手把手教你用Python实现分布式爬虫(四) - scrapy爬取技术文章网站

2019-03-25 20:43:24 浏览数 (1)

相关源码

搭建scrapy的开发环境，本文介绍scrapy的常用命令以及工程目录结构分析，本文中也会详细的讲解xpath和css选择器的使用。然后通过scrapy提供的spider完成所有文章的爬取。然后详细讲解item以及item loader方式完成具体字段的提取后使用scrapy提供的pipeline分别将数据保存到json文件以及mysql数据库中.

首先爬取一个网站前，我们需要分析网络的url结构，伯乐在线的网站结构是采用顶级域名下有二级域名，来区分每种类别的信息，并且在文章专栏里面

有一个

  • http://web.jobbole.com/all-posts/

是所有文章的总链接

  • 在这个链接下，分页显示了所有的文章内容

因此对于这种爬取内容有一个总链接的话，就不需要采用深度优先或者广度优先策略，只需要将这个总链接下的每一页的内容取出即可.

说到每一页，查看url特点，发现就是在链接后面修改了页数，但是不能用这个方法，因为网站上文章数发生变化时，就必须要去修改源码。

如果是对每个分页上的写一页的链接进行跟踪，那么有多少页都无所谓了.

1 scrapy安装以及目录结构介绍

1.1 安装并创建 scrapy 项目

1.1.1 创建一个虚拟环境 article_spider

![ mkvirtualenv --python=/Library/Frameworks/Python.framework/Versions/3.7/bin/python3 article_spide

](https://upload-images.jianshu.io/upload_images/16782311-b248d733c37d746f.png?imageMogr2/auto-orient/strip|imageView2/2/w/1240)

  • 注意版本 3.5

1.1.2 在这个虚拟环境内安装scrapy：

pip install -i https://pypi.douban.com/simple/ scrapy

注意安装的时候可能会报错，**twisted**找不到，那么就去https://www.lfd.uci.edu/~gohlke/pythonlibs/下载安装包，手动安装，安装的时候必须也是在这个虚拟环境内

1.1.3 建立scrapy项目

  • PyCharm里面没有提供建立scrapy的项目

需要在命令行内手动创建项目

![scrapy startproject ArticleSpide

](https://upload-images.jianshu.io/upload_images/16782311-0b084a8587d779d8.png?imageMogr2/auto-orient/strip|imageView2/2/w/1240)

1.1.4 在pycharm中打开刚创建的项目

1.2 目录结构介绍

  • scrapy.cfg: 类似于django的配置，它大量的借鉴了django的设计理念
  • settings.py: 包含了很多scrapy的配置，工程名字，spider_modules也指明了存放spiders的路径
  • pipelines.py： 做跟数据存储相关的
  • middlewares.py： 可以存放自己定义的middlewares，让scrapy变得更加可控
  • items.py： 有点类似于django里面的form，定义数据保存的格式
  • spiders文件夹：里面存放具体某个网站的爬虫，scrapy会在该文件夹里面找有多少个爬虫文件，只需要在这里面继承了spiders，就会被scrapy找到

1.3 初步爬取

刚创建好项目的时候这个文件夹是空的，默认并没有创建网站爬取的模板，但是提供了命令

代码语言：txt复制
scrapy genspider example example.com

example是spider的名称，后面是网站的域名

这里使用了scrapy提供的basic模板

为了创建一个Spider，必须继承 scrapy.Spider类， 且定义以下三个属性:

  • name: 用于区别Spide

该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。

  • start_urls : 包含了Spider在启动时进行爬取的url列表

因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。

  • parse() : 是spider的一个方法

被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

2 PyCharm 调试scrapy 执行流程

2.1 注意Python解释器版本

2.2 让scrapy在PyCharm中可调试

  • 设置断点

PyCharm 中没有关于scrapy的模板,无法直接调试,需要我们自己手动编写一个main文件

设置工程目录,这样execute命令才会生效,找到该目录;

同时为了避免因环境问题无法找到该目录,使用os相关库调用

  • 验证一下

爬取

进入项目的根目录，执行下列命令启动spide

代码语言：txt复制
scrapy crawl xxx

于是,考虑将该命令配置到我们的main文件中

  • 调用execute()函数来执行spider命令，传入数组，即是执行启动spider的命令
  • 注意设置为False
  • 开始debug运行main文件
  • 所爬取源文件的内容

下一步就是对其中的内容进行解析，获取想要爬取的字段内容!

