手把手教你用Scrapy爬虫框架爬取食品论坛数据并存入数据库

大家好，我是杯酒先生，这是我第一次写这种分享项目的文章，可能很水，很不全面，而且肯定存在说错的地方，希望大家可以评论里加以指点，不胜感激!

成都创新互联坚持“要么做到，要么别承诺”的工作理念，服务领域包括：网站建设、网站制作、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的锦屏网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！

一、前言

网络爬虫(又称为网页蜘蛛，网络机器人)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。------百度百科

说人话就是，爬虫是用来海量规则化获取数据，然后进行处理和运用，在大数据、金融、机器学习等等方面都是必须的支撑条件之一。

目前在一线城市中，爬虫的岗位薪资待遇都是比较客观的，之后提升到中、高级爬虫工程师，数据分析师、大数据开发岗位等，都是很好的过渡。

二、项目目标

本此介绍的项目其实不用想的太过复杂，最终要实现的目标也就是将帖子的每条评论爬取到数据库中，并且做到可以更新数据，防止重复爬取，反爬等措施。

三、项目准备

这部分主要是介绍本文需要用到的工具，涉及的库，网页等信息等

软件：PyCharm

需要的库：Scrapy， selenium， pymongo， user_agent，datetime

目标网站：

 
 
 
    
  
  
  
  1. http://bbs.foodmate.net
    2.

插件：chromedriver(版本要对)

四、项目分析

1、确定爬取网站的结构

简而言之：确定网站的加载方式，怎样才能正确的一级一级的进入到帖子中抓取数据，使用什么格式保存数据等。

其次，观察网站的层级结构，也就是说，怎么根据板块，一点点进入到帖子页面中，这对本次爬虫任务非常重要，也是主要编写代码的部分。

2、如何选择合适的方式爬取数据?

目前我知道的爬虫方法大概有如下(不全，但是比较常用)：

1)request框架：运用这个http库可以很灵活的爬取需要的数据，简单但是过程稍微繁琐，并且可以配合抓包工具对数据进行获取。但是需要确定headers头以及相应的请求参数，否则无法获取数据;很多app爬取、图片视频爬取随爬随停，比较轻量灵活，并且高并发与分布式部署也非常灵活，对于功能可以更好实现。

2)scrapy框架：scrapy框架可以说是爬虫最常用，最好用的爬虫框架了，优点很多：scrapy 是异步的;采取可读性更强的 xpath 代替正则;强大的统计和 log 系统;同时在不同的 url 上爬行;支持 shell 方式，方便独立调试;支持写 middleware方便写一些统一的过滤器;可以通过管道的方式存入数据库等等。这也是本次文章所要介绍的框架(结合selenium库)。

五、项目实现

1、第一步：确定网站类型

首先解释一下是什么意思，看什么网站，首先要看网站的加载方式，是静态加载，还是动态加载(js加载)，还是别的方式;根据不一样的加载方式需要不同的办法应对。然后我们观察今天爬取的网站，发现这是一个有年代感的论坛，首先猜测是静态加载的网站;我们开启组织 js 加载的插件，如下图所示。

刷新之后发现确实是静态网站(如果可以正常加载基本都是静态加载的)。

2、第二步：确定层级关系

其次，我们今天要爬取的网站是食品论坛网站，是静态加载的网站，在之前分析的时候已经了解了，然后是层级结构：

大概是上面的流程，总共有三级递进访问，之后到达帖子页面，如下图所示。

部分代码展示：

一级界面：

 
 
 
    
  
  
  
  1. def parse(self, response):
    2. 
  
  
  
  2.     self.logger.info("已进入网页！")
    3. 
  
  
  
  3.     self.logger.info("正在获取版块列表！")
    4. 
  
  
  
  4.     column_path_list = response.css('#ct > div.mn > div:nth-child(2) > div')[:-1]
    5. 
  
  
  
  5.     for column_path in column_path_list:
    6. 
  
  
  
  6.         col_paths = column_path.css('div > table > tbody > tr > td > div > a').xpath('@href').extract()
    7. 
  
  
  
  7.         for path in col_paths:
    8. 
  
  
  
  8.             block_url = response.urljoin(path)
    9. 
  
  
  
  9.             yield scrapy.Request(
    10. 
  
  
  
  10.                 url=block_url,
    11. 
  
  
  
  11.                 callback=self.get_next_path,
    12. 
  
  
  
  12.             )
    13.

二级界面：

 
 
 
    
  
  
  
  1. def get_next_path(self, response):
    2. 
  
