【背景】

今天使用Scrapy来爬取某网站热点新闻榜单，因可能的版权原因，里面的数据和网址都做了脱敏处理。

要爬取的新闻热点排行页面如下：

爬下来的数据如下所示：

数据分别是：序号、热点标题、热点内容、热点URL链接、热点排行、热度值

图片和数据对应不上的原因是，热点新闻的截图是我写博客的时候才截图的，数据是前几天爬取的。

在这之前我们先了解一下什么是Scrapy

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛
框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便
Scrapy 使用了 Twisted’twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求

一、安装Scrapy

执行pip命令安装

pip install scrapy

二、生成爬虫框架

执行以下命令

scrapy startproject baidu_spider

生成的框架如下所示：

各文件功能分别是：

• scrapy.cfg：配置文件
• spiders：存放你Spider文件，也就是你爬取的py文件
• items.py：相当于一个容器，和字典较像
• middlewares.py：定义Downloader Middlewares(下载器中间件)和Spider Middlewares(蜘蛛中间件)的实现
• pipelines.py:定义Item Pipeline的实现，实现数据的清洗，储存，验证。
• settings.py：全局配置

三、生成爬虫

scrapy genspider baidu baidu.com

结果如下

四、补全代码

在settings.py中增加如下配置项

ITEM_PIPELINES = {
   "baidu_spider.pipelines.BaiduSpiderPipeline": 300,
   "baidu_spider.pipelines.BaiduSpiderPrintPipeline": 200
}

MYSQL_HOST='localhost'
MYSQL_USER='xxxx'
MYSQL_PWD='xxxx'
MYSQL_DB='xxxx'
MYSQL_CHARSET='utf8'

pipelines对应的是两个解析后的网页数据输出管道，后面有交代

baidu.py中的代码补全后如下：

import scrapy
from baidu_spider.items import BaiduSpiderItem

class BaiduSpider(scrapy.Spider):
    name = "baidu"
    allowed_domains = ["www.baidu.com"]
    start_urls = ["https://top.xxxx.com/board?tab=realtime"]

    def parse(self, response):
        filename = "baidu_realtime.html"
        # open(filename, 'wb+').write(response.body)
        items = []

        for each in response.xpath('//*[@id="sanRoot"]/main/p[2]/p/p[2]/p'):
            item = BaiduSpiderItem()
            title = each.xpath('p[2]/a/p[1]/text()').extract()
            content = each.xpath('(p[2]/p[1]/text())[1]').extract()
            url = each.xpath('p[2]/a/@href').extract()
            hot = each.xpath('p[1]/p[2]/text()').extract()
            rank = each.xpath('a/p[1]/text()').extract()

            # print("title::::::::$title")
            # print("content::::::::$content")
            # print("url::::::::$url")
            # print("rank::::::::$rank")

            item['title'] = title
            item['content'] = content
            item['url'] = url
            item['rank'] = rank
            item['hot'] = hot

            yield item
            # items.append(item)

        # return items

其中start_urls就是要爬取的网页

parse(self, response)函数就是对网页内容进行解析

items.py补全后的代码如下：

import scrapy


class BaiduSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # pass
    title = scrapy.Field()
    url = scrapy.Field()
    content = scrapy.Field()
    rank = scrapy.Field()
    hot = scrapy.Field()

这里定义了热点新闻解析后，需要获取的指标

管道pipelines.py中的代码如下：

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface

from itemadapter import ItemAdapter
import pymysql
from baidu_spider.settings import *

class BaiduSpiderPrintPipeline:
    def process_item(self, item, spider):
        print(item['title'],item['content'],item['url'],item['rank'],item['hot'])
        return item

class BaiduSpiderPipeline:
    def open_spider(self, spider):
        self.db = pymysql.connect(
            host=MYSQL_HOST,
            user=MYSQL_USER,
            password=MYSQL_PWD,
            database=MYSQL_DB,
            charset=MYSQL_CHARSET
        )
        self.cursor = self.db.cursor()

    def process_item(self, item, spider):
        insert_sql = "insert into spider_baidu_news(title, content, url, rank, hot) values (%s, %s, %s, %s, %s)"
        insert_parms = [item['title'],item['content'],item['url'],item['rank'],item['hot']]
        self.cursor.execute(insert_sql, insert_parms)
        self.db.commit()

        return item

    def close_spider(self, spider):
        self.cursor.close()
        self.db.close()
        print('执行了close_spider方法,项目已经关闭')

主要是定义了两个输出管道类，BaiduSpiderPrintPipeline和BaiduSpiderPipeline

每个管道里面可以重写以下三个方法：

• def open_spider(self, spider): 处理数据前执行，只执行一次，用于连接数据库之类的操作，避免每次写数据之前都要连接数据库；
• def process_item(self, item, spider): 处理数据，没条数据都会调用一次；
• def close_spider(self, spider): 处理数据后执行，只执行一次，用于释放数据库连接、关闭文件之类的操作；

五、运行代码

运行命令如下

scrapy crawl baidu -o  realtime.csv

-o：是把管道数据输出到文件

也可以在工程跟目录下生成一个main.py，免的每次在命令行执行

from scrapy import cmdline

cmdline.execute('scrapy crawl baidu -o realtime.csv'.split())

执行后数据库中已经可以看到数据：

csv文件中数据如下：

五、总结

可以看到，整个代码框架还是非常简洁清晰的，很多Python初学者，都是把所有的逻辑写在一个文件里面，这样会导致代码非常凌乱，找起代码来非常困难，有了Scrapy后，就没有这个烦恼了，Scrapy已经把整个框架规划好了，我们只要补全业务代码就可以了。