使用python爬虫工具Scrapy统计简书文章阅读量

突然发现多年来一直断断续续在学习使用的python，拥有着广泛的使用场景，从开源硬件、服务器运维、自动化测试，到数学计算，人工智能，都有python的一席之地，在各个领域python有丰富的框架和工具。

听闻python的Scrapy爬虫已久，最近正好想对去年一年在简书写作的文章做一下统计。作为软件工程师，肯定不能去按计算器，正好找到一个可以使用scrapy的场景，直接用爬虫来抓取简书页面，然后提取数据作统计。

工作原理和步骤

分析要抓取的页面结构，找到有价值的信息；
通过发起http请求，获得要抓取页面的html正文；
分析html页面的标签结构，根据xml层级结构或者css选择器语法，读取到需要的document元素；
设计数据结构和计算规则，进行统计，然后将结果输出

抓取网页的话使用urllib库其实就可以完成，css选择器的话，python也有pyquery提供类似jquery的功能。剩下就是简单的数据统计了。

使用Scrapy动手操作

完整的项目还没有整理好，暂时不提供代码，本身核心业务逻辑的代码量并不多。

安装python和scrapy

#安装pip
apt-get install -y build-essential libffi-dev libxml2-dev libxslt1-dev libevent-dev libssl-dev zlib1g-dev  python-dev python-pip
pip install -U pip

#安装scrapy
pip install scrapy

本次应用中使用pip来安装scrapy，详细安装可以参看官网，安装pip的同时，需要安装一些linux开发相关的工具。

需要注意的事项有两点，首先如果是在mac上安装的话，由于操作系统以来sis这个库，而scrapy需要更高版本的sis，无法升级，所以可能有坑，笔者直接使用docker搭建的容器进行开发，所以不存在问题；另外一个是pip源，在国内可能下载速度会比较慢，可以使用国内的源或者翻墙下载。

import sys
import scrapy
import csv

class MyJianShuSpider(scrapy.Spider):
    name = 'my_jisnshu_spider'
    page = 1
    userid = 'yourid'
    base_url = 'http://www.jianshu.com/u/yourid?order_by=shared_at&page='
    start_urls = ['http://www.jianshu.com/u/yourid?order_by=shared_at&page=1']
    headers = {
      "Host": "www.jianshu.com",
      "User-Agent": "your agent",
      "Accept": "*/*"
    }

    def start_requests(self):
        url = self.base_url + str(self.page)
        yield scrapy.Request(url, headers=self.headers, callback=self.parse)

    def parse(self, response):
        for item in response.css('ul.note-list li'):
            print publishTimeText = item.css('.author .name > .time ::attr(data-shared-at)').extract_first()

Scrapy基本工作原理

scrapy提供了Spider类，该类通过start_requests接口被scrapy执行器调用，运行scrapy执行器，就会从入口点start_requests开始执行爬虫的代码；使用过javascript的es2015应该会比较容易理解yield，感觉是js也借鉴了很多python的理念。

在Spider执行过程中，任何时候都可以通过调用scrapy.Request来发起一个爬虫抓取操作，callback参数是抓取的网络请求成功之后的回调函数，url是请求的链接地址，headers是http协议的头部，可以根据需要设置。

简书页面的相关结构

查看简书列表页面的document结构，很容易找到#list-container下面的ul列表就是包含我们要统计的信息的节点，因此可以直接使用scrapy提供的css选择器来获取。执行回调函数response.css('ul.note-list li')就获取到了一个列表，对列表做循环处理，取出每一个需要的元素。

#发表时间
publishTimeText = item.css('.author .name > .time ::attr(data-shared-at)').extract_first()
# 摘要
abstractText = item.css('p.abstract ::text').extract_first()
# 文章标题
titleText = item.css('a.title ::text').extract_first()
# 文章的链接
articleLink = item.css('a.title ::attr(href)').extract_first()

#统计信息
metaList = item.css('.meta > a ::text').re(r' ([0-9]*)\n')

最后的metaList返回的是一个数组，下标0-2分别是阅读、评论和点赞的数目。

在实际获取到的列表页面中，页面的文章是通过异步加载，每次获取一页数据的，所以在抓取过程中，需要多次抓取每次抓取一页，直到没有更多文章为止。

生成的表格

简书实际上提供了分页的文章列表页，可以分页获取数据，页面中页可以找到是否还有更多文章的标记。为了不破坏读者探索的乐趣，文章里就不详细介绍了。