  
  
  2.     self.logger.info("已进入版块！")
    3. 
  
  
  
  3.     self.logger.info("正在获取文章列表！")
    4. 
  
  
  
  4.     if response.url == 'http://www.foodmate.net/know/':
    5. 
  
  
  
  5.         pass
    6. 
  
  
  
  6.     else:
    7. 
  
  
  
  7.         try:
    8. 
  
  
  
  8.             nums = response.css('#fd_page_bottom > div > label > span::text').extract_first().split(' ')[-2]
    9. 
  
  
  
  9.         except:
    10. 
  
  
  
  10.             nums = 1
    11. 
  
  
  
  11.         for num in range(1, int(nums) + 1):
    12. 
  
  
  
  12.             tbody_list = response.css('#threadlisttableid > tbody')
    13. 
  
  
  
  13.             for tbody in tbody_list:
    14. 
  
  
  
  14.                 if 'normalthread' in str(tbody):
    15. 
  
  
  
  15.                     item = LunTanItem()
    16. 
  
  
  
  16.                     item['article_url'] = response.urljoin(
    17. 
  
  
  
  17.                         tbody.css('* > tr > th > a.s.xst').xpath('@href').extract_first())
    18. 
  
  
  
  18.                     item['type'] = response.css(
    19. 
  
  
  
  19.                         '#ct > div > div.bm.bml.pbn > div.bm_h.cl > h1 > a::text').extract_first()
    20. 
  
  
  
  20.                     item['title'] = tbody.css('* > tr > th > a.s.xst::text').extract_first()
    21. 
  
  
  
  21.                     item['spider_type'] = "论坛"
    22. 
  
  
  
  22.                     item['source'] = "食品论坛"
    23. 
  
  
  
  23.                     if item['article_url'] != 'http://bbs.foodmate.net/':
    24. 
  
  
  
  24.                         yield scrapy.Request(
    25. 
  
  
  
  25.                             url=item['article_url'],
    26. 
  
  
  
  26.                             callback=self.get_data,
    27. 
  
  
  
  27.                             meta={'item': item, 'content_info': []}
    28. 
  
  
  
  28.                         )
    29. 
  
  
  
  29.         try:
    30. 
  
  
  
  30.             callback_url = response.css('#fd_page_bottom > div > a.nxt').xpath('@href').extract_first()
    31. 
  
  
  
  31.             callback_url = response.urljoin(callback_url)
    32. 
  
  
  
  32.             yield scrapy.Request(
    33. 
  
  
  
  33.                 url=callback_url,
    34. 
  
  
  
  34.                 callback=self.get_next_path,
    35. 
  
  
  
  35.             )
    36. 
  
  
  
  36.         except IndexError:
    37. 
  
  
  
  37.             pass
    38.

三级界面：

 
 
 
    
  
  
  
  1. def get_data(self, response):
    2. 
  
  
  
  2.     self.logger.info("正在爬取论坛数据！")
    3. 
  
  
  
  3.     item = response.meta['item']
    4. 
  
  
  
  4.     content_list = []
    5. 
  
  
  
  5.     divs = response.xpath('//*[@id="postlist"]/div')
    6. 
  
  
  
  6.     user_name = response.css('div > div.pi > div:nth-child(1) > a::text').extract()
    7. 
  
  
  
  7.     publish_time = response.css('div.authi > em::text').extract()
    8. 
  
  
  
  8.     floor = divs.css('* strong> a> em::text').extract()
    9. 
  
  
  
  9.     s_id = divs.xpath('@id').extract()
    10. 
  
  
  
  10.     for i in range(len(divs) - 1):
    11. 
  
  
  
  11.         content = ''
    12. 
  
  
  
  12.         try:
    13. 
  
  
  
  13. 
  
  
  
  14.             strong = response.css('#postmessage_' + s_id[i].split('_')[-1] + '').xpath('string(.)').extract()
    15. 
  
  
  
  15.             for s in strong:
    16. 
  
  
  
  16.                 content += s.split(';')[-1].lstrip('\r\n')
    17. 
  
  
  
  17.             datas = dict(content=content,  # 内容
    18. 
  
  
  
  18.                          reply_id=0,  # 回复的楼层,默认0
    19. 
  
  
  
  19.                          user_name=user_name[i],  # ⽤户名
    20. 
  
  
  
  20.                          publish_time=publish_time[i].split('于 ')[-1],  # %Y-%m-%d %H:%M:%S'
    21. 
  
  
  
  21.                          id='#' + floor[i],  # 楼层
    22. 
  
  
  
  22.                          )
    23. 
  
