這篇文章主要介紹了Python scrapy增量爬取例項及實現過程解析,文中通過示例程式碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下

開始接觸爬蟲的時候還是初學Python的那會，用的還是request、bs4、pandas，再後面接觸scrapy做個一兩個爬蟲，覺得還是框架好，可惜都沒有記錄都忘記了，現在做推薦系統需要爬取一定的文章，所以又把scrapy撿起來。趁著這次機會做一個記錄。

目錄如下：

• 環境
• 本地視窗除錯命令
• 工程目錄
• xpath選擇器
• 一個簡單的增量爬蟲示例
• 配置介紹

環境

​自己的環境下安裝scrapy肯定用anaconda（再次強調anaconda的優越性

本地視窗除錯與執行

開發的時候可以利用scrapy自帶的除錯功能進行模擬請求，這樣request、response都會與後面程式碼保持一樣。

# 測試請求某網站
scrapy shell URL
# 設定請求頭
scrapy shell -s USER_AGENT="Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0" URL

# 指定爬蟲內容輸出檔案格式（json、csv等
scrapy crawl SPIDER_NAME -o FILE_NAME.csv

# 建立爬蟲工程
scrapy startproject articles # 在當前目錄建立一個scrapy工程

新工程結構介紹

# spiders檔案下存放所有爬蟲，item.py格式化資料輸出
# middlewares.py 設定請求細節（請求頭之類的），pipelines.py為資料輸出的管道，每一個封裝好的item都會經過這裡
# settings.py 對工程進行全域性設定（存放配置
├── articles
│  ├── articles
│  │  ├── __init__.py
│  │  ├── items.py
│  │  ├── middlewares.py
│  │  ├── pipelines.py
│  │  ├── settings.py
│  │  └── spiders
│  │    ├── healthy_living.py
│  │    ├── __init__.py
│  │    └── people_health.py
│  └── scrapy.cfg
├── README.en.md
└── README.md

頁面解析神器——Xpath選擇器

scrapy自帶xpath選擇器，很方便，簡單介紹一些常用的

# 全站爬取神器--LinkExtractor，可以自動獲取該標籤下的所有url跟text（因為網站結構大都一個套路
from scrapy.linkextractors import LinkExtractor
le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")# 返回一個迭代器，通過迴圈(for i in le)，可獲取url(i.url) (i.text)

# 獲取屬性class為所有aa的div標籤內容中的內容
response.xpath("//div[@class='aa']/text()").extract()    # '//'代表獲取所有，'/'代表獲取第一個，類似的可以找屬性為ul的其它標籤

# 獲取內容包含“下一頁”的所有a標籤中包含的連結（提取下一頁連結神器
response.xpath("//a[contains(text(),'下一頁')]/@href").extract()

一個簡單的增量爬取示例

這裡增量爬取的思想很簡單：目標網站的資料都是按照時間排列的，所以在對某個連線進行request之前，先查詢資料庫中有沒有這條資料，如果有，就停止爬蟲，如果沒有發起請求

class HealthyLiving(scrapy.Spider):
  # 一定要一個全域性唯一的爬蟲名稱，命令列啟動的時候需要指定該名稱
  name = "healthy_living"
  # 指定爬蟲入口，scrapy支援多入口，所以一定是lis形式
  start_urls = ['http://www.jkb.com.cn/healthyLiving/']

  '''
  抓取大類標籤入口
  '''
  def parse(self,response):
    le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")
    for link in le.extract_links(response)[1:-1]:
      tag = link.text
      # 將這一級提取到的資訊，通過請求頭傳遞給下一級（這裡是為了給資料打標籤
      meta = {"tag": tag}
      # 依次解析每一個連結，並傳遞到下一級進行繼續爬取
      yield scrapy.Request(link.url,callback=self.parse_articles,meta=meta)

  '''
  抓取頁面內的文章連結及下一頁連結
  '''
  def parse_articles(self,response):
    # 接收上一級傳遞的資訊
    meta = response.meta
    article_links = response.xpath("//div[@class='txt']/h4/a/@href").extract()
    for link in article_links:
      res = self.collection.find_one({"article_url": link},{"article_url": 1})
      full_meta = dict(meta)
      # 將文章連結傳入下一級
      full_meta.update({"article_url": link})
      if res is None:
        yield scrapy.Request(link,callback=self.parse_article,meta=full_meta)
      else:
        return
    next_page = response.xpath("//div[@class='page']//a[contains(text(),'»')]/@href").extract()[0]
    if next_page:
      yield scrapy.Request(next_page,meta=meta)

# 最後解析頁面，並輸出
  def parse_article(self,response):
   # 從item.py中匯入資料封裝格式
    article_item = ArticlesItem()
    meta = response.meta
    # 利用xpath提取頁面資訊並封裝成item
    try:
      article_item["tag"] = ""
      # ... 省略
    finally:
      yield article_item

工程配置介紹

設定請求頭、配置資料庫

# 設定請求頭，在middlewares.py中設定，在settings.py中啟用
class RandomUA(object):
  user_agents = [
      "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit"
      "/537.36 (KHTML,like Gecko) Chrome/39.0.2171.71 Safari/537.36","Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML,like Gecko) Chrome/23.0.1271.64 Safari/537.11","Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit"
      "/534.16 (KHTML,like Gecko) Chrome/10.0.648.133 Safari/534.16"
    ]

  def process_request(self,request,spider):
    request.headers["User-Agent"] = random.choice(self.user_agents)


# 設定資料入庫處理，在pipeline.py進行配置，在settings.py進行啟用
class MongoPipeline(object):
  def __init__(self,mongo_uri,mongo_db):
    self.mongo_uri = mongo_uri
    self.mongo_db = mongo_db

  @classmethod
  def from_crawler(cls,crawler):
    return cls(
      mongo_uri=crawler.settings.get('MONGO_URI'),mongo_db=crawler.settings.get('MONGO_DB')
    )

  def open_spider(self,spider):
    print("開始爬取",datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
    self.client = pymongo.MongoClient(self.mongo_uri)
    self.db = self.client[self.mongo_db]

  def process_item(self,item,spider):
    data = self.db[item.collection].find_one({"title": item["title"],"date": item["date"]})

    if data is None:
      self.db[item.collection].insert(dict(item))
    # else:
    #   self.close_spider(self,spider)
    return item

  def close_spider(self,spider):
    print("爬取結束",datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
    self.client.close()
# 在settings.py啟動：請求頭的修改，資料庫的配置
DOWNLOADER_MIDDLEWARES = {
  # 'articles.middlewares.ArticlesDownloaderMiddleware': 543,'articles.middlewares.RandomUA': 543,# 543代表優先順序，數字越低優先順序越高
}

ITEM_PIPELINES = {
  'articles.pipelines.MongoPipeline': 300,}

# 一些其它配置
ROBOTSTXT_OBEY = True # 是否遵守網站的robot協議
FEED_EXPORT_ENCODING = 'utf-8' # 指定資料輸出的編碼格式
## 資料庫配置
MONGO_URI = ''
MONGO_DB = ''
MONGO_PORT = 27017
MONGO_COLLECTION = ''

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。