images/20221023/6ece79945b794dd5bd5b2098141c2d9a.png
[a0ce9403cb43efbbc5d974827606e1c1.png]: /images/20221023/213d7bd4e8044b60a431ee14eed07a84.png
[28a9c2907335db0e6bb14eef3eb49282.png]: /images/20221023/45d2b95809404bcfa1e37d1aa6200bf1.png
[ec6c72cfbca3c92f87a7f2f1d2704d81.png]: /images/20221023/62b35311a0804ea6bb11f2a67665104a.png
[16f1933d57a18882f585eed28fbabf8c.png]: /images/20221023/f6738e8164e54d768606f00208d95096.png