乐趣区

关于python:介绍一款能取代-Scrapy-的爬虫框架-feapder

jiezi

1. 前言

家喻户晓，Python 最风行的爬虫框架是 Scrapy，它次要用于爬取网站结构性数据

明天举荐一款更加简略、轻量级，且功能强大的爬虫框架：feapder

2. 介绍及装置
和 Scrapy 相似，feapder 反对轻量级爬虫、分布式爬虫、批次爬虫、爬虫报警机制等性能

内置的 3 种爬虫如下：

  • AirSpider

轻量级爬虫，适宜简略场景、数据量少的爬虫

  • Spider

分布式爬虫，基于 Redis，实用于海量数据，并且反对断点续爬、主动数据入库等性能

  • BatchSpider

分布式批次爬虫，次要用于须要周期性采集的爬虫

在实战之前，咱们在虚拟环境下装置对应的依赖库

# 装置依赖库
pip3 install feapder

3. 实战一下
咱们以最简略的 AirSpider 来爬取一些简略的数据

指标网站：aHR0cHM6Ly90b3BodWIudG9kYXkvIA==

具体实现步骤如下（5 步）

3-1 创立爬虫我的项目

首先，咱们应用「feapder create -p」命令创立一个爬虫我的项目

# 创立一个爬虫我的项目
feapder create -p tophub_demo

3-2 创立爬虫 AirSpider

命令行进入到 spiders 文件夹目录下，应用「feapder create -s」命令创立一个爬虫

cd spiders

# 创立一个轻量级爬虫
feapder create -s tophub_spider 1

其中

  • 1 为默认，示意创立一个轻量级爬虫 AirSpider
  • 2 代表创立一个分布式爬虫 Spider
  • 3 代表创立一个分布式批次爬虫 BatchSpider

3-3 配置数据库、创立数据表、创立映射 Item

以 Mysql 为例，首先咱们在数据库中创立一张数据表

# 创立一张数据表
create table topic
(
    id         int auto_increment
        primary key,
    title      varchar(100)  null comment '文章题目',
    auth       varchar(20)   null comment '作者',
    like_count     int default 0 null comment '喜爱数',
    collection int default 0 null comment '珍藏数',
    comment    int default 0 null comment '评论数'
);

而后，关上我的项目根目录下的 settings.py 文件，配置数据库连贯信息

# settings.py

MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "xag"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"

最初，创立映射 Item（可选）

进入到 items 文件夹，应用「feapder create -i」命令创立一个文件映射到数据库

PS：因为 AirSpider 不反对数据主动入库，所以这步不是必须

3-4 编写爬虫及数据解析

第一步，首先使「MysqlDB」初始化数据库

from feapder.db.mysqldb import MysqlDB

class TophubSpider(feapder.AirSpider):

    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.db = MysqlDB()

第二步，在 start_requests 办法中，指定爬取主链接地址，应用关键字「download_midware」配置随机 UA

import feapder
from fake_useragent import UserAgent

def start_requests(self):
    yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)

def download_midware(self, request):
    # 随机 UA
    # 依赖：pip3 install fake_useragent
    ua = UserAgent().random
    request.headers = {'User-Agent': ua}
    return request

第三步，爬取首页题目、链接地址

应用 feapder 内置办法 xpath 去解析数据即可

def parse(self, request, response):
    # print(response.text)
    card_elements = response.xpath('//div[@class="cc-cd"]')

    # 过滤出对应的卡片元素【什么值得买】buy_good_element = [card_element for card_element in card_elements if
                        card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]

    # 获取外部文章题目及地址
    a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')

    for a_element in a_elements:
        # 题目和链接
        title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
        href = a_element.xpath('.//@href').extract_first()

        # 再次下发新工作，并带上文章题目
        yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
                              title=title)

第四步，爬取详情页面数据

上一步下发新的工作，通过关键字「callback」指定回调函数，最初在 parser_detail_page 中对详情页面进行数据解析

def parser_detail_page(self, request, response):
    """
    解析文章详情数据
    :param request:
    :param response:
    :return:
    """
    title = request.title

    url = request.url

    # 解析文章详情页面，获取点赞、珍藏、评论数目及作者名称
    author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()

    print("作者：", author, '文章题目:', title, "地址：", url)

    desc_elements = response.xpath('//span[@class="xilie"]/span')

    print("desc 数目:", len(desc_elements))

    # 点赞
    like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
    # 珍藏
    collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
    # 评论
    comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])

    print("点赞：", like_count, "珍藏:", collection_count, "评论:", comment_count)

3-5 数据入库

应用下面实例化的数据库对象执行 SQL，将数据插入到数据库中即可

# 插入数据库
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (title, author, like_count, collection_count, comment_count)

# 执行
self.db.execute(sql)

4. 最初
最近整顿了几百 G 的 Python 学习材料，蕴含新手入门电子书、教程、源码等等，收费分享给大家！想要的返回“Python 编程学习圈”，发送“J”即可收费取得

退出移动版