Part1：需求简要描述
1、抓取http://www.jokeji.cn网站的笑话
2、以瀑布流方式显示
Part2：安装爬虫框架Scrapy1.4
1、 安装Scrapy1.4
E:djangomyProject001>pip install scrapy
执行报错：
error: Unable to find vcvarsall.bat
Failed building wheel for Twisted
2、安装wheel
E:djangomyProject001>pip install wheel
3、下载编译好的wheel文件
访问下面链接下载编译好的wheel文件到当前目录下
https://www.lfd.uci.edu/~gohlke/pythonlibs/
4、安装编译好的wheel文件
E:djangomyProject001>pip install Twisted-17.9.0-cp35-cp35m-win_amd64.whl E:djangomyProject001>pip install Scrapy-1.4.0-py2.py3-none-any.whl
5、查看Scrapy是否安装成功
E:djangomyProject001>scrapy version
Scrapy 1.4.0
6、安装Py32Win模块
E:djangomyProject001>pip install pypiwin32
访问windows系统API的库
7、安装OpenPyXL
E:djangomyProject001>pip install openpyxl
用于将爬取数据写入Excel文件
Part3：创建项目及应用
1、创建项目及应用
E:django>django-admin startproject myProject001
E:django>cd myProject001
E:djangomyProject001>python3 manage.py startapp joke
2、修改settings.py
文件路径：myProject001myProject001settings.py
代码语言：javascript复制# 增加应用
INSTALLED_APPS = [
'django.contrib.admin',
'django.contrib.auth',
'django.contrib.contenttypes',
'django.contrib.sessions',
'django.contrib.messages',
'django.contrib.staticfiles',
'joke',
]
# 修改amind管理后台语言
LANGUAGE_CODE = 'zh-hans'
TIME_ZONE = 'Asia/Shanghai'3、修改modles.py
文件路径：myProject001jokemodels.py
代码语言：javascript复制from django.db import models
class Jokes(models.Model):
jokeText = models.TextField(u'笑话内容')
createDate = models.DateField(u'创建日期', auto_now_add=True)
modifyDate = models.DateField(u'修改日期', auto_now=True)4、创建数据迁移文件并执行
E:djangomyProject001>python3 manage.py makemigrations E:djangomyProject001>python3 manage.py migrate
使用SQLite查看数据库，表创建成功
5、修改views.py
文件路径：myProject001jokeviews.py
代码语言：javascript复制from django.shortcuts import render
from django.http import HttpResponse
def index(request):
return HttpResponse('这里是笑话应用的首页')6、在joke应用下创建urls.py
文件路径：myProject001jokeurls.py
代码语言：javascript复制from django.urls import path
from . import views
urlpatterns = [
path('', views.index, name='index'),
]7、修改项目应用下的urls.py
文件路径：myProject001myProject001urls.py
代码语言：javascript复制from django.contrib import admin
from django.urls import path,include
urlpatterns = [
path('admin/', admin.site.urls),
path('joke/', include('joke.urls')),
]8、创建应用首页模板文件index.html
模板文件路径：
myProject001joketemplatesjokeindex.html
模板文件内容：
代码语言：javascript复制<html>
<head>
<title>笑话应用的首页</title>
</head>
<body>
</body>
</html>9、启动应用
E:djangomyProject001>python3 manage.py runserver
访问如下地址，应用创建成功
http://127.0.0.1:8000/joke/
Part4：了解XPath一些基本知识
1、节点和属性
代码语言：javascript复制<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<title>开心一刻</title>
<link rel="icon" href="/favicon.ico" type="image/x-icon" />
<link href="css/list.css" rel="stylesheet" type="text/css" />
</head>
<body>
<div class="style_top">