3 xpath的用法

3.1 简介

  • xpath使用路径表达式在xml和html文件中进行导航
  • xpath包含标准函数库
  • xpath是一个w3c的标准

3.2 xpath节点关系

html中被尖括号包起来的被称为一个节点

代码语言：txt复制
父节点 上一层节点

子节点 下一层节点

兄弟节点 同胞节点

先辈节点 父节节点，爷爷节点 ...

后代节点 儿子节点，孙子节点 ...

3.3 xpath的语法

xpath 谓语

其他语法

  • 如果想通过属性取值则需要给定标签元素的内容，如果是任意标签则给定*
  • 如果通过@class="class类"取值，则只会匹配class只有指定的元素；如果想指定包含指定class的元素则需要使用函数contains(@class,"class类")

3.4 准备爬取标题

欲爬取以下标题

先看看源码,获取其xpath

可以看到，我们的标题标题在 html/body/div1/div3/div1/div1/h1 这个嵌套关系下

我们在用xpath解析的时候，不需要自己一个一个地看嵌套关系

在F12下，在某个元素上面右键即copy->copy xpath就能获得该元素的xpath路径

在Firefox和chrom浏览器中右键copy xpath得到的结果可能不一样

在Firefox中，得到的路径是/html/body/div1/div3/div1/div1/h1

在chrom中，得到的是//*@id="post-110287"/div1/h1

可以发现两种路径不一样，经过测试，第一种路径不能获得标题，第二种可以，原因在于，一般元素检查看到的是动态的返回来的html信息，比如js生成的，然后有些节点可能是在后台返回信息时才创建的，对于静态的网页就是检查源代码，定位的结果可能不一样，采用第二种id确定的方式更容易标准的定位。

代码语言：txt复制
-  -*- coding: utf-8 -*-

import scrapy



class JobboleSpider(scrapy.Spider):

    name = 'jobbole'

    allowed_domains = ['blog.jobbole.com']

    start_urls = ['http://blog.jobbole.com/114610/'] #放入想爬取的url



    def parse(self, response):

        #/html/body/div[3]/div[3]/div[1]/div[1]  # Firefox

        #//*[@id="post-114610"]/div[1]/h1 # Chrome

        #scrapy返回的是一个selector而不是node,是为了方便进一步获取selector下面的selecto

        re_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1')

        re2_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1/text()') #利用text()函数获取元素中的值

        pass
  • 爬取

页面上的查看源码跟检查控制台的element不一定一样，源码是源代码的html文件，控制台的element会有js动态生成的dom!!!

  • 下面将源代码拷贝进项目来研究
Chrome控制台Chrome控制台
  • 所以更改之后,也可正常爬取所需字段了!

3.5 准备爬取class

  • 可看出该写法更加短小简洁高效!不易出错!

错误提示：

同一个页面的元素通过不同电脑的chrom浏览器进行源代码查看，标签结点信息发现不一样，在h1标签中多了个span标签，**解决方法：清除浏览器缓存**，以下是同一页面用一个内容的检查元素的对比图。

图1：未清除浏览器缓存前

图2：清除浏览器缓存后

3.6 shell命令调试

每一次调试都运行python脚本发送HTTP请求获取内容效率低下!

scrapy提供了一种shell模式，提高了调试的效率.

具体操作

在命令行中，之前的启动scrapy的命令是

代码语言：txt复制
scrapy crawl jobbole

现在可以在命令行中使用shell，命令为

代码语言：txt复制
scrapy shell 网址

然后就进入了调试区域

步骤如下图，注意启动scrapy必须在命令行中进入相应的虚拟环境以及项目的工作目录

我们关心的是其中的response

  • 下面开始调试

![ title = response.xpath('//div@class="entry-header"/h1/text()')

](https://upload-images.jianshu.io/upload_images/16782311-f07ffa35e2c156db.png?imageMogr2/auto-orient/strip|imageView2/2/w/1240)

![title.extract()

](https://upload-images.jianshu.io/upload_images/16782311-8bd86348aff6cc65.png?imageMogr2/auto-orient/strip|imageView2/2/w/1240)

