上回,我装了环境
也就是一对乱七八糟的东西
装了pip,用pip装了virtualenv,建立了一个virtualenv,在这个virtualenv里面,装了Django,创建了一个Django项目,在这个Django项目里面创建了一个叫做web的阿皮皮。
接上回~
第二部分,编写爬虫。
工欲善其事,必先利其器。
bash
apt-get install vim # 接上回,我们在screen里面是root身份哦~
当然了,现在我要想一个采集的目标,为了方便,我就选择segmentfault吧,这网站写博客不错,就是在海外上传图片有点慢。
这个爬虫,就像我访问一样,要分步骤来。 我先看到segmentfault首页,然后发现里面有很多tags,每个tags下面,才是一个一个的问题的内容。
所以,爬虫也要分为这几个步骤来写。 但是我要反着写,先写内容爬虫,再写分类爬虫, 因为我想。
2.1 编写内容爬虫
首先,给爬虫建立个目录,在项目里面和app同级,然后把这个目录变成一个python的package
bash
mkdir ~/python_spider/sfspider touch ~/python_spider/sfspider/__init__.py
以后,这个目录就叫爬虫包了
在爬虫包里面建立一个spider.py
用来装我的爬虫们
bash
vim ~/python_spider/sfspider/spider.py
一个基本的爬虫,只需要下面几行代码:
(代码下面会提供)
然后呢,就可以玩玩我们的“爬虫”了。
进入python shell
python
>>> from sfspider import spider >>> s = spider.SegmentfaultQuestionSpider('1010000002542775') >>> s.url >>> 'http://segmentfault.com/q/1010000002542775' >>> print s.dom('h1#questionTitle').text() >>> 微信JS—SDK嵌套选择图片和上传图片接口,实现一键上传图片,遇到问题
看吧,我现在已经可以通过爬虫获取segmentfault的提问标题了。下一步,为了简化代码,我把标题,回答等等的属性都写为这个蜘蛛的属性。代码如下
python
# -*- coding: utf-8 -*- import requests # requests作为我们的html客户端 from pyquery import PyQuery as Pq # pyquery来操作dom class SegmentfaultQuestionSpider(object): def __init__(self, segmentfault_id): # 参数为在segmentfault上的id self.url = 'http://segmentfault.com/q/{0}'.format(segmentfault_id) self._dom = None # 弄个这个来缓存获取到的html内容,一个蜘蛛应该之访问一次 @property def dom(self): # 获取html内容 if not self._dom: document = requests.get(self.url) document.encoding = 'utf-8' self._dom = Pq(document.text) return self._dom @property def title(self): # 让方法可以通过s.title的方式访问 可以少打对括号 return self.dom('h1#questionTitle').text() # 关于选择器可以参考css selector或者jquery selector, 它们在pyquery下几乎都可以使用 @property def content(self): return self.dom('.question.fmt').html() # 直接获取html 胆子就是大 以后再来过滤 @property def answers(self): return list(answer.html() for answer in self.dom('.answer.fmt').items()) # 记住,Pq实例的items方法是很有用的 @property def tags(self): return self.dom('ul.taglist--inline > li').text().split() # 获取tags,这里直接用text方法,再切分就行了。一般只要是文字内容,而且文字内容自己没有空格,逗号等,都可以这样弄,省事。
然后,再把玩一下升级后的蜘蛛。
python
>>> from sfspider import spider >>> s = spider.SegmentfaultQuestionSpider('1010000002542775') >>> print s.title >>> 微信JS—SDK嵌套选择图片和上传图片接口,实现一键上传图片,遇到问题 >>> print s.content >>> # [故意省略] # >>> for answer in s.answers print answer >>> # [故意省略] # >>> print '/'.join(s.tags) >>> 微信js-sdk/python/微信开发/javascript
OK,现在我的蜘蛛玩起来更方便了。
2.2 编写分类爬虫
下面,我要写一个抓取标签页面的问题的爬虫。
代码如下, 注意下面的代码是添加在已有代码下面的, 和之前的最后一行之间 要有两个空行
python
class SegmentfaultTagSpider(object): def __init__(self, tag_name, page=1): self.url = 'http://segmentfault.com/t/%s?type=newest&page=%s' % (tag_name, page) self.tag_name = tag_name self.page = page self._dom = None @property def dom(self): if not self._dom: document = requests.get(self.url) document.encoding = 'utf-8' self._dom = Pq(document.text) self._dom.make_links_absolute(base_url="http://segmentfault.com/") # 相对链接变成绝对链接 爽 return self._dom @property def questions(self): return [question.attr('href') for question in self.dom('h2.title > a').items()] @property def has_next_page(self): # 看看还有没有下一页,这个有必要 return bool(self.dom('ul.pagination > li.next')) # 看看有木有下一页 def next_page(self): # 把这个蜘蛛杀了, 产生一个新的蜘蛛 抓取下一页。 由于这个本来就是个动词,所以就不加@property了 if self.has_next_page: self.__init__(tag_name=self.tag_name ,page=self.page+1) else: return None
现在可以两个蜘蛛一起把玩了,就不贴出详细把玩过程了。。。
python
>>> from sfspider import spider >>> s = spider.SegmentfaultTagSpider('微信') >>> question1 = s.questions[0] >>> question_spider = spider.SegmentfaultQuestionSpider(question1.split('/')[-1]) >>> # [故意省略] #
想做小偷站的,看到这里基本上就能搞出来了。 套个模板 加一个简单的脚本来接受和返回请求就行了。
未完待续。
下一篇,采集入库!
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。