<div class="list_title">
<ul>
<li>
<a href="/jokehtml/bxnn/2017122722221351.htm"target="_blank" >醉人的笑容你会有</a>
</li>
<li>
<a href="/jokehtml/fq/201712272221462.htm"target="_blank" >搞笑夫妻乐事儿多</a>
</li>
<li>
<a href="/jokehtml/mj/2017122722205011.htm"target="_blank" >幽默密切联系生活</a>
<i>
</ul>
</div>
</div>
</body>
</html>节点/元素：html、head、body、div、li 等
节点/元素文本内容：开心一刻、醉人的笑容你会有
属性：class、href 等
属性值：style_top、/jokehtml/bxnn/2017122722221351.htm 等
2、XPath使用路径表达式选取节点
表达式 | 描述 | 实例 |
|---|---|---|
节点名称 | 选取此节点的所有子节点 | body |
/ | 从根节点选取 | /html |
// | 选择文档中的节点，而不考虑位置 | //li |
. | 选取当前节点 | .//title |
.. | 选取当前节点的父节点 | |
@ | 选取属性 | //@href |
谓语 | 找某个特定的节点或者包含某个指定的值的节点 | //title[@lang='eng'] |
* | 任意元素 | //* |
@* | 任意属性 | //title[@*] |
node() | 任意类型 | |
| | 或运算符 | //title | //price |
: | 命名空间 | my:* |
text() | 文本内容 | /html/head/title/text() |
response.xpath() | 返回选择器列表，使用xpath语法选择的节点 | response.xpath('//base/@href').extract() |
response.css() | 返回选择器列表，使用css语法选择的节点 | response.css('base::attr(href)').extract() |
response.extract() | 返回被选择元素的unicode字符串 | |
response.re() | 返回通过正则表达式提取的unicode字符串列表 |
Part5：分析网页源代码确定抓取数据的逻辑
1、笑话内容页面源码分析
笑话内容所在的html代码
代码语言：javascript复制<span id="text110">
<P>1、为了省腮红钱，我每天出门给自己两个耳光。</P>
<P>2、不要把今天的工作拖到明天，明天还不是要做？还不如干脆点，今天就把工作辞了。 </P>
<P>3、朋友，你听我一句劝，钱没了可以再挣，所以我找你借的那笔钱就不还了吧。</P>
<P>4、正能量的东西也不能多看，就好比自己挺穷的，哪能天天看有钱人的生活？肯定越看越伤心。还不如多看点更丧的东西，显得自己元气尚存。</P>
<P>5、根据一个人的车，我们就能看出这个人是什么样的。比如：如果它在沟里，它就是女人的车。</P>
<P>6、以前小时候女鬼总喜欢在梦里吓我，现在长大了，懂事了，单身久了，女鬼都不敢出现了！</P>
<P>7、我喜欢了一个女生，为了弄清楚她是什么样的人，所以我关注她小号。然后被她发现，扇了我一巴掌，把我从厕所赶出来了。</P>
<P>8、老是看到有人说趴在兰博基尼方向盘上哭，然后大家都很羡慕的样子，所以我想问一下，哪里有兰博基尼方向盘出售？</P>
<P>9、这个世界上漂亮女孩已经那么多，为啥不能多一个我？</P>
<P>10、我都19了，还没来月经，身边的女孩纸胸都老高了，我还是平胸，怎么办啊！可怕的是腿上胳膊上汗毛老长了，更更可怕的是裤裆里，长出来个可怕的东西，有时候软软的，有时候硬硬的，好可怕啊，我该怎么办？</P>
</span>翻页所在的html代码
代码语言：javascript复制<div class=zw_page1>
下一篇：<a href="../../JokeHtml/bxnn/2017122722221351.htm">爆逗二货,醉人的笑容你会有</a>
</div>
<div class=zw_page2>
上一篇：<a href="../../JokeHtml/bxnn/2017122900222852.htm">搞笑很出色的是二货</a>
</div>2、定义提取逻辑
先依据初始链接提取笑话内容
分支1：
提取下一篇链接，依据下一篇链接提取笑话内容
如此循环，直至没有下一篇链接
分支2：
提取上一篇链接，依据上一篇链接提取笑话内容
如此循环，直至没有上一篇链接
Part6：创建Scrapy项目抓取数据
1、创建Scrapy项目
E:scrapy>scrapy startproject myScrapy1815
执行上面的命令生成项目myScrapy1815
再在目录myScrapy1815myScrapy1815spiders下创建文件myJoke_spider.py
项目的完整目录结构如下
2、定义Item
Item是保存爬取到的数据的容器，可以理解为编程中的对象。一个Item即一个对象保存的是一条记录。
打开文件myScrapy1815myScrapy1815items.py
代码语言：javascript复制# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class Myscrapy1815Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
class JokeItem(scrapy.Item):
# 正文内容
joke_content = scrapy.Field()3、编写Spider
打开文件myScrapy1815myScrapy1815spidersmyJoke_spider.py
添加如下内容
代码语言：javascript复制import scrapy
from scrapy.http.request import Request
from myScrapy1815.items import JokeItem
