前几天由于工作需要，需要抓取一个特定的关键字来提取百度中搜索的结果，并保留50页的数据存入数据库或者.csv文件中。（每天抓取一次）
1.项目需要环境安装
1）scrapy+selenium+chrome（phantomjs）
关于爬虫所依赖环境的安装，我前面已经介绍过了。大家可以参考https://www.jianshu.com/p/1890e9b3ba37这篇文章我的详细介绍即可。
2）mysql+redis安装 数据库安装可查阅百度（很简单）
2.项目开发流程介绍
我们需要模拟用户行为在浏览器的输入框输入指定的关键字，并模拟点击获取想要的数据，将此页面展示的数据进行保存、过滤，并模拟翻页，抓取此关键字的前50页展示，获取我们想要的数据，存入.csv文件或者redis数据库中，以便后面数据分析使用。
3.开发代码详解
1）创建一个scrapy项目
scrapy startproject keyword_scrawl
scrapy genspider redistest baidu.com
- 代码中各文件介绍
settings.py是一个总配置文件：
BOT_NAME ： 工程名字
SPIDER_MODULES：
NEWSPIDER_MODULE：
下面module的配置路径
pipelines.py 这个是一个跟数据存储相关的文件
middlewares.py 可以自定义，让scrapy更加可控
items.py 这个文件有点类似于 django中的一个form，定义了数据保存的格式
，但是它要比django的form应用简单，因为它的字段是十分单一的。
spider文件夹：这个文件夹中存放的是具体的某个网站的爬虫.通过命令行，我们可以创建出属于自己的一个spider。
4.spider代码详解
def make_requests_from_url(self, url):
if self.params['st_status'] == 1:
return Request(url, meta={'keyword': self.keyword, 'engine':self.sousu, 'phantomjs':True})
else:
return Request(url)
首先修改spider中make_requests_from_url函数，添加一个判断，当st_status==1时，我们在返回request对象时，添加一个meta，并在meta中携带我们想要搜索的关键和需要访问的浏览器地址。以及启动phantomjs的指令。
class PhantomJSMiddleware(object):
@classmethod
def process_request(cls, request, spider):
if request.meta.has_key('phantomjs'):
keyword = request.meta.get('keyword')
dcap = dict(DesiredCapabilities.PHANTOMJS)
dcap["phantomjs.page.settings.userAgent"] = ('Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:60.0) Gecko/20100101 Firefox/60.0')
dcap["phantomjs.page.settings.AcceptLanguage"] = ('zh-CN,zh;q=0.9')
driver = webdriver.PhantomJS(desired_capabilities=dcap)
driver.set_page_load_timeout(100)
driver.set_script_timeout(15)
try:
driver.get(request.url)
if request.meta.get('engine') == 1:
driver.find_element_by_id("query").send_keys(keyword)
driver.find_element_by_class_name("swz").click()
elif request.meta.get('engine') == 2:
driver.find_element_by_id("kw").send_keys(keyword)
driver.find_element_by_id("su").click()
time.sleep(2)
final_url = driver.current_url
if final_url != request.url:
fullurl = final_url
else:
fullurl = request.url
content = driver.page_source.encode('utf-8','ignore')
driver.quit()
return HtmlResponse(fullurl, encoding='utf-8', body=content, request=request)
except Exception, e:
driver.quit()
print e
其次修改middlewares中间件中的类方法process_request,此方法默认携带request和spider对象，在我们刚刚修改的make_requests_from_url方法中。我们可以在这里处理前面make_requests_from_url函数返回的Request请求，然后加载selenium、phantomjs，从而获取我们需要访问的浏览器和关键字，此代码会模拟用户的行为去获取关键字内容，然后将页面的内容返回给scrapy.http 中的HtmlResponse对象。这样我们就可以在spider 内的parse函数中获取到刚刚抓取的内容response.body。
# 判断页面的返回状态
if int(response.status) >= 200 and int(response.status) < 400:
if not self.params['redis_key']:
a_list = response.xpath('//h3/a/@href').extract()
for url in a_list:
if url.startswith('http://') != True and url.startswith('https://') !=True:
url = response.urljoin(url)
