关于b站爬虫的尝试（二）

前几天学习了scrapy的框架结构和基本的使用方法，部分内容转载自：http://blog.csdn.net/qq_30242609/article/details/52810840

scrapy由编写蜘蛛的spiders文件夹和其他框架自带的几个python文件组成

其中

items.py

双击打开这个文件,看一下都初始化了什么东西

# -*- coding: urf-8 -*-
# Define here the models for your scrapyed items
#
# See documentation in
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class HeartsongItem(scrapy.Item):
    # define the fields for your item here like:
    # 
    # name = scrapy.Filed()
    pass

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

通过里面的注释可见，这个文件的作用是定义我们要爬取信息的标准格式，打个比方说，如果我们要爬取一批人的个人信息，包括姓名，性别，生日，那么我们可以这样来书写这个文件

import scrapy

class HeartsongItem(scrapy.Item):
   name = scrapy.Filed()
   sex = scrapy.Filed()
   birthday = scrapy.Filed()

• 1
• 2
• 3
• 4
• 5
• 6

易见本文件只是定义了一个类，至于什么时候实例化它，怎么保存它，请继续了解下面的内容。

settings.py

如其名，这是本项目的配置文件，里面注释着很多常用的配置项，我们通过在其他文件中引入本文件的方式来使用这些配置项。 
当然，我们可以把这些注释都删掉，等需要开启哪个功能的时候再另行编辑。 
我们此处先看看默认打开的配置项吧

BOT_NAME = 'heartsong'
SPIDER_MODULES = ['heartsong.spiders']
NEWSPIDER_MODULE = 'heartsong.spider'
# Obey robots.txt rules
ROBORSTXT_OBEY = True

• 1
• 2
• 3
• 4
• 5

因为我们写的是定向爬虫，前面三个按默认即可，我们不去管他。看第四项，注释里说这个配置项的意思是是否遵守robots.txt，那么robots.txt是个什么东西呢？ 
通俗来说，robots.txt是遵循Robot协议的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页不希望你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的robots.txt文件，然后决定该网站的爬取范围。 
当然，我们并不是在做搜索引擎，而且在某些情况下我们想要获取的内容恰恰是被robots.txt所禁止访问的。所以，我们就将此配置项设置为False，拒绝遵守Robot协议！

pipelines.py

双击打开这个文件，看看都初始化了什么东西

# -*- 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

class HeartsongPipeline(object):
    def process_item(self, item, spider):
        return item

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

从注释中所能得到的信息微乎其微，只告诉我们要启用此文件的话必须要在settings.py里配置一下ITEM_PIPELINES，好，那我们就老老实实的去settings.py里配置一下吧，不过注意，此处有坑，在1.0.x版本(极客学院教程中使用)，配置项用list格式来书写，而在最新的1.1.2版本中，需要用dict格式，否则会报错，无法爬取，配置好后，我们的setting.py如下：

# -*- coding: utf-8 -*-

BOT_NAME = 'heartsong'
SPIDER_MODULES = ['heartsong.spiders']
NEWSPIDER_MODULE = 'heartsong.spider'

ROBORSTXT_OBEY = True

ITEM_PIPELINES = {
    'heartsong.pipelines.HeartsongPipeline': 300,
}

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

此处的300表示优先级，因为本项目只用到这一个pipeline，所以随意取0-1000中的一个数值即可。 
好，镜头切回pipelines.py,这个文件到底有什么用呢？当然用处很多啦，本教程中介绍的作用只有两个： 
* 对爬取到的数据(Item)进行处理，比如存入数据库 
* 爬虫结束时产生事件，比如发送一封邮件

爬虫

在默认生成的spiders目录下新建heartsong_spider.py,我们的爬虫就写在这里面，因为是介绍，那么此处就写个简单的下载网站的主页，让大家能运行一下，感受一下scrapy。

import scrapy

class HeartsongSpider(scrapy.spiders.Spider):
    name = "heartsong"  # 爬虫的名字，执行时使用
    allowed_domains = ["heartsong.top"]  # 允许爬取的域名，非此域名的网页不会爬取
    start_urls = [
        "http://www.heartsong.top"  # 起始url，此例只爬这一个页面   
    ]

    def parse(self, response):  # 真正的爬虫方法
        html = response.body  # response是获取到的来自网站的返回
        # 以下四行将html存入文件
        filename = "index.html"
        file = open(filename, "w")
        file.write(html)
        file.close()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

要说明的是，这个类不是随心所欲来写的，name,allowed_domains,start_urls,都是类似于”重载”的值。也就是说，scrapy内部会检测这些变量的值，变量名不可以起成其它的名字，类似的变量之后还会有介绍。至于parse方法，就是重载的父类的方法，我们爬虫的主体一般就写在这里面。 
好，现在让我们来运行它 
在命令行中进入heartsong目录下，执行命令

scrapy crawl heartsong

• 1

此处的名字heartsong是与爬虫类中的name保持一致。 　　

以上是scrapy的基本架构。

由于递归爬取的时候存在超链接指向图片等问题反而增加request工作量，目前主要思考通过首先爬取所有up主信息，再爬取其空间内视频信息的办法。但是具体的爬取方案无法确定。如果要采取不遗漏的方法，又只能从视频方面开始爬取，回到了最初的问题。目前error视频的数量大概占总数量的一半，问题还不是很大，暂时搁置递归爬取的问题。

目前依然采取根据av号枚举的方式访问视频并记录信息。根据测试程序的反馈，scrapy的爬取效率并不比request的方法高多少。。。可能有部分人认为的效率高主要由于scrapy自带的多进程爬取的方法。但是当request也采取多进程爬取时，主要耗时依然在于获取网络源码的过程中。这部分的时间目前没有办法减少。

#!/usr/bin/env python
# -*-  coding:utf-8 -*-
import scrapy
import re

class bilibili(scrapy.Spider):
    name = "bilibili"
    # 允许的域名
    allowed_domains = ["bilibili.com"]
    start_urls = []
    for av in xrange(10000):
        start_urls.append("http://www.bilibili.com/video/av"+str(av))

    def parse(self, response):
        page = response.body
        temp = re.search(r'<div class="v-title"><h1 title="(.+?)">', page)
        if temp:
            title = re.search(r'<div class="v-title"><h1 title="(.+?)">', page).group(1)
            authorkit = re.search(r'r-info.+?title="(.+?)"', page)
            if authorkit:
                author = authorkit.group(1)
            aid = re.search(r'aid=(d+)', page).group(1)
            cid = re.search(r'cid=(d+)', page).group(1)
            print cid
            print aid
        url = 'https://api.bilibili.com/x/web-interface/archive/stat?aid='+str(aid)
        return scrapy.http.Request(url=url,  callback=self.parse_item_page)

    def parse_item_page(self, response):
        print response.body