  
  
  23.             content_list.append(datas)
    24. 
  
  
  
  24.         except IndexError:
    25. 
  
  
  
  25.             pass
    26. 
  
  
  
  26.     item['content_info'] = response.meta['content_info']
    27. 
  
  
  
  27.     item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    28. 
  
  
  
  28.     item['content_info'] += content_list
    29. 
  
  
  
  29. 
  
  
  
  30.     data_url = response.css('#ct > div.pgbtn > a').xpath('@href').extract_first()
    31. 
  
  
  
  31.     if data_url != None:
    32. 
  
  
  
  32.         data_url = response.urljoin(data_url)
    33. 
  
  
  
  33.         yield scrapy.Request(
    34. 
  
  
  
  34.             url=data_url,
    35. 
  
  
  
  35.             callback=self.get_data,
    36. 
  
  
  
  36.             meta={'item': item, 'content_info': item['content_info']}
    37. 
  
  
  
  37.         )
    38. 
  
  
  
  38.     else:
    39. 
  
  
  
  39.         item['scrawl_time'] = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    40. 
  
  
  
  40.         self.logger.info("正在存储！")
    41. 
  
  
  
  41.         print('储存成功')
    42. 
  
  
  
  42.         yield item
    43.

3、第三步：确定爬取方法

由于是静态网页，首先决定采用的是scrapy框架直接获取数据，并且通过前期测试发现方法确实可行，不过当时年少轻狂，小看了网站的保护措施，由于耐心有限，没有加上定时器限制爬取速度，导致我被网站加了限制，并且网站由静态加载网页变为：动态加载网页验证算法之后再进入到该网页，直接访问会被后台拒绝。

但是这种问题怎么会难道我这小聪明，经过我短暂地思考(1天)，我将方案改为scrapy框架 + selenium库的方法，通过调用chromedriver，模拟访问网站，等网站加载完了再爬取不就完了，后续证明这个方法确实可行，并且效率也不错。

实现部分代码如下：

 
 
 
    
  
  
  
  1. def process_request(self, request, spider):
    2. 
  
  
  
  2.     chrome_options = Options()
    3. 
  
  
  
  3.     chrome_options.add_argument('--headless')  # 使用无头谷歌浏览器模式
    4. 
  
  
  
  4.     chrome_options.add_argument('--disable-gpu')
    5. 
  
  
  
  5.     chrome_options.add_argument('--no-sandbox')
    6. 
  
  
  
  6.     # 指定谷歌浏览器路径
    7. 
  
  
  
  7.     self.driver = webdriver.Chrome(chrome_options=chrome_options,
    8. 
  
  
  
  8.                                    executable_path='E:/pycharm/workspace/爬虫/scrapy/chromedriver')
    9. 
  
  
  
  9.     if request.url != 'http://bbs.foodmate.net/':
    10. 
  
  
  
  10.         self.driver.get(request.url)
    11. 
  
  
  
  11.         html = self.driver.page_source
    12. 
  
  
  
  12.         time.sleep(1)
    13. 
  
  
  
  13.         self.driver.quit()
    14. 
  
  
  
  14.         return scrapy.http.HtmlResponse(url=request.url, body=html.encode('utf-8'), encoding='utf-8',
    15. 
  
  
  
  15.                                         request=request)
    16.

4、第四步：确定爬取数据的储存格式

这部分不用多说，根据自己需求，将需要爬取的数据格式设置在items.py中。在工程中引用该格式保存即可：

 
 
 
    
  
  
  
  1. class LunTanItem(scrapy.Item):
    2. 
  
  
  
  2.     """
    3. 
  
  
  
  3.         论坛字段
    4. 
  
  
  
  4.     """
    5. 
  
  
  
  5.     title = Field()  # str: 字符类型 | 论坛标题
    6. 
  
  
  
  6.     content_info = Field()  # str: list类型 | 类型list: [LunTanContentInfoItem1, LunTanContentInfoItem2]
    7. 
  
  
  
  7.     article_url = Field()  # str: url | 文章链接
    8. 
  
  
  
  8.     scrawl_time = Field()  # str: 时间格式 参照如下格式 2019-08-01 10:20:00 | 数据爬取时间
    9. 
  
  
  
  9.     source = Field()  # str: 字符类型 | 论坛名称 eg: 未名BBS, 水木社区, 天涯论坛
    10. 
  
  
  
  10.     type = Field()  # str: 字符类型 | 板块类型 eg: '财经', '体育', '社会'
    11. 
  