yield scrapy.Request(url=url, meta={'url':response.url}, callback=self.pang_bo, dont_filter=True)
if response.meta.has_key('page') != True and self.sousu == 2:
flag = 1
for next_url in response.xpath('//div[@id="page"]/a/@href').extract():
if next_url.startswith('http://') != True and next_url.startswith('https://') !=True:
nextUrl = self.start_urls[0] + next_url
regex = 'pn=(\d+)'
page_number = re.compile(regex).search(nextUrl).group(1)
if page_number and flag:
flag = 0
# 抓取前50页
for page in range(10,500,10):
next_page = 'pn=' + str(page)
old_page = re.compile(regex).search(nextUrl).group()
nextUrl = nextUrl.replace(old_page, next_page)
yield scrapy.Request(url=nextUrl, meta={'page':page}, callback=self.parse)
上面的代码就是获取刚刚网页中展示的每一个搜索结果，并获取到页面规律，模拟翻页50页，将50页的内容全部递交给self.pang_bo函数进行处理。在此做了一个页面去重！
# 处理item
def parse_text(self, response):
item = {}
try:
father_url = response.meta["url"]
except:
father_url = "''"
try:
item['title'] = response.xpath('//title/text()').extract_first().replace('\r\n','').replace('\n','').encode('utf-8')
except:
item['title'] = "''"
item['url'] = response.url
item['domain'] = ''
item['crawl_time'] = time.strftime('%Y%m%d%H%M%S')
item['keyword'] = ''
item['Type_result'] = ''
item['type'] = 'html'
item['filename'] = 'yq_' + str(int(time.time())) + '_0' + str(rand5())+'.txt'
item['referver'] = father_url
item['like'] = ''
item['transpond'] = ''
item['comment'] = ''
item['publish_time'] = ''
return item
def pang_bo(self, response):
# 过略掉百度网页
if 'baidu.com' not in response.url and 'ctrip.com' not in response.url and 'baike.com' not in response.url:
item = self.parse_text(response)
content = soup_text(response.body)
if len(content) > 3000:
content = content[:3000]
#elif len(content) == 0:
#yield scrapy.Request(url=response.url, meta={'url':response.url, 'phantomjs':True}, callback=self.pang_bo)
body = item['url']+','+item['crawl_time']+','+item['title'].replace(',','') +','+content+'\n'
if '正在进入' == item['title']:
file_name = os.path.join(self.filetxt,time.strftime('%Y%m%d%H')+'keyword.csv')
with open(file_name, 'a') as b:
b.write(body)
else:
filename = os.path.join(self.filetxt,time.strftime('%Y%m%d%H')+'.csv')
with open(filename, 'a') as f:
f.write(body)
# 过滤网页源代码
def soup_text(body):
try:
soup = BeautifulSoup(body, 'lxml')
line = re.compile(r'\s+')
line = line.sub(r'', soup.body.getText())
p2 = re.compile(u'[^\u4e00-\u9fa5]') # 中GDAC\u4e00\u9fa5
str2 = p2.sub(r'', line)
outStr = str2.strip(',')
except:
outStr = ''
return outStr
这个代码主要过略掉一些不需要的网站，然后提取item字段，和页面body（这里过滤了源码）然后将获取到的内容保存到.csv文件中。这只是一个简简单单的爬虫，反爬的话就设置settings如下：
LOG_STDOUT = True # 将进程所有的标准输出(及错误)将会被重定向到log中（为了方便调试）
DOWNLOAD_DELAY=0.25 # 下载延时设置 单位秒
DOWNLOAD_TIMEOUT = 60 # 下载超时设置（单位秒）
CONCURRENT_ITEMS = 200 # 同时处理的itmes数量
CONCURRENT_REQUESTS = 16 # 同时并发的请求
今天的代码到这里就介绍完了，还是想说："做一个爱分享的程序员，大家有什么疑问欢迎留言"，如果觉得我的文章可以，欢迎关注和点赞。谢谢各位！
