快乐学习
前程无忧、中华英才非你莫属!

Day4-分布式爬虫并打造搜索引擎全过程

前言

 
爬取伯乐在线,所有最新文章页的标题,主题、创建时间、评论数、分享、点赞的数量,正文内容、图片等,存入到MySQL当中!
 
 
一、定义表结构
 
 
 
二、需要安装的类库
pip install -i https://pypi.douban.com/simple/ pillow
pip install -i https://pypi.douban.com/simple/ mysqlclient
三、main.py(运行类)
from scrapy.cmdline import execute
import sys
import os
# print(os.path.dirname(os.path.abspath(__file__)))
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute([“scrapy”,”crawl”,”jobbole”])
四、items.py(结构类,模型类)
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class BoleonlineItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    #
    pass
class JobBoleArticleItem(scrapy.Item):
    # 标题
    re_title = scrapy.Field()
    # 文章创建日期
    re_create_date = scrapy.Field()
    # 文章链接
    url = scrapy.Field()
    # 文章鏈接md5加密
    url_object_id = scrapy.Field()
    # 文章封面图
    front_img_url = scrapy.Field()
    # 封面图路径
    front_img_path = scrapy.Field()
    # 文章点赞数
    re_dianGood_number = scrapy.Field()
    # 文章收藏数
    re_get_number = scrapy.Field()
    # 文章评论数
    re_talk_number = scrapy.Field()
    # 文章主题标签
    tags = scrapy.Field()
    # 文章内容
    re_content = scrapy.Field()
    pass
五、settings.py(设置类)
ITEM_PIPELINES = {
    # ‘BoleOnline.pipelines.JsonExporterPipeline’: 2,
    # # ‘scrapy.pipelines.images.ImagesPipeline’:1,
    #
    # ‘BoleOnline.pipelines.ArticleImagePipeline’: 1,
    ‘BoleOnline.pipelines.MySQLTwistedPipeline’ :1,
}
IMAGES_URLS_FIELD = “front_img_url”
project_dir = os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE = os.path.join(project_dir,”images”)
MYSQL_HOST = “192.168.1.3”
MYSQL_DBNAME = “mydb3”
MYSQL_USER = “root”
MYSQL_PASSWORD = “root”
 
六、piplines.py(管道,传输类)
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don’t forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
from scrapy.pipelines.images import ImagesPipeline
import codecs
import json
from scrapy.exporters import JsonItemExporter
from twisted.enterprise import adbapi
import MySQLdb
import MySQLdb.cursors
class BoleonlinePipeline(object):
    def process_item(self, item, spider):
        return item
#爬取的内容保存到json文件里
class JsonWithEncodingPipeline(object):
    # 自定義json文件的導出
    def __init__(self):
        self.file = codecs.open(‘article.json’, ‘w’, encoding=”utf-8″)
    def process_item(self, item, spider):
        lines = json.dumps(dict(item), ensure_ascii=False) + “n”
        self.file.write(lines)
        return item
    def spider_closed(self,spider):
        self.file.close()
#爬取的内容保存到json文件里
class JsonExporterPipeline(object):
    # 調用scrapy 提供好的json export導出json文件
    def __init__(self):
        self.file = codecs.open(‘article_export.json’, ‘wb’)
        self.exporter = JsonItemExporter(self.file, encoding=”utf-8″,ensure_ascii=False)
        self.exporter.start_exporting()
    def close_spider(self,spider):
        self.exporter.finish_exporting()
        self.file.close()
    def process_item(self,item,spider):
        self.exporter.export_item(item)
        return item
#正常同步到MySQL当中,如解析速度过快,很容易引起MySQL插入堵塞
class MySQLPipeline(object):
    def __init__(self):
        self.conn = MySQLdb.connect(‘192.168.1.3′,’root’,’root’,’mydb3′,charset=”utf8″,use_unicode=”true”)
        self.cursor = self.conn.cursor()
    def process_item(self, item, spider):
        insert_sql = “””
            insert into jobbole_article(title,create_date,url,dianGood_number) VALUES (%s,%s,%s,%s)
            “””
        self.cursor.execute(insert_sql,(item[“re_title”], item[“re_create_date”], item[“url”], item[“re_dianGood_number”]))
        self.conn.commit()
#异步的不会影响MySQL插入堵塞等问题
class MySQLTwistedPipeline(object):
    def __init__(self,dbpool):
        self.dbpool = dbpool
    @classmethod
    def from_settings(cls,settings):
        dbparms=dict(
            host=settings[“MYSQL_HOST”],
            db=settings[“MYSQL_DBNAME”],
            user=settings[“MYSQL_USER”],
            passwd=settings[“MYSQL_PASSWORD”],
            charset=”utf8″,
            cursorclass=MySQLdb.cursors.DictCursor,
            use_unicode=True,
        )
        dbpool = adbapi.ConnectionPool(“MySQLdb”,**dbparms)
        return cls(dbpool)
    def process_item(self, item, spider):
        #使用twisted將mysql插入變成異步執行
        query = self.dbpool.runInteraction(self.do_insert,item)
        # 處理異常
        query.addErrback(self.handle__error)
    def handle__error(self,failure):
        # 處理異步插入的異常
        print(failure)
    def do_insert(self,cursor,item):
        insert_sql = “””
               insert into jobbole_article(title,create_date,url,dianGood_number) VALUES (%s,%s,%s,%s)
               “””
        cursor.execute(insert_sql,(item[“re_title”], item[“re_create_date”], item[“url”], item[“re_dianGood_number”]))
#保存爬取的图片到指定路径
class ArticleImagePipeline(ImagesPipeline):
    def item_completed(self, results, item, info):
        for ok,value in results:
            image_file_path = value[“path”]
            item[“front_img_path”] = image_file_path
        return item
 
