Python爬蟲實戰之爬取 V2EX 網站帖子

背景：

PySpider：一個國人編寫的強大的網路爬蟲系統並帶有強大的WebUI。採用Python語言編寫，分散式架構，支援多種資料庫後端，強大的WebUI支援腳本編輯器，任務監視器，專案管理器以及結果檢視器。線上範例： http://demo.pyspider.org/

官方文件： http://docs.pyspider.org/en/l...

Github : https://github.com/binux/pysp. ..

本文爬蟲代碼Github 網址：https://github.com/zhisheng17...

更多精彩文章可以在微信公眾號：猿blog 閱讀到，歡迎關注。

說了這麼多，我們還是來看正文吧!

前提:

你已經安裝好了Pyspider 和MySQL-python(保存資料)

如果你還沒安裝的話，請看看我的前一篇文章，防止你也走彎路。

Pyspider 框架學習時走過的一些坑

HTTP 599: SSL certificate problem: unable to get local issuer certificate錯誤

我所遇到的一些錯誤：

框架爬取V2EX 網站的貼文中的問題和內容，然後將爬取的資料保存在本地。

V2EX 中大部分的帖子查看是不需要登入的，當然也有些帖子是需要登陸後才能夠查看的。 (因為後來爬取的時候發現一直error ，查看具體原因後才知道是需要登錄的才可以查看那些帖子的)所以我覺得沒必要用到Cookie，當然如果你非得要登錄，那也很簡單，簡單地方法就是加入你登入後的cookie 了。

我們在 https://www.v2ex.com/ 掃了一遍，發現並沒有一個列表能包含所有的帖子，只能退而求其次，通過抓取分類下的所有的標籤列表頁，來遍歷所有的貼文：https://www.v2ex.com/?tab=tech 然後是 https://www.v2ex.com/go/progr... 最後每個貼文的詳情網址是(舉例)： https: //www.v2ex.com/t/314683...

建立一個專案

在pyspider 的dashboard 的右下角，點選「Create」按鈕

的替換

@every(minutes=24 * 60) 
    def on_start(self): 
        self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False)

self.crawl 告訴pyspider 抓取指定頁面，然後使用callback 函數對結果進行解析。

@every) 修飾器，表示 on_start 每天會執行一次，這樣就能抓到最新的貼文了。

validate_cert=False 一定要這樣，否則會報HTTP 599: SSL certificate problem: unable to get local issuer certificate錯誤

首頁：

點擊綠色的run 執行，你會看到上面的首頁：

點擊綠色的run 執行，你會看到上面的1切換到follows 面板，點選綠色的播放鈕：

第二張截圖一開始是出現這個問題了，解決辦法看前面寫的文章，後來問題就不再會出現了。

Tab 清單頁 :

在 tab 清單頁 中，我們需要提取所有的主題清單頁 的 URL。你可能已經發現了，sample handler 已經提取了非常多大的URL

代碼：

@config(age=10 * 24 * 60 * 60) 
    def index_page(self, response): 
        for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items(): 
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)

由於帖子列表頁和tab列表頁長的並不一樣，在這裡新建了一個callback 為self.tab_page

@config (age=10 24 60 * 60) 在這表示我們認為10 天內頁面有效，不會再進行更新抓取

Go列表頁:

代碼：

@config(age=10 * 24 * 60 * 60) 
 
def tab_page(self, response): 
 
for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items(): 
 
self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)

帖子頁(T):詳情頁(T)

你可以看到結果裡面出現了一些reply的東西，對於這些我們是可以不需要的，我們可以去掉。

同時我們還需要讓他自己實現自動翻頁功能。

程式碼：

@config(age=10 * 24 * 60 * 60) 
    def board_page(self, response): 
        for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items(): 
            url = each.attr.href 
            if url.find('#reply')>0: 
                url = url[0:url.find('#')] 
            self.crawl(url, callback=self.detail_page, validate_cert=False) 
        for each in response.doc('a.page_normal').items(): 
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) 
            #实现自动翻页功能

