image

阅读文本大概需要 6 分钟。

抓取目标

我们要爬取的目标是「 简书网 」。

打开简书网的首页，随手点击一篇文章进入到详情页面。

image

我们要爬取的数据有：作者、头像、发布时间、文章 ID 以及文章内容。

准备工作

在编写爬虫程序之前，我都是先对页面进行简单分析，然后指定爬取思路。

由于我们爬取简书网所有的文章数据，所以考虑使用「 CrawlSpider 」来对整个网站进行爬取。

首先使用 Scrapy 创建一个项目和一个爬虫

# 打开 CMD 或者终端到一个指定目录
# 新建一个项目
scrapy startproject jianshu_spider

cd jianshu_spider

# 创建一个爬虫
scrapy genspider -t crawl jianshu "jianshu.com"

爬取的数据准备存储到 Mysql 数据库中，因此需要提前建立好数据库和表。

image

爬取思路

首先，我们我们检查首页页面文章列表每一项的 href 属性、文章详情页面的地址、详情页面推荐文章中的 href 属性。

image image image

可以获取出规律，每一篇文章的地址，即 URL 是由「.../p/文章id/... 」构成，其中文章 ID 是由小写字母 a-z 或者 0-9 的 12 位数字构成，因此 Rule 构成如下：

/p/[0-9a-z]{12}

代码实现

第一步是指定开始爬取的地址和爬取规则。

allowed_domains = ['jianshu.com'] 
start_urls = ['https://www.jianshu.com/']   
rules = (        
# 文章id是有12位小写字母或者数字0-9构成        
Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),    )

第二步是拿到下载器下载后的数据 Response，利用 Xpath 语法获取有用的数据。这里可以使用「 Scrapy shell url 」去测试数据是否获取正确。

 # 获取需要的数据 
title = response.xpath('//h1[@class="title"]/text()').get() 
author = response.xpath('//div[@class="info"]/span/a/text()').get() 
avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get() 
pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "") 
current_url = response.url 
real_url = current_url.split(r"?")[0] 
article_id = real_url.split(r'/')[-1] 
content = response.xpath('//div[@class="show-content"]').get()

然后构建 Item 模型用来保存数据。

import scrapy
# 文章详情Itemclass ArticleItem(scrapy.Item):    
title = scrapy.Field()    
content = scrapy.Field()    
# 文章id   
article_id = scrapy.Field()   
# 原始的url  
origin_url = scrapy.Field()    
# 作者    
author = scrapy.Field()    
# 头像    
avatar = scrapy.Field()    
# 发布时间    
pubtime = scrapy.Field()

第三步是将获取的数据通过 Pipline 保存到数据库中。

# 数据库连接属性
db_params = {            
'host': '127.0.0.1',            
'port': 3306,            
'user': 'root',          
'password': 'root',          
'database': 'jianshu',          
'charset': 'utf8'
}
# 数据库【连接对象】
self.conn = pymysql.connect(**db_params)
# 构建游标对象self.cursor = self.conn.cursor()
# sql 插入语句self._sql = """          insert into article(id,title,content,author,avatar,pubtime,article_id,origin_url)         values(null,%s,%s,%s,%s,%s,%s,%s)"""

# 执行 sql 语句
self.cursor.execute(self._sql, ( item['title'], item['content'], item['author'], item['avatar'], item['pubtime'], item['article_id'], item['origin_url']))
# 插入到数据库中
self.conn.commit()
# 关闭游标资源
self.cursor.close()

爬取结果

执行命令「 scrapy crawl jianshu」 运行爬虫程序。

注意设置 settings.py 中延迟 DOWNLOAD_DELAY和管道ITEM_PIPELINES 保证数据能正常写入到数据库中。

最后查看数据库，发现数据能正常写入到表中。

image

本文首发于公众号「 AirPython 」，后台回复「简书」即可获取完整代码。