  • 访问数组的第一个值即可~
  • 获取title下所有节点

3.7 爬取文章发布时间

  • 该class全局唯一
create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()create_date = response.xpath("//p[@class='entry-meta-hide-on-mobile']/text()").extract()
  • 如果提取的字符串左右有回车符换行符等等,则需要使用strip()将其去掉
代码语言：txt复制
re_selector.extract()[0].strip()
有点号哦,想办法去掉哟!有点号哦,想办法去掉哟!
使用空串替换即可~使用空串替换即可~

3.7 爬取文章评论数

  • 找到可能是唯一判断标识的字段
  • 空的呢!怎么肥事???

由于上述字段只是class中的一小部分!并不是class!

response.xpath("//span[contains(@class,'vote-post-up')]")response.xpath("//span[contains(@class,'vote-post-up')]")
  • 取得赞数
response.xpath("//span[contains(@class,'vote-post-up')]").extract()response.xpath("//span[contains(@class,'vote-post-up')]").extract()
response.xpath("//span[contains(@class,'vote-post-up')]/h10/text()")response.xpath("//span[contains(@class,'vote-post-up')]/h10/text()")
  • 提取得到赞数
int (response.xpath("//span[contains(@class,'vote-post-up')]/h10/text()").extract()[0])int (response.xpath("//span[contains(@class,'vote-post-up')]/h10/text()").extract()[0])

3.8 爬取文章收藏数

  • 目标代码
  • 目标内容
  • 可是我们只是想要个6数字而已呀,怎么办呢?使用正则提取即可!
代码语言：txt复制
response.xpath("//span[contains(@class,'bookmark-btn')]/text()").extract()[0]

# '  收藏'

# 收藏数的标签设置和点赞数不一样，直接是收藏前面有数字，这里没有数字，其实是0收藏的意思。

# 对于含数字的话，我们应该使用正则表达式将数字部分提取出来。



import re

match_re = re.match('.*?(d ).*',' 收藏')

if match_re:

    fav_nums = int(match_re.group(1))

else:

    fav_nums = 0

# 正则表达式注意要有？表示非贪婪匹配，可以获取两位数等

# 还有一点就是老师没有考虑的，如果没有收藏数，即匹配不到数字，说明收藏数为0.

3.9 爬取文章评论数

代码语言：txt复制
# 评论数和收藏数的标签设计是一样的，只需要更改xpath即可

comment_nums = response.xpath("//a[@href='#article-comment']/span/text()").extract()[0]

        match_re = re.match('.*?(d ).*', comment_nums)

        if match_re:

            comment_nums = int(match_re.group(1))

        else:

            comment_nums = 0

3.10 获取正文

代码语言：txt复制
content = response.xpath('//div[@class="entry"]').extract()[0]

# 对于文章内容，不同网站的设计不一样，我们一般保存html格式的内容

关于extract()方法和text()方法的区别：extract()是对一个selector的内容取出这个标签内的所有内容，包括当前的节点标签。text()方法一般是在xpath的路径内部，用于获取当前节点内的所有文本内容。

3.11 获取文章标签

代码语言：txt复制
# 文章标签

tag = response.xpath('//*[@id="post-114610"]/div[2]/p/a/text()').extract()
  • 发现多了个评论数!
response.xpath('//*[@id="post-114610"]/div[2]/p/a/text()').extract()response.xpath('//*[@id="post-114610"]/div[2]/p/a/text()').extract()
  • 通过使用数组解决
代码语言：txt复制
tag_list = response.xpath("//p[@class = 'entry-meta-hide-on-mobile']/a/text()").extract()

tag_list = [element for element in tag_list if not element.strip().endswith("评论")]

# 有的网页在类型一栏中会得到评论数，以前的老设计，所以需要将关于评论的这一项去掉

tags = ",".join(tag_list)

