Python下用Scrapy和MongoDB构建爬虫系统(2)

在上一篇中,我们实现了一个基本网络爬虫,它可以从StackOverflow上下载最新的问题,并将它们存储在MongoDB数据库中。在本文中,我们将对其扩展,使它能够爬取每个网页底部的分页链接,并从每一页中下载问题(包含问题标题和URL)。

在你开始任何爬取工作之前,检查目标网站的使用条款并遵守robots.txt文件。同时,做爬取练习时遵守道德,不要在短时间内向某个网站发起大量请求。像对待自己的网站一样对待任何你将爬取的网站。

开始

有两种可能的方法来接着从上次我们停下的地方继续进行。

第一个方法是,扩展我们现有的网络爬虫,通过利用一个xpath表达式从”parse_item”方法里的响应中提取每个下一页链接,并通过回调同一个parse_item方法产生一个请求对象。利用这种方法,爬虫会自动生成针对我们指定的链接的新请求,你可以在Scrapy文档这里找到更多有关该方法的信息。

另一个更简单的方法是,使用一个不同类型的爬虫—CrawlSpider(链接)。这是基本Spider的一个扩展版本,它刚好满足我们的要求。

CrawlSpider

我们将使用与上一篇教程中相同的爬虫项目,所以如果你需要的话可以从repo上获取这些代码。

创建样板

在“stack”目录中,首先由crawl模板生成爬虫样板。

Scrapy项目现在看起来应该像这样:

stack_crawler.py文件内容如下:

我们只需要对这个样板做一些更新。

更新“start_urls”列表

首先,添加问题的第一个页面链接到start_urls列表:

更新“rules”列表

接下来,我们需要添加一个正则表达式到“rules”属性中,以此告诉爬虫在哪里可以找到下一个页面链接:

现在爬虫能根据那些链接自动请求新的页面,并将响应传递给“parse_item”方法,以此来提取问题和对应的标题。

如果你仔细查看的话,可以发现这个正则表达式限制了它只能爬取前9个网页,因为在这个demo中,我们不想爬取所有的176234个网页。

更新“parse_item”方法

现在我们只需编写如何使用xpath解析网页,这一点我们已经在上一篇教程中实现过了,所以直接复制过来。

这就是为爬虫提供的解析代码,但是现在先不要启动它。

添加一个下载延迟

我们需要通过在settings.py文件中设定一个下载延迟来善待StackOverflow(和任何其他网站)。

这告诉爬虫需要在每两个发出的新请求之间等待5秒钟。你也很有必要做这样的限制,因为如果你不这么做的话,StackOverflow将会限制你的访问流量,如果你继续不加限制地爬取该网站,那么你的IP将会被禁止。所有,友好点—要像对待自己的网站一样对待任何你爬取的网站。

现在只剩下一件事要考虑—存储数据。

MongoDB

上次我们仅仅下载了50个问题,但是因为这次我们要爬取更多的数据,所有我们希望避免向数据库中添加重复的问题。为了实现这一点,我们可以使用一个MongoDB的 upsert方法,它意味着如果一个问题已经存在数据库中,我们将更新它的标题;否则我们将新问题插入数据库中。

修改我们前面定义的MongoDBPipeline:

为简单起见,我们没有优化查询,也没有处理索引值,因为这不是一个生产环境。

测试

启动爬虫!

现在你可以坐下来,看着你的数据库渐渐充满数据。

结论

你可以从Github库下载整个源代码,也可以在下面评论或提问。

1 12 收藏 3 评论

关于作者:PyPer

一名就读于羊城某高校的学生,主要关注 Python、PowerShell等脚本技术,以及SQL Server、MySQL、MongoDB、Redis等数据库,新浪微博:http://weibo.com/LIwianwpIO,微信公众号“NETEC”。 个人主页 · 我的文章 · 12 ·   

相关文章

可能感兴趣的话题



直接登录
最新评论
  • joey   2015/05/06

    文章中里面有两处错误:
    1.rules列表中,questions?page应用为questions\?page
    2.stack_crawler.py中name = 'stack_crawler' 应用为name = 'questions',不然启动命令会出错.
    $ scrapy crawl questions

  • 遇着我-YU   2016/03/15

    你确定最后是用这个命令执行吗? scrapy crawl questions 为什么是questions?我执行之后提示无法找到

跳到底部
返回顶部