好久没有写爬虫了，写一个scrapy的小爬爬来抓取网易新闻，代码原型是github上的一个爬虫，最近也看了一点mongoDB，顺便小用一下，体验一下NoSQL是什么感觉。言归正传啊，scrapy爬虫主要有几个文件需要修改。这个爬虫需要你装一下mongodb数据库和pymongo，进入数据库之后，利用find语句就可以查看数据库中的内容，抓取的内容如下所示：
~~~
{
"_id" : ObjectId("5577ae44745d785e65fa8686"),
"from_url" : "http://tech.163.com/",
"news_body" : [
"科技讯 6月9日凌晨消息2015",
"全球开发者大会（WWDC 2015）在旧",
"召开，网易科技进行了全程图文直播。最新",
"9操作系统在",
"上性能得到极大提升，可以实现分屏显示，也可以支持画中画功能。",
"新版iOS 9 增加了QuickType 键盘，让输入和编辑都更简单快捷。在搭配外置键盘使用 iPad 时，用户可以用快捷键来进行操作，例如在不同 app 之间进行切换。",
"而且，iOS 9 重新设计了 app 间的切换。iPad的分屏功能可以让用户在不离开当前 app 的同时就能打开第二个 app。这意味着两个app在同一屏幕上，同时开启、并行运作。两个屏幕的比例可以是5：5，也可以是7：3。",
"另外，iPad还支持“画中画”功能，可以将正在播放的视频缩放到一角，然后利用屏幕其它空间处理其他的工作。",
"据透露分屏功能只支持iPad Air2；画中画功能将只支持iPad Air, iPad Air2, iPad mini2, iPad mini3。",
"\r\n"
],
"news_from" : "网易科技报道",
"news_thread" : "ARKR2G22000915BD",
"news_time" : "2015-06-09 02:24:55",
"news_title" : "iOS 9在iPad上可实现分屏功能",
"news_url" : "http://tech.163.com/15/0609/02/ARKR2G22000915BD.html"
}
~~~
下面就是需要修改的文件：
1.spider 爬虫文件，制定抓取规则主要是利用xpath
2.items.py 主要指定抓取的内容
3.pipeline.py 有一个指向和存储数据的功能，这里我们还会增加一个store.py的文件，文件内部就是创建一个MongoDB的数据库。
4.setting.py 配置文件，主要是配置代理、User_Agent、抓取时间间隔、延时等等
主要就是这几个文件，这个scrapy照以前的爬虫我增加了几个新功能，一个是和数据库链接实现存储的功能，不在是存成json或者txt文件，第二个就是在spider中设置了follow = True这个属性，意思就是在爬到的结果上继续往下爬，相当于一个深搜的过程。下面我们看看源代码。
一般首先我们写的是items.py文件
~~~
# -*- coding: utf-8 -*-
import scrapy
class Tech163Item(scrapy.Item):
news_thread = scrapy.Field()
news_title = scrapy.Field()
news_url = scrapy.Field()
news_time = scrapy.Field()
news_from = scrapy.Field()
from_url = scrapy.Field()
news_body = scrapy.Field()
~~~
之后我们编写的就是spider文件。我们可以随便命名一个文件，因为我们调用爬虫的时候只需知道它文件内部的爬虫名字就可以了，也就是name = "news"这个属性，我们这里的爬虫名字叫做news。如果你需要使用这个爬虫你可能需要修改以下Rule里的allow属性，修改一下时间，因为网易新闻不会存储超过一年时间的新闻。你可以将时间改为近期如果现在为15年8月你就可以修改为/15/08。
~~~
#encoding:utf-8
import scrapy
import re
from scrapy.selector import Selector
from tech163.items import Tech163Item
from scrapy.contrib.linkextractors import LinkExtractor
from scrapy.contrib.spiders import CrawlSpider,Rule
class Spider(CrawlSpider):
name = "news"
allowed_domains = ["tech.163.com"]
start_urls = ['http://tech.163.com/']
rules = (
Rule(
LinkExtractor(allow = r"/15/06\d+/\d+/*"),
#代码中的正则/15/06\d+/\d+/*的含义是大概是爬去/15/06开头并且后面是数字/数字/任何格式/的新闻
callback = "parse_news",
follow = True
#follow=ture定义了是否再爬到的结果上继续往后爬
),
)
def parse_news(self,response):
item = Tech163Item()
item['news_thread'] = response.url.strip().split('/')[-1][:-5]
self.get_title(response,item)
self.get_source(response,item)
self.get_url(response,item)
self.get_news_from(response,item)
self.get_from_url(response,item)
self.get_text(response,item)
return item
def get_title(self,response,item):
title = response.xpath("/html/head/title/text()").extract()
if title:
item['news_title'] = title[0][:-5]
def get_source(self,response,item):
source = response.xpath("//div[@class='ep-time-soure cDGray']/text()").extract()
if source:
item['news_time'] = source[0][9:-5]
def get_news_from(self,response,item):
news_from = response.xpath("//div[@class='ep-time-soure cDGray']/a/text()").extract()
if news_from:
item['news_from'] = news_from[0]
def get_from_url(self,response,item):
from_url = response.xpath("//div[@class='ep-time-soure cDGray']/a/@href").extract()
if from_url:
item['from_url'] = from_url[0]
def get_text(self,response,item):
news_body = response.xpath("//div[@id='endText']/p/text()").extract()
if news_body:
item['news_body'] = news_body
def get_url(self,response,item):
news_url = response.url
if news_url:
item['news_url'] = news_url
~~~
之后我们创建一个store.py的文件，在这个文件里我们创建了一个数据库，之后会在pipeline文件中引用这个数据库，将数据存储在数据库中。下面我们看看源代码。
~~~
import pymongo
import random
HOST = "127.0.0.1"
PORT = 27017
client = pymongo.MongoClient(HOST,PORT)
NewsDB = client.NewsDB
~~~
在pipeline.py文件中，我们将import NewsDB这个数据库，利用update语句将每一条新闻插入这个数据库，其中还有两个判断一个是判断爬虫的名字是否为news另一个是判断线程的编号是否为空，其中最重要的一句就是NewsDB.new.update(spec,{"$set":dict(item)},upsert = True)，将字典中的数据插入到数据库中。
~~~
from store import NewsDB
class Tech163Pipeline(object):
def process_item(self, item, spider):
if spider.name != "news":
return item
if item.get("news_thread",None) is None:
return item
spec = {"news_thread":item["news_thread"]}
NewsDB.new.update(spec,{"$set":dict(item)},upsert = True)
return None
~~~
最后我们会更改一下配置文件设置一下USER_AGENT，我们要最大程度的让爬虫模仿浏览器的行为，这样才能顺利抓取的你想要的内容。
~~~
BOT_NAME = 'tech163'
SPIDER_MODULES = ['tech163.spiders']
NEWSPIDER_MODULE = 'tech163.spiders'
ITEM_PIPELINES = ['tech163.pipelines.Tech163Pipeline',]
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'tech163 (+http://www.yourdomain.com)'
USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64; rv:7.0.1) Gecko/20100101 Firefox/7.7'
DOWNLOAD_TIMEOUT = 15
~~~
