这篇文章将根据真实的兼职需求编写一个爬虫,用户想要一个Python程序从Stack Overflow抓取数据,获取新的问题(问题标题和URL)。抓取的数据应当存入MongoDB。值得注意的是,Stack Overflow已经提供了可用于读取同样数据的API。但是用户想要一个爬虫,那就给他一个爬虫。
像往常一样,在开始任何抓取工作前,一定要先查看该网站的使用/服务条款,要尊重 robots.txt 文件。抓取行为应该遵守道德,不要在很短时间内发起大量请求,从而导致网站遭受泛洪攻击。对待那些你要抓取的网站,要像对待自己的一样。
安装
我们需要Scrapy库(v0.24.4),以及用于在MongoDB中存储数据的PyMongo库(v2.7.2)。同样需要安装MongoDB。
Scrapy
如果使用OSX或某种Linux,使用pip安装Scrapy(激活命令行):
1 |
$ pip install Scrapy |
如果使用Windows的机器,你需要手动安装一堆依赖库(木羊吐槽:Win下也是有pip的po主你不要黑她,经测可以用上面命令直接安装成功)。请参考官方文档详细说明以及我创建的Youtube视频。
一旦Scrapy安装完毕,可在Python命令行中使用这个命令验证:
1 2 |
>>> import scrapy >>> |
如果没有出错,安装就完成了。
PyMongo
下一步,使用pip安装PyMongo:
1 |
$ pip install pymongo |
现在可以开始构建爬虫了。
Scrapy工程
先创建一个新的Scrapy工程:
1 |
$ scrapy startproject stack |
这条命令创建了许多文件和文件夹,其中包含一套有助于你快速开始的基本模板:
1 2 3 4 5 6 7 8 |
├── scrapy.cfg └── stack ├── __init__.py ├── items.py ├── pipelines.py ├── settings.py └── spiders └── __init__.py |
提取数据
items.py文件用于定义存储“容器”,用来存储将要抓取的数据。
StackItem()类继承自Item (文档),主要包含一些Scrapy已经为我们创建好的预定义对象:
1 2 3 4 5 6 |
import scrapy class StackItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() pass |
添加一些想要收集的项。用户想要每条问题的标题和URL。那么,照这样更新items.py:
1 2 3 4 5 |
from scrapy.item import Item, Field class StackItem(Item): title = Field() url = Field() |
创建蜘蛛
在“spiders”目录下建立一个名为stack_spider.py的文件。这里是见证奇迹发生的地方—-比如在这里告诉Scrapy怎么去找到我们想要的指定数据。正如你想的那样,对于每一个独立的网页,stack_spider.py都是不同的。
我们从定义一个类开始,这个类继承Scrapy的Spider,并添加一些必须的属性:
1 2 3 4 5 6 7 8 9 |
from scrapy import Spider class StackSpider(Spider): name = "stack" allowed_domains = ["stackoverflow.com"] start_urls = [ "http://stackoverflow.com/questions?pagesize=50&sort=newest", ] |
最初一些变量的含义很容易理解(文档):
- 定义蜘蛛的名字。
allowed_domains
包含构成许可域的基础URL,供蜘蛛去爬。start_urls
是一个URL列表,蜘蛛从这里开始爬。蜘蛛从start_urls中的URL下载数据,所有后续的URL将从这些数据中获取。
XPath选择器
接下来,Scrapy使用XPath选择器在一个网站上提取数据。也就是说,我们可以通过一个给定的XPath选择HTML数据的特定部分。正如Scrapy所称,“XPath是一种选择XML节点的语言,也可以用于HTML。”
使用Chrome的开发者工具,可以很容易找到一个特定的Xpath。简单地检查一个特定的HTML元素,复制XPath,然后修改(如有需要)。
开发者工具同时为用户提供在JavaScript控制台测试XPath选择器的功能,使用$x,如$x("//img")
:
继续,通过定义的XPath告诉Scrapy去哪里寻找信息。在Chrom中导航至Stack Overflow网址,寻找XPath选择器。
右键点击第一条问题,选择“插入元素”:
现在从<div class="summary">, //*[@id="question-summary-27624141"]/div[2]
