python爬虫30 | scrapy后续，把「糗事百科」的段子爬下来然后存到数据库中

 

上回我们说到

 

python爬虫29 | 使用scrapy爬取糗事百科的例子，告诉你它有多厉害！

 

WOW！！

 

scrapy

 

awesome！！

 

怎么会有这么牛逼的框架

 

wow！！

awesome！！

 

 

用 scrapy 来爬取数据

 

岂！不！是！非！常！爽！

 

wow！！

 

接下来就是我独享的moment

 

哦不

 

接下来就是

 

学习 python 的正确姿势

 

 

 

我们已经创建了爬取糗事百科的项目

 

并且把糗事百科的前两页的作者和段子爬取到 json 文件了

 

 

这次

 

我们将我们要爬取所有的数据

 

使用 scrapy 存储到 mangodb 中

 

在此之前还是先介绍一下我们使用 scrapy 创建出来的文件目录

 

各个文件代表的都是啥意思

 

免得又有些 b 友当场懵逼

 

 

我们从上往下依个介绍一下

 

 

这个 spiders 目录呢

 

就是用来存放我们写爬虫文件的地方

 

items.py

 

就是用来定义我们要存储数据的字段

 

middlewares.py 

 

就是中间件，在这里面可以做一些在爬虫过程中想干的事情，比如爬虫在响应的时候你可以做一些操作

 

pipelines.py

 

这是我们用来定义一些存储信息的文件，比如我们要连接 MySQL或者 MongoDB 就可以在这里定义

 

settings.py

 

这个文件用来定义我们的各种配置，比如配置请求头信息等

 

以上就是 scrapy 生成的目录中主要文件的作用

 

 

ok

 

接下来我们就进入代码中

 

我们上次创建了 QiushiSpider 来写我们的爬虫

 

当时我们只是获取了前两页的数据

 

我们要获取所有页面的数据怎么玩呢

 

打开糗事百科的链接可以看到

 

 

13 页的数据

 

其实按照以前我们直接写个 for 循环就可以了

 

不过我们这次还可以使用 scrapy 的 follow 函数

 

具体使用是这样的

 

我们先获取下一页的链接

 

 

由于下一页这个按钮都是在最后一个 li 标签中的

 

所以用 xpath 获取就这样

 

next_page = response.xpath('//*[@id="content-left"]/ul/li[last()]/a').attrib['href']

 

接着我们就可以让它去请求下一页的内容数据了

 

  if next_page is not None:      yield response.follow(next_page, callback=self.parse)

 

你也可以用 urljoin 的方式

 

# if next_page is not None:      # next_page = response.urljoin(next_page)      # yield scrapy.Request(next_page, callback=self.parse)

 

这样我们就可以获取到所有页面的数据了

 

接下来我们要把所有的数据保存到数据库

 

首先我们在 items.py 中定义一下我们要存储的字段

 

import scrapy

class QiushibaikeItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    author = scrapy.Field()    content = scrapy.Field()    _id = scrapy.Field()

 

接着我们在 parse 方法中将获取到的数据赋值给 item 

 

具体来说就是这样

 

    def parse(self, response):
        content_left_div = response.xpath('//*[@id="content-left"]')        content_list_div = content_left_div.xpath('./div')
        for content_div in content_list_div:            item = QiushibaikeItem()            item['author'] = content_div.xpath('./div/a[2]/h2/text()').get()            item['content'] = content_div.xpath('./a/div/span/text()').getall()            item['_id'] = content_div.attrib['id']            yield item
        next_page = response.xpath('//*[@id="content-left"]/ul/li[last()]/a').attrib['href']
        if next_page is not None:            yield response.follow(next_page, callback=self.parse)

 

第 7 行就是获取我们刚刚定义的 item 的类

 

8-10 行就是相应的赋值

 

那么我们定义好了要存储的字段以及写好了数据爬取

 

接下来还有一步

 

就是定义好我们要存储的数据库

 

到 pipelines.py 中

 

class QiushibaikePipeline(object):
    def __init__(self):        self.connection = pymongo.MongoClient('localhost', 27017)        self.db = self.connection.scrapy          self.collection = self.db.qiushibaike 
    def process_item(self, item, spider):        if not self.connection or not item:            return        self.collection.save(item)
    def __del__(self):        if self.connection:            self.connection.close()

 

在这里我们连接到本地的 MongoDB

 

建立了 scrapy 数据库及以下的 qiushibaike

 

接下来还要在 settings.py 文件中配置下

 

# See https://doc.scrapy.org/en/latest/topics/item-pipeline.htmlITEM_PIPELINES = {   'qiushibaike.pipelines.QiushibaikePipeline': 300,}

 

这样才可以使用到pipelines

 

当然我们还可以在 settings.py 里面做更多的设置

 

比如设置请求头

 

# Crawl responsibly by identifying yourself (and your website) on the user-agentUSER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/73.0.3683.86 Chrome/73.0.3683.86 Safari/537.36'

 

 

ok

 

搞定了之后

 

我们使用命令来抓取一下

 

scrapy crawl qiushibaike

 

运行之后

 

我们打开 MongoDB 看看

 

 

可以看到

 

所有的数据就被我爬取到 MongoDB 了

 

 

ok

 

以上就是 scrapy 的简单又牛逼的操作

 

更多 scrapy 的牛逼操作可以前往 https://doc.scrapy.org 了解

 

这两篇所涉及的源代码已经上传

 

可以在公众号后台发送  scrapy 获取

 

那么

 

我们下回见

 

peace

 

 

 

 

 

对了

 

有个事

 

你希望接下来这个公众号能有更多什么教程

 

例如

 

爬虫实战？

 

ubuntu？

 

vim？

 

...?

 

请扫下方的码评论告诉我一下