4 css选择器实现字段解析

css选择器：通过一定的语法定位到某一个元素，与xpath选择的功能是一样的

4.1 css选择器的常见用法

| 表达式 | 说明 |

| --- | --- |

| * | 选择所有节点 |

| #container | 选择id为container的节点 |

| .container | 选取所有class包含container的节点 |

| li a | 选取所有li下的所有a节点 |

| ul p | 选择ul后面的第一个p元素 |

| div#container>ul | 选取id为container的第一个ul子元素 |

| ul ~ p | 选取与ul相邻的所有p元素 |

| atitle | 选取所有有title属性的a元素 |

| a[href=“http://jobbole.com”] | 选取所有href属性为jobbole.com值的a元素 |

| ahref*=“jobble” | 选取所有href属性包含jobbole的a元素 |

| ahref^=“http” | 选取所有href属性以http开头的a元素 |

| ahref$=".jpg" | 选取所有href属性以jpg结尾的a元素 |

| inputtype=radio:checked | 选择选中的radio元素 |

| div:not(#container) | 选取所有id非container的div属性 |

| li:nth-child(3) | 选取第三个li元素 |

| tr:nth-child(2n) | 第偶数个tr |

| ::text | 利用伪类选择器获得选中的元素的内容 |

几乎对于所有的元素来说，用xpath和css都是可以完成定位功能的，但对前端朋友来说比较熟悉前端的写法，scrapy提供两种方法。css的写法是比xpath更简短的，在浏览器中都能直接获取。对前端熟悉的人可以优先考虑使用css选择器来定位一个元素，对于之前用xpath做实例的网页全用css选择器，代码如下

代码语言：txt复制
title = response.xpath("div.entry-header h1::text").extract()[0]

# '用 Vue 编写一个长按指令'

create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip()

# '2018/08/22'

praise_ums = response.css(".vote-post-up h10::text").extract_first()

if praise_ums:

    praise_ums = int(praise_ums)

else:

    praise_ums = 0

    

fav_nums = response.css(".bookmark-btn::text").extract()[0]

match_re = re.match('.*?(d ).*',fav_nums)

if match_re:

    fav_nums = int(match_re.group(1))

else:

    fav_nums = 0



comment_nums = response.css("a[href='#article-comment'] span::text").extract()[0]

match_re = re.match('.*?(d ).*', comment_nums)

if match_re:

    comment_nums = int(match_re.group(1))

else:

    comment_nums = 0



content = response.css("div.entry").extract()[0]



tags = response.css("p.entry-meta-hide-on-mobile a::text").extract()

tag_list = [element for element in tag_list if not element.strip().endswith("评论")]

tags = ",".join(tag_list)

注意，提示一个新的函数，extract_first()，这个函数就是相当于之前的extract()0，但是前者好处在于避免了当取出数组为空的情况，这时候取0元素是会报错的，不得不做异常处理。extract()函数可以传入参数，表示如果找到的数组为空，那么就返回默认值。比如extract("")就表示如果前面取出数组为空，那么就返回空字符串.

5 spider批量爬取

首先，我们需要通过列表页爬取所有文章的url，前面部分只爬取了一个页面

start_urls这个list中只有一个url，没有涉及到如何解析这个字段，通过文章分页一页一页的传递给scrapy，让scrapy自动去下载其他页面.

5.1 在scrapy中，不需要自己使用request去请求一个页面返回，所以问题是如何将众多的url传递给scrapy完成下载呢？

查看伯乐在线的文章布局如下：

5.2 要点

在文章列表页中，每一篇文章是一个div块;

所以根据css选择器就能提取出文章列表中的每一篇的url;

需要考虑的问题是，提取出来的url是否精确，有无混杂其他推荐文章的url，这就需要css选择器足够准确!

获取了每一个具体文章的url后，如何将url传递给scrapy进行下载并返回response呢?

用到了scrapy.http中的Request类;

这个类中，可以直接传递url和callback参数，url为一个页面地址，callback为回调函数，表示对该页面进行的具体操作，所以将之前的某个具体文章的解析封装在另一个函数中，作为Request的回调函数。

还要考虑的一个地方是，提取出来的url可能不是一个完整的网址，只是域名的一部分，所以还需要将网址进行完善，比如加上域名部分，又或者原本是一个具体的文章网址，都需要处理

初始化好request之后，如何交给scrapy下载，使用yield这个关键字就可以了!