class JokeSpider(scrapy.Spider):
name = "joke"
allowed_domains = ["jokeji.cn"]
start_urls = [
"http://www.jokeji.cn/JokeHtml/bxnn/2017122900211092.htm"
]
def parse(self, response):
# 获取笑话内容
jokes = response.xpath('//span[@id="text110"]/p').extract()
for joke in jokes:
item = JokeItem()
item['joke_content'] = joke
yield item
# 获取下一篇链接
nexthref = response.xpath('//div[@class="zw_page1"]/a/@href').extract_first()
if nexthref is not None:
# 将相对url转为绝对url
nexthref = response.urljoin(nexthref)
# 继续获取下一篇笑话
yield Request(nexthref, callback=self.parseNexthref)
# 获取上一篇链接
prevhref = response.xpath('//div[@class="zw_page2"]/a/@href').extract_first()
if prevhref is not None:
# 将相对url转为绝对url
prevhref = response.urljoin(prevhref)
# 继续获取下一篇笑话
yield Request(prevhref, callback=self.parsePrevhref)
def parseNexthref(self, response):
# 获取笑话内容
jokes = response.xpath('//span[@id="text110"]/p').extract()
print(jokes)
for joke in jokes:
item = JokeItem()
item['joke_content'] = joke
yield item
# 获取下一篇链接
nexthref = response.xpath('//div[@class="zw_page1"]/a/@href').extract_first()
if nexthref is not None:
# 将相对url转为绝对url
nexthref = response.urljoin(nexthref)
# 继续获取下一篇笑话，测试时可以将下一行代码注释掉
#yield Request(nexthref, callback=self.parseNexthref)
def parsePrevhref(self, response):
# 获取笑话内容
jokes = response.xpath('//span[@id="text110"]/p').extract()
for joke in jokes:
item = JokeItem()
item['joke_content'] = joke
yield item
# 获取上一篇链接
prevhref = response.xpath('//div[@class="zw_page2"]/a/@href').extract_first()
if prevhref is not None:
# 将相对url转为绝对url
prevhref = response.urljoin(prevhref)
# 继续获取上一篇笑话，测试时可以将下一行代码注释掉
#yield Request(prevhref, callback=self.parsePrevhref)4、编写Item Pipeline
当Item在Spider中被收集之后，它将会被传递到Item Pipeline
打开文件myScrapy1815myScrapy1815pipelines.py
代码语言：javascript复制# -*- 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
import sqlite3
import json
import re
from openpyxl import Workbook
class Myscrapy1815Pipeline(object):
def __init__(self):
# 文件文件
self.file = open('myItems.json', 'w', encoding='utf-8')
# Excel文件
self.wb = Workbook()
self.ws = self.wb.active
self.ws.title = "笑话集" #定义sheet名称
self.ws.append(['joke_content']) #定义表头
# 数据库连接
self.conn = sqlite3.connect("E:\django\myProject001\db.sqlite3")
# 当spider被开启时方法被调用
def open_spider(self, spider):
pass
# 每个item pipeline组件都需要调用该方法
def process_item(self, item, spider):
# 写入文本文件
line = json.dumps(dict(item), ensure_ascii=False) "n"
self.file.write(line)
# 写入Excel文件
self.ws.append([item['joke_content']])
self.wb.save('myItems.xlsx')
# 写入数据库
record = item['joke_content']
record = record.replace('<BR>','rn')
pattern = re.compile(r'<[^>] >', re.S)
record = pattern.sub('', record)
sql="insert into joke_jokes(jokeText,createDate,modifyDate) values('" record "',datetime('now','localtime'),datetime('now','localtime'))"