 
七、spider.py(爬取类)
import scrapy
import re
import datetime
from scrapy.http import Request
from urllib import parse
from BoleOnline.items import JobBoleArticleItem
from BoleOnline.utils.common import get_md5
class JobboleSpider(scrapy.Spider):
    name = ‘jobbole’
    allowed_domains = [‘blog.jobbole.com’]
    start_urls = [‘http://blog.jobbole.com/all-posts/’]
    def parse(self, response):
        # 获取 下一页面的url并交给scrapy进行下载
        post_nodes = response.css(“#archive .floated-thumb .post-thumb”)  # a selector, 可以在这个基础上继续做 selector
        for post_node in post_nodes:
            post_url = post_node.css(“a::attr(href)”).extract_first(“”)
            img_url = post_node.css(“a img::attr(src)”).extract_first(“”)
            yield Request(url=parse.urljoin(response.url, post_url),
                          meta={“front-image-url”: img_url}, callback=self.parse_detail)
        # 必须考虑到有前一页,当前页和下一页链接的影响,使用如下所示的方法
        next_url = response.css(“.next.page-numbers::attr(href)”).extract_first(“”)
        if next_url:
            yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)
    def parse_detail(self, response):
        article_item = JobBoleArticleItem()
        # 文章封面图
        front_img_url = response.meta.get(“front-image-url”, “”)
        # 获取文章的标题
        re_title = response.xpath(“/html//div[@class=’entry-header’]/h1/text()”).extract_first(“”)
        # 获取文章的创建日期
        re_create_date = response.xpath(“//p[@class=’entry-meta-hide-on-mobile’]/text()”).extract_first(“”).strip().replace(” ·”,””).strip()
        # 获取点赞数
        re_dianGood_number = response.xpath(‘//span[contains(@class,”vote-post-up”)]/h10/text()’).extract_first(“”)
        # 利用正则表达式,过滤掉不要的字符
        re_math = re.match(“.*?(d+).*”, re_dianGood_number)
        if re_math:
            re_dianGood_number = re_math.group(1)
        else:
            re_dianGood_number = 0
       # 使用contains方法获取收藏数
        re_get_number = response.xpath(“//span[contains(@class,’bookmark-btn’)] /text() “).extract_first(“”)
        # 利用正则表达式,过滤掉不要的字符
        re_math = re.match(“.*?(d+).*”,re_get_number)
        if re_math:
            re_get_number = re_math.group(1)
        else:
            re_get_number = 0
        # 使用contains方法获取评论数
        re_talk_number = response.xpath(“//a[contains(@href,’#article-comment’)]/span/text() “).extract_first(“”)
        # 利用正则表达式,过滤掉不要的字符
        re_math = re.match(“.*?(d+).*”, re_talk_number)
        if re_math:
            re_talk_number = re_math.group(1)
        else:
            re_talk_number = 0
        # 获取正文内容
        re_content = response.xpath(“//div[@class=’entry’]”) .extract_first(“”)
        # 获取文章头标签
        re_tag = response.xpath(“//p[@class=’entry-meta-hide-on-mobile’]/a/text()”).extract()
        # 过滤掉评论
        re_tag = [element for element in re_tag if not element.strip().endswith(“评论”)]
        tags =”,”.join(re_tag)
        #保存到Scrapy的Item中,可以进行格式化处理
        article_item[“url_object_id”] = get_md5(response.url)
        article_item[“re_title”] = re_title
        try:
            re_create_date = datetime.datetime.strptime(re_create_date, “%Y/%m/%d”).date()
        except Exception as e:
            re_create_date = datetime.datetime.now().date()
        article_item[“re_create_date”] = re_create_date
        article_item[“url”] = response.url
        article_item[“front_img_url”] = [front_img_url]
        article_item[“re_dianGood_number”] = re_dianGood_number
        article_item[“re_get_number”] = re_get_number
        article_item[“re_talk_number”] = re_talk_number
        article_item[“tags”] = tags
        article_item[“re_content”] = re_content
        yield article_item
        pass




打赏

未经允许不得转载:同乐学堂 » Day4-分布式爬虫并打造搜索引擎全过程

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

特别的技术,给特别的你!

联系QQ:1071235258QQ群:226134712
error: Sorry,暂时内容不可复制!