5.3 coding

  • 开始调试
scrapy shell http://blog.jobbole.com/all-posts/scrapy shell http://blog.jobbole.com/all-posts/
  • 看出该范围并不准确!
response.css(".floated-thumb .post-thumb a::attr(href)").extract()response.css(".floated-thumb .post-thumb a::attr(href)").extract()
  • 通过增加该id进一步限定范围
  • 这就对了嘛!
response.css("#archive .floated-thumb .post-thumb a::attr(href)").extract()response.css("#archive .floated-thumb .post-thumb a::attr(href)").extract()
  • 取到url
response.css(".next.page-numbers::attr(href)").extract_first("")response.css(".next.page-numbers::attr(href)").extract_first("")

5.4 开发流程

  • 利用Request函数执行访问指定url并通过callback回调函数处理进入url后的操作
  • 利用parse.urljoin自动将对应url添加域名，参数1是域名，参数2是url
  • 利用yield实现异步请求
  • 利用::attr()伪类选择器获取对应属性的值

6 item设计

6.1 非结构性数据 VS 结构性数据

6.1.1 为何不使用dict数据类型

数据爬取的主要目的就是从非结构的数据源得到结构性数据，解析完成的数据返回问题,

最简单的就是将这些字段分别都放入一个字典里，返回给scrapy.

虽然字典也很好用，但是dict缺少结构性的东西，比如字段的名字容易出错，比如fav_nums写成了fav_num，那么dict的管理就会出错。

6.1.2 item类的作用

为了将这些东西结构化，sccrapy提供了item类，可以像django一样指定字段，比如说，定义一个article_item，这个article_item有title，creat_date等字段，通过很多爬取到的item内容来实例化，就不会出错了.

item类似于字典，但是比dict的功能强大，对item进行实例化和数据赋值之后，通过yeild传递给scrapy，scrapy发现这是一个item实例时，将item路由到pipeline中去，那么在pipeline中就可以集中处理数据的保存，去重等，这就是item的作用.

6.2 item类操作步骤

6.2.1 修改settings.py文件，使item传递给pipeline生效

查看scrapy的源码，其中就有pipelines,提供了scrapy一些默认的pipline，可以加速编码过程
  • pipeline主要用于做数据处理,item赋值之后就会传递到pipeline.py中，需要将settings中的为了使item传递给pipeline生效，必须在settings.py文件中将一段注释的代码取消注释
  • 在settings中设置下载图片的pipeline,添加到配置的ITEM_PIPELINES中(为item流经的管道,后面的数字表示处理顺序,数字越小就越早进入pipeline)

设置好之后可以在pipelines中打断点，进行调试。

image.py里面就是存放的关于下载图片的pipline，其中ImagesPipeline这个配置好之后就可以自动下载图片

scrapy 爬虫中完成图片下载到本地

将文章封面图片下载下来，并保存到本地，如何做？

scrapy提供了自动下载图片的机制，只需在settings.py中配置

在ITEM_PIPELINES中加一个scrapy的ImagePipeline即可

同时还要配置图片存放的地址IMAGES_STORE参数

以及下载图片的地址是item中的哪个字段IMAGES_URLS_FIELD参数

  • scrapy 提供了设置图片的保存路径，后面添加路径，可以是绝对路径，如果放到项目目录下，可使用相对路径
  • 譬如,想保存在如下目录
  • 配置好下载图片的pipeline之后运行检验是否配置成功,运行main.py

是因为下载图片缺少跟图片相关的包PIL

代码语言：txt复制
pip install -i https://pypi.douban.com/simple pillow
  • 再次运行,发现成功爬了一大堆,保存本地功能实现!
  • 设置断点,进行调试
  • path即为路径值

6.2.2 在items.py文件中定义JobBoleArticleItem类

该类要继承scrapy.Item，定义的内容就是有哪些字段，并且写明字段的类型，scrapy中只有Field()类型，所以定义字段的方法为：title = scrapy.Field()，其余同理

在jobbole.py文件中，引入JobBoleArticleItem类，并且实例化一个对象，article_item = JobBoleArticleItem()，当解析出来每一个字段值后，对这个对象的每一个属性或者说字段进行填充：article_item"title" = title,注意都定义好后需要提交给scrapy：yield article_item。

在pipelines.py文件中，如果字段中需要去下载文章封面图，并且保存到本地，获取保存到本地路径，就涉及到自定义pipeline，自己定义一个ArticleImagePipeline(ImagesPipeline)类，有继承关系，并且设置不同功能的pipeline执行的顺序，先下载图片保存本地，获取路径之后将其填充到item的front_image_path属性中，再将这个item提交给ArticlespiderPipeline(object)，完成结构化数据的管理，比如存入数据库等等。