self.conn.execute(sql)
self.conn.commit()
return item
# 当spider被关闭时方法被调用
def close_spider(self, spider):
self.file.close()
self.conn.close()
pass5、激活Item Pipeline
打开文件myScrapy1815myScrapy1815settings.py
删掉如下三行代码之前的注释符#
1 2 3 | ITEM_PIPELINES = { 'myScrapy1815.pipelines.Myscrapy1815Pipeline': 300, } |
|---|
6、启动Spider
E:scrapymyScrapy1815>scrapy crawl joke
抓取的数据，文本文件格式如下
抓取的数据，Excel文件格式如下
抓取的数据，保存在SQLite数据库中如下
Part7：以瀑布流方式显示笑话内容
1、修改settings.py
文件位置：myProject001myProject001settings.py
ALLOWED_HOSTS = ['10.61.226.236','127.0.0.1','localhost']
允许通过以上3个地址访问
2、修改应用的urls.py
文件位置：myProject001jokeurls.py
代码语言：javascript复制from django.urls import path
from . import views
urlpatterns = [
path('', views.index, name='index'),
path('index_ajax/', views.index_ajax),
]3、修改views.py
文件位置：myProject001jokeviews.py
代码语言：javascript复制from json import dumps
from django.core import serializers
from django.shortcuts import render
from django.http import HttpResponse,JsonResponse
from . import models
# 页面首次加载的记录数
FIRST_PAGE_SIZE = 50
# Ajax每次加载的记录数
PAGE_SIZE = 20
def index(request):
# 首次加载
jokes = models.Jokes.objects.all()[0:FIRST_PAGE_SIZE]
return render(request, 'joke/index.html', {'jokes':jokes})
def index_ajax(request):
# 当前页码
pageIndex = int(request.POST.get('pageIndex','1'))
# 总记录数
totalCount = models.Jokes.objects.filter().count()
# 定义提取记录的范围（数组上标、数组下标）
lBound = FIRST_PAGE_SIZE (pageIndex-1) * PAGE_SIZE
uBound = FIRST_PAGE_SIZE pageIndex * PAGE_SIZE
# 是否有下一页（上标小于总记录数时有下一页）
hasNextPage = 1 if uBound <= totalCount else 0
# 如果上标大于或等于总记录数，则上标使用总记录数
if uBound >= totalCount:
uBound = totalCount
# 按范围提取记录
jokes = models.Jokes.objects.all()[lBound:uBound]
# 序列化JSON
json_data = {}
json_data['hasNextPage'] = hasNextPage
json_data['jokes'] = serializers.serialize('json', jokes)
# 返回JSON格式的数据
return HttpResponse(JsonResponse(json_data), content_type="application/json")4、修改模板文件index.html
文件位置：myProject001joketemplatesjokeindex.html
代码语言：javascript复制<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1">
<!-- 上述3个meta标签*必须*放在最前面，任何其他内容都*必须*跟随其后！ -->
<title>段子</title>
{% load static %}
<link rel="stylesheet" type="text/css" href="{% static 'joke/css/bootstrap.min_v3.3.7.css' %}" />
<link rel="stylesheet" type="text/css" href="{% static 'joke/css/style.css' %}" />
<!-- HTML5 shim and Respond.js for IE8 support of HTML5 elements and media queries -->
<!-- WARNING: Respond.js doesn't work if you view the page via file:// -->
<!--[if lt IE 9]>
<script src="https://cdn.bootcss.com/html5shiv/3.7.3/html5shiv.min.js"></script>
<script src="https://cdn.bootcss.com/respond.js/1.4.2/respond.min.js"></script>
<![endif]-->
</head>
<body>
<div class="container">