  
  
  11.     spider_type = Field()  # str: forum | 只能写 'forum'
    12.

5、第五步：确定保存数据库

本次项目选择保存的数据库为mongodb，由于是非关系型数据库，优点显而易见，对格式要求没有那么高，可以灵活储存多维数据，一般是爬虫优选数据库(不要和我说redis，会了我也用，主要是不会)

代码：

 
 
 
    
  
  
  
  1. import pymongo
    2. 
  
  
  
  2. 
  
  
  
  3. class FMPipeline():
    4. 
  
  
  
  4.     def __init__(self):
    5. 
  
  
  
  5.         super(FMPipeline, self).__init__()
    6. 
  
  
  
  6.         # client = pymongo.MongoClient('139.217.92.75')
    7. 
  
  
  
  7.         client = pymongo.MongoClient('localhost')
    8. 
  
  
  
  8.         db = client.scrapy_FM
    9. 
  
  
  
  9.         self.collection = db.FM
    10. 
  
  
  
  10. 
  
  
  
  11.     def process_item(self, item, spider):
    12. 
  
  
  
  12.         query = {
    13. 
  
  
  
  13.             'article_url': item['article_url']
    14. 
  
  
  
  14.         }
    15. 
  
  
  
  15.         self.collection.update_one(query, {"$set": dict(item)}, upsert=True)
    16. 
  
  
  
  16.         return item
    17.

这时，有聪明的盆友就会问：如果运行两次爬取到了一样的数据怎么办呢?(换句话说就是查重功能)

这个问题之前我也没有考虑，后来在我询问大佬的过程中知道了，在我们存数据的时候就已经做完这件事了，就是这句：

 
 
 
    
  
  
  
  1. query = {
    2. 
  
  
  
  2.     'article_url': item['article_url']
    3. 
  
  
  
  3. }
    4. 
  
  
  
  4. self.collection.update_one(query, {"$set": dict(item)}, upsert=True)
    5.

通过帖子的链接确定是否有数据爬取重复，如果重复可以理解为将其覆盖，这样也可以做到更新数据。

6、其他设置

像多线程、headers头，管道传输顺序等问题，都在settings.py文件中设置，具体可以参考小编的项目去看，这里不再赘述。

七、效果展示

1、点击运行，结果显示在控制台，如下图所示。

2、中间会一直向队列中堆很多帖子的爬取任务，然后多线程处理，我设置的是16线程，速度还是很可观的。

3、数据库数据展示：

content_info中存放着每个帖子的全部留言以及相关用户的公开信息。

八、总结

1、这篇文章主要给大家介绍了食品网站的数据采集和存储过程，详解了如何分析网页结构、爬虫策略、网站类型、层级关系、爬虫方法和数据存储过程，最终实现将帖子的每条评论爬取到数据库中，并且做到可以更新数据，防止重复爬取，反爬等，干货满满。

2、本次项目总的来说，不是特别难搞，只要思路对了，找到了数据规则，爬起来可以说易如反掌，觉得难只是之前没有完整走过流程，有了这次比较水的介绍，希望能对你有所帮助，那将是我最大的荣幸。

3、遇到问题首先想的不是问同事，朋友，老师，而是去谷歌，百度，看有没有相似的情况，看别人的经历，一定要学会自己发现问题，思考问题，解决问题，这对于之后工作有非常大的帮助(我之前就被说过还没有脱离学生时代，就是我喜欢问同事)，等网上查询了一定资料了，还是没有头绪，再去问别人，别人也会比较愿意帮助你的~

我是杯酒先生，最后分享我的座右铭给大家：保持独立思考，不卑不亢不怂。

最后需要本文项目代码的小伙伴，请在公众号后台回复“食品论坛”关键字进行获取，如果在运行过程中有遇到任何问题，请随时留言或者加小编好友，小编看到会帮助大家解决bug噢!

名称栏目：手把手教你用Scrapy爬虫框架爬取食品论坛数据并存入数据库
文章分享：http://www.mswzjz.com/qtweb/news18/169568.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

定制网站知识

分类信息网

宜宾网站营销推广　　 　成都做网站　　 　App开发　　 　成都名片印刷　　 　服务器托管　　 　成都主机托管　　 　造型师设计　　 　成都网站排名　　 　成都谷歌SEO　　 　四川锦华橡塑　　 　香港虚拟主机　　 　德阳服务器托管　　 　成都网站建设　　 　合江网站建设　　 　宜宾网站建设　　 　成都商城开发　　 　SSL证书　　 　虚拟主机　　 　成都网站建设　　 　广安迈傲建站