定义MD5函数

7 将item数据保存到MySQL

7.1 保存item到json文件方法：

方法一： 在pipelines.py中，自定义pipeline类保存item为json文件，并且在settings.py文件中完成配置

方法二： scrapy本身也提供了写入json的机制

scrapy提供了 field exporter机制，可以将item方便的导出成各种类型的文件，比如csv，xml，pickle，json等。使用方法，在pipelines.py中引入：from scrapy.exporters import JsonItemExporte

在settings中配置下该pipeline并运行

7.2 item存入MySQL

7.2.1 方法一：自定义pipeline完成存入mysql，同步机制

1 在navicat中建立article_spider数据库，并且相应的表和字段
  • 修改jobbole.py中的create_date为date类型(便于存储到mysql中的date类型)
  • 先看时间是否正确并调试校验
  • 无误~
2 安装mysql的驱动
代码语言：txt复制
 pip3 install mysqlclient
  • 如果是在linux下，命令是sudo apt-get install libmysqlclient-devimp
  • 如果是在centos下，命令sudo yum install python-devel mysql-devel
3 编写mysqlpipeline
image.pngimage.png
  • 报错无法解决,等候你们的解答!

上述方法(execute和commit操作是同步操作)在后期爬取加解析会快于数据存储到mysql,会导致阻塞。使用twisted框架提供的api可以完成数据的异步写入。

方法2：用到twisted的异步机制

有了方法1，为什么还要方法2，spider解析的速度肯定是超过mysql数据入库的速度，如果后期爬取的item越来越多，插入速度很不上解析速度，就会堵塞。

Twisted这个框架提供了一种将mysql关系数据库插入异步化的操作，将mysql操作变成异步化操作，方法一中的execute()和commit()是一种同步化的操作，意思就是execute不执行完，就不能往下执行，进行提交。在数据量不是很大的情况下还是可以采用方法1的，对于方法2,可以直接复制使用，需要修改的就是do_insert()函数中的内容。

Twisted框架提供了一种工具，连接池，将mysql操作变成异步操作，目前支持的是关系型数据库。

  • 在setting.py中配置相关数据信息

itemloader机制

当需要解析提取的字段越来越多，写了很多xpath和css选择器，后期维护起来就很麻烦，scrapy提供的item loader机制就可以将维护工作变得简单。

具体原理

item loader提供的是一种容器，可以在其中配置item的哪个字段需要怎么的选择器.

直接调用item_loader.load_item()，可以获得item，通过选择器获得的内容都为list，未经处理，比如是list的第一个值或者评论数需要正则表达式匹配之类.

而scrapy又提供了from scrapy.loader.processors import MapCompose类，可以在items.py定义item字段类型的时候，在Field中可以添加处理函数

设计思路

  • 使用itemLoader统一使用add_css/add_xpath/add_value方法获取对应数据并存储到item中
  • 在item中使用scrapy.Field的参数input_processor执行MapCompose方法执行对输入值的多次函数处理

具体操作

  • 引入依赖
代码语言：txt复制
# jobbole.py 解析字段，使用选择器

# 首先需要实例化一个ItemLoader类的对象

item_loader = ItemLoader(item=JobBoleArticleItem(),response = response) # 实例化一个对象



"""有三种重要的方法

item_loader.add_css() # 通过css选择器选择的

item_loader.add_xpath()

item_loader.add_value()  # 不是选择器选择的，而是直接填充

"""



item_loader.add_css("title",".entry-header h1::text")

item_loader.add_value("url",response.url)

item_loader.add_value("url_object_id",get_md5(response.url))

item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text")

item_loader.add_value("front_image_url",[front_image_url])

item_loader.add_css("praise_nums", ".vote-post-up h10::text")

item_loader.add_css("fav_nums", ".bookmark-btn::text")

item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text")

item_loader.add_css("content", "div.entry")

item_loader.add_css("tags","p.entry-meta-hide-on-mobile a::text")



# 获取article_item

article_item = item_loader.load_item()



"""