中抓取XPath,然后在JavaScript控制台测试它:
也许你会说,这只选择了一条问题。现在需要改变XPath去抓取所有的问题。有什么想法?很简单://div[@class="summary"]/h3
。
什么意思呢?本质上,这条XPath是说:抓取<div>
的子树中所有这一类<h3>
元素的总集。在JavaScript控制台中测试XPath。
请注意我们不会使用Chrome开发者工具的实际输出。在大多数案例中,这些输出仅仅是一个参考,便于直接找到能用的XPath。
现在更新stack_spider.py脚本:
像往常一样,在开始任何抓取工作前,一定要先查看该网站的使用/服务条款,要尊重 robots.txt 文件。抓取行为应该遵守道德,不要在很短时间内发起大量请求,从而导致网站遭受泛洪攻击。对待那些你要抓取的网站,要像对待自己的一样。
安装
我们需要Scrapy库(v0.24.4),以及用于在MongoDB中存储数据的PyMongo库(v2.7.2)。同样需要安装MongoDB。
Scrapy
如果使用OSX或某种Linux,使用pip安装Scrapy(激活命令行):
1 |
$ pip install Scrapy |
如果使用Windows的机器,你需要手动安装一堆依赖库(木羊吐槽:Win下也是有pip的po主你不要黑她,经测可以用上面命令直接安装成功)。请参考官方文档详细说明以及我创建的Youtube视频。
一旦Scrapy安装完毕,可在Python命令行中使用这个命令验证:
1 2 |
>>> import scrapy >>> |
如果没有出错,安装就完成了。
PyMongo
下一步,使用pip安装PyMongo:
1 |
$ pip install pymongo |
现在可以开始构建爬虫了。
Scrapy工程
先创建一个新的Scrapy工程:
1 |
$ scrapy startproject stack |
这条命令创建了许多文件和文件夹,其中包含一套有助于你快速开始的基本模板:
1 2 3 4 5 6 7 8 |
├── scrapy.cfg └── stack ├── __init__.py ├── items.py ├── pipelines.py ├── settings.py └── spiders └── __init__.py |
提取数据
items.py文件用于定义存储“容器”,用来存储将要抓取的数据。
StackItem()类继承自Item (文档),主要包含一些Scrapy已经为我们创建好的预定义对象:
1 2 3 4 5 6 |
import scrapy class StackItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() pass |
添加一些想要收集的项。用户想要每条问题的标题和URL。那么,照这样更新items.py:
1 2 3 4 5 |
from scrapy.item import Item, Field class StackItem(Item): title = Field() url = Field() |
创建蜘蛛
在“spiders”目录下建立一个名为stack_spider.py的文件。这里是见证奇迹发生的地方—-比如在这里告诉Scrapy怎么去找到我们想要的指定数据。正如你想的那样,对于每一个独立的网页,stack_spider.py都是不同的。
我们从定义一个类开始,这个类继承Scrapy的Spider,并添加一些必须的属性:
1 2 3 4 5 6 7 8 9 |
from scrapy import Spider class StackSpider(Spider): name = "stack" allowed_domains = ["stackoverflow.com"] start_urls = [ "http://stackoverflow.com/questions?pagesize=50&sort=newest", ] |
最初一些变量的含义很容易理解(文档):
- 定义蜘蛛的名字。
allowed_domains
包含构成许可域的基础URL,供蜘蛛去爬。start_urls
是一个URL列表,蜘蛛从这里开始爬。蜘蛛从start_urls中的URL下载数据,所有后续的URL将从这些数据中获取。
XPath选择器
接下来,Scrapy使用XPath选择器在一个网站上提取数据。也就是说,我们可以通过一个给定的XPath选择HTML数据的特定部分。正如Scrapy所称,“XPath是一种选择XML节点的语言,也可以用于HTML。”
使用Chrome的开发者工具,可以很容易找到一个特定的Xpath。简单地检查一个特定的HTML元素,复制XPath,然后修改(如有需要)。
开发者工具同时为用户提供在JavaScript控制台测试XPath选择器的功能,使用$x,如$x("//img")
:
继续,通过定义的XPath告诉Scrapy去哪里寻找信息。在Chrom中导航至Stack Overflow网址,寻找XPath选择器。