<div id="masonry" class="row masonry">
{% for joke in jokes %}
<div class="col-md-4 col-sm-6 col-xs-12 item ">
<div class="well well-sm" style="line-height:180%;">
<span class="label label-success">{{ joke.pk }}</span> {{ joke.jokeText }}
</div>
</div>
{% endfor %}
</div>
</div>
<script src="{% static 'joke/js/jquery.min_v1.12.4.js' %}"></script>
<script src="{% static 'joke/js/bootstrap.min_v3.3.7.js' %}"></script>
<script src="{% static 'joke/js/masonry.pkgd.min_v4.2.0.js' %}"></script>
<script src="{% static 'joke/js/imagesloaded.pkgd.min_v4.1.3.js' %}"></script>
<!-- 瀑布流布局 -->
<script>
$("#loadingModal").modal('show');
$('.masonry').masonry({
//itemSelector: '.item'
});
</script>
<!-- 页面无限加载 -->
<script>
// 默认加载第2页
var pageIndex = 1;
// 是否正在加载标记
var isLoading = 0;
// 是否已提示没有更多内容
var isNotice = 0;
// 是否还有更多
var hasNextPage = 1;
// 页面滚动到底部，触发加装
$(window).scroll(function(){
var scrollTop = $(this).scrollTop();
var scrollHeight = $(document).height();
var windowHeight = $(this).height();
if(scrollTop windowHeight == scrollHeight){
if(hasNextPage == 0 & isNotice == 0){
// 没有下一页内容时提示
isNotice = 1;
$('#masonry').append('<div id="noticeInfomation" class="col-md-4 col-sm-6 col-xs-12 item "><div class="alert alert-warning"><strong>提示：</strong>没有更多内容了...</div></div>');
$('#masonry').masonry('reloadItems');
$('#masonry').masonry('layout');
}else if(hasNextPage == 1 & isLoading == 0){
// 避免Ajax执行过程中反复被调用
isLoading = 1;
$('#masonry').append('<div id="noticeInfomation" class="col-md-4 col-sm-6 col-xs-12 item "><div class="alert alert-warning"><strong>提示：</strong>正在加载更多内容...</div></div>');
$('#masonry').masonry('reloadItems');
$('#masonry').masonry('layout');
setTimeout("loadJoke(pageIndex);", 1000);
}
}
});
// Ajax方法
function loadJoke(arg){
//var host = 'localhost';
//var port = '8000';
var labelCss = 'label label-info';
if(pageIndex%2 == 1){
labelCss = 'label label-info';
}
else{
labelCss = 'label label-success';
}
$.ajax({
url: "./index_ajax/",
type: "POST",
dataType: 'json',
data: {pageIndex: arg},
success: function (data) {
$("#noticeInfomation").remove();
hasNextPage = data['hasNextPage'];
jokes = JSON.parse(data['jokes']);
for (var obj in jokes){
$('#masonry').append('<div class="col-md-4 col-sm-6 col-xs-12 item "><div class="well well-sm" style="line-height:180%;">' '<span class="' labelCss '">' jokes[obj].pk '</span> ' jokes[obj].fields.jokeText '</div></div>');
$('#masonry').masonry('reloadItems');
$('#masonry').masonry('layout');
}
pageIndex = pageIndex 1;
isLoading = 0;
}
});
};
//Django的CSRF保护机制（ajax）
$.ajaxSetup({
data: {csrfmiddlewaretoken: '{{ csrf_token }}' },
});
</script>
</body>
</html>5、启动应用
访问应用：http://10.61.226.236/joke/
页面效果如下
6、补充说明
UI使用了bootstrap、jquery、masonry、ajax无限加载