调用默认的load_item()方法有两个问题，第一个问题会将所有的值变成一个list，虽然听起来不合理，但是从另外的角度来看，也是合理的

因为通过css选择器取出来的极有可能就是一个list，不管是取第0个还是第1个，都是一个list，所以默认情况就是list

如何解决问题呢，list里面只取第一个，以及对某个字段的list加一些额外的处理过程

在item.py对字段进行定义，scrapy.Field()里面是有参数的,input_processor表示对输入的值预处理过程，后面MapCompose()类中可以传递很多函数名的参数，表示从左到右依次处理

title = scrapy.Field(

    input_processor = MapCompose(add_jobbole)

)

"""
代码语言：txt复制
# items.py 字段定义的时候加入处理过程



from scrapy.loader.processors import MapCompose,TakeFirst,Join

from scrapy.loader import ItemLoade

import datetime

import re



def add_jobbole(value):

    return value "-jobbole"



def date_convert(value):

    try:

        create_date = datetime.datetime.strptime(value, "%Y/%m/%d").date()

    except Exception as e:

        create_date = datetime.datetime.now().date()

    return create_date



def get_nums(value):

    # 对收藏数和评论数的正则处理

    try:

        match_re = re.match('.*?(d ).*', value)

        if match_re:

            nums = int(match_re.group(1))

        else:

            nums = 0

    except:

        nums = 0



    return nums



def remove_comment_tags(value):

    #去掉tags中提取的评论项

    # 注意input_processor中的预处理是对list中的每个元素进行处理，所以只需要判断某一项是不是包含评论，置为空即可

    if "评论" in value:

        return ""

    else:

        return value



def return_value(value):

    # 这个函数是用于处理关于front_image_url字段的，本来传入就需要是list，所以不需要默认的输出处理

    # 如此一来，这个字段就是一个list模式的，所以在插入语句插入的时候，是字符串类型，那么就需要取第一个值进行插入

    return value



def image_add_http(value):

    if "http" not in value:

        value = "http:"  value

    return value



class JobBoleArticleItem(scrapy.Item):

    title = scrapy.Field()

    # MapCompose这个类可以将传进来的值，从左到右，连续两个函数对它处理，可以传递任意多个函数,甚至可以是匿名函数

    create_date = scrapy.Field(input_processor = MapCompose(date_convert))

    url = scrapy.Field()

    # url实际是个变长的，可以对url做一个md5，让长度变成固定长度，把url变成唯一的长度固定的值

    url_object_id = scrapy.Field()

    front_image_url = scrapy.Field(input_processor = MapCompose(image_add_http),output_processor =MapCompose() )

    # 如果希望把封面图保存到本地中，把封面下载下来，记录一下在本地存放的路径

    front_image_path = scrapy.Field()

    # 在python中数据只有一种类型，Field类型，不想django可以指明字段是int类型的等等

    praise_nums = scrapy.Field(input_processor = MapCompose(get_nums))

    fav_nums = scrapy.Field(input_processor = MapCompose(get_nums))

    comment_nums = scrapy.Field(input_processor = MapCompose(get_nums))

    content = scrapy.Field()

    tags = scrapy.Field(input_processor = MapCompose(remove_comment_tags),output_processor = Join(","))





# 很多item的字段都是取list的第一个，是否需要在每个Field中都添加output_processor呢

# 可以通过自定义itemloader来解决,通过重载这个类，设置默认的输出处理设置，就可以统一处理了

class ArticleItemLoader(ItemLoader):

    # 自定义itemloade

    default_output_processor = TakeFirst()

整体代码调试：爬取伯乐在线文章并且将内容存入数据库

在实际保存到数据库的代码调试过程中，会遇到很多出其不意的问题，某个文章出现访问异常，或者没有封面图等异常情况，这种时候应该学会使用try_catch，捕获异常并且进行处理，从而处理个别异常文章。

**报错信息：_mysql_exceptions.OperationalError: (1366, "Incorrect string value: 'xF0x9Fx98x8CxE9x99...' for column 'content' at row 1")**

这个问题的原因来自于mysql的编码问题，解决办法为将mysql中数据库以及表的格式和连接数据库时的charset都要设置为utf8mb4格式，就解决了。

scrapy xslt&xpath php python 腾讯云开发者社区

0 人点赞