去掉後的運行截圖：

實現自動翻頁後的截圖：

此时我们已经可以匹配了所有的帖子的 url 了。

点击每个帖子后面的按钮就可以查看帖子具体详情了。

代码：

@config(priority=2) 
    def detail_page(self, response): 
        title = response.doc('h1').text() 
        content = response.doc('p.topic_content').html().replace('"', '\\"') 
        self.add_question(title, content)  #插入数据库 
        return { 
            "url": response.url, 
            "title": title, 
            "content": content, 
        }

插入数据库的话，需要我们在之前定义一个add_question函数。

#连接数据库 
def __init__(self): 
        self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8') 
 
    def add_question(self, title, content): 
        try: 
            cursor = self.db.cursor() 
           sql = 'insert into question(title, content, user_id, created_date, comment_count)
            values ("%s","%s",%d, %s, 0)' % 
            (title, content, random.randint(1, 10) , 'now()');   
            #插入数据库的SQL语句 
            print sql 
            
            cursor.execute(sql) 
            print cursor.lastrowid 
            self.db.commit() 
        except Exception, e: 
            print e 
            self.db.rollback()

查看爬虫运行结果：

先debug下，再调成running。pyspider框架在windows下的bug

设置跑的速度，建议不要跑的太快，否则很容易被发现是爬虫的，人家就会把你的IP给封掉的

查看运行工作

查看爬取下来的内容

然后再本地数据库GUI软件上查询下就可以看到数据已经保存到本地了。

自己需要用的话就可以导入出来了。

在开头我就告诉大家爬虫的代码了，如果详细的看看那个project，你就会找到我上传的爬取数据了。(仅供学习使用，切勿商用!)

当然你还会看到其他的爬虫代码的了，如果你觉得不错可以给个 Star，或者你也感兴趣的话，你可以fork我的项目，和我一起学习，这个项目长期更新下去。

最后：

代码：

# created by 10412 
# !/usr/bin/env python 
# -*- encoding: utf-8 -*- 
# Created on 2016-10-20 20:43:00 
# Project: V2EX 
 
from pyspider.libs.base_handler import * 
 
import re 
import random 
import MySQLdb 
 
class Handler(BaseHandler): 
    crawl_config = { 
    } 
 
    def __init__(self): 
        self.db = MySQLdb.connect('localhost', 'root', 'root', 'wenda', charset='utf8') 
 
    def add_question(self, title, content): 
        try: 
            cursor = self.db.cursor() 
          sql = 'insert into question(title, content, user_id, created_date, comment_count) 
         values ("%s","%s",%d, %s, 0)' % (title, content, random.randint(1, 10) , 'now()'); 
            print sql 
            cursor.execute(sql) 
            print cursor.lastrowid 
            self.db.commit() 
        except Exception, e: 
            print e 
            self.db.rollback() 
 
 
    @every(minutes=24 * 60) 
    def on_start(self): 
        self.crawl('https://www.v2ex.com/', callback=self.index_page, validate_cert=False) 
 
    @config(age=10 * 24 * 60 * 60) 
    def index_page(self, response): 
        for each in response.doc('a[href^="https://www.v2ex.com/?tab="]').items(): 
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False) 
 
 
    @config(age=10 * 24 * 60 * 60) 
    def tab_page(self, response): 
        for each in response.doc('a[href^="https://www.v2ex.com/go/"]').items(): 
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) 
 
 
    @config(age=10 * 24 * 60 * 60) 
    def board_page(self, response): 
        for each in response.doc('a[href^="https://www.v2ex.com/t/"]').items(): 
            url = each.attr.href 
            if url.find('#reply')>0: 
                url = url[0:url.find('#')] 
            self.crawl(url, callback=self.detail_page, validate_cert=False) 
        for each in response.doc('a.page_normal').items(): 
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) 
 
 
    @config(priority=2) 
    def detail_page(self, response): 
        title = response.doc('h1').text() 
        content = response.doc('p.topic_content').html().replace('"', '\\"') 
        self.add_question(title, content)  #插入数据库 
        return { 
            "url": response.url, 
            "title": title, 
            "content": content, 
        }

以上就是Python爬虫实战之爬取 V2EX 网站帖子的内容，更多相关内容请关注PHP中文网（www.php.cn）！