又开新坑了，最近迷上了爬虫，塞尔达，数据结构。。。时间不够用了已经。
近几天简单的学习了Scrapy这个框架，简单好用；
第一步 准备工作
1、安装（基于python3.x环境）
pip3 install scrapy
2、安装pycharm
建议购买正版。。。
3、下载MongoDB和它的GUI工具 下载链接;
4、安装pymongo
pip3 install pymongo
安装完毕之后 终端输入 mongod 启动数据库服务；
2017-04-28T10:32:43.344+0800 I FTDC [initandlisten] Initializing full-time diagnostic data capture with directory '/data/db/diagnostic.data'
2017-04-28T10:32:43.345+0800 I NETWORK [thread1] waiting for connections on port 27017
开始
简单介绍下Scrapy
简单使用主要需要了解三个文件；
1、items.py
主要用来接收和暂时保存爬取到的数据
2、spider
主要负责爬取数据
3、pipelines.py
如果需要存入数据库，在这个文件中操作
爬取数据
目标：爬取最美应用网页端的APP数据
1、打开终端
scrapy startproject zhuimei
2、使用 pyCharm打开工程
其中main.py 需要自己创建，为后面调试做准备
3、接下来需要将zhuimei文件夹设置为Sources Root 以便pycharm查找module；
右击文件夹按下面图操作
4、打开items.py，文件中已经存在一个和项目同名的Item，可以使用也可以重新声明一个类；
在文件中声明一个类 zuimeiItem；
class zuimeiItem(scrapy.Item):
id = Field() # 每个APP的id编号
title = Field() #APP 大标题
subtitle = Field() #副标题
url = Field() #下载链接
date = Field() #时间
5、在Spiders文件夹下新建文件zuimeispider.py
导入
from scrapy import Spider,Request
from scrapy import Selector
from zhuimei.items import zuimeiItem
声明一个类继承于Spider
class ZuiMeiSpider(Spider):
name = "zuimei" #启动爬虫时以这个名为准
allowd_domains = ["http://www.zuimeia.com"]
start_urls = ['http://www.zuimeia.com']
接下来解析我们爬取到的数据
利用火狐浏览器的 firebug 和 firepath插件来审查页面
通过审查我们可以看到 app的title是存储在 一个类名为“app-title”的标签下面的h1标签下，所以我们使用Xpath获取文字
sel = Selector(response)
title_list = sel.xpath(".//*[@class='app-title']/h1/text()").extract()
同理获取到副标题，时间和下载链接
subtitle_list = sel.xpath(".//*[@class='sub-title']/text()").extract()
date_list = sel.xpath(".//*[@class='pub-time']/text()").extract()
url_list = sel.xpath(".//*[@class='detail-icon']/@href").extract()
最后将获取到的数据用item接收保存
for title,subtitle,date,url in zip(title_list,subtitle_list,date_list,url_list):
item = zuimeiItem()
item["id"] = url[5:9]
item["title"] = title
item["subtitle"] = subtitle
item["date"] = date
item["url"] = self.allowd_domains[0] + url #下载需要拼接成完整的url
yield item
可以在上述代码中添加 print，输出爬取到的数据
到这步结束，我们就可以启动爬虫，爬取数据了可以选择两个方法
1、直接打开终端，进入到项目目录下
scrapy crawl zuimei
2、在新建的main.py中
from scrapy import cmdline
cmdline.execute("scrapy crawl zuimei".split())
打开 Run下的Edit Configurations
新建一个 python，并把main.py的路径添加到Script；
现在可以直接使用pycharm的debug功能了；
两种方法其实原理上相同；
将数据存入数据库
1、打开settings.py文件
#取消注释
ITEM_PIPELINES = {
'zhuimei.pipelines.ZhuimeiPipeline': 300,
}
#添加下面代码
MONGODB_HOST = '127.0.0.1'
MONGODB_PORT = 27017
#本地数据库的名字可以自己起，这边直接使用 MongoDB自带
MONGODB_DBNAME = 'local'
2、打开pipelines.py ，添加下面代码
class ZhuimeiPipeline(object):
def __init__(self):
host = settings['MONGODB_HOST']
port = settings['MONGODB_PORT']
dbName = settings['MONGODB_DBNAME']
client = pymongo.MongoClient(host=host, port=port)
db = client[dbName]
self.post = db["zuimei"] # 连接表，表需要在MongoDB compass 中创建
def process_item(self, item, spider):
appInfo = dict(item)
#防止数据重复存入
self.post.update({'id':item['id']},{'$set':dict(item)},True)
return item
3、确认数据库服务已经启动
打开MongoDB Compass， connect；
在 local数据库中新建表 zuimei，注意这里一定要和pipelines中表名一致
4、启动爬虫，待程序运行结束后
结语
这只是个简单的爬虫，只能爬取当前页面的数据，后面我会补全翻页抓取的操作。
