摘要：背景一個(gè)國(guó)人編寫的強(qiáng)大的網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)并帶有強(qiáng)大的?？蚣軐W(xué)習(xí)時(shí)走過(guò)的一些坑錯(cuò)誤我所遇到的一些錯(cuò)誤首先，本爬蟲(chóng)目標(biāo)使用框架爬取網(wǎng)站的帖子中的問(wèn)題和內(nèi)容，然后將爬取的數(shù)據(jù)保存在本地。修飾器，表示每天會(huì)執(zhí)行一次，這樣就能抓到最新的帖子了。

背景：

PySpider：一個(gè)國(guó)人編寫的強(qiáng)大的網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)并帶有強(qiáng)大的WebUI。采用Python語(yǔ)言編寫，分布式架構(gòu)，支持多種數(shù)據(jù)庫(kù)后端，強(qiáng)大的WebUI支持腳本編輯器，任務(wù)監(jiān)視器，項(xiàng)目管理器以及結(jié)果查看器。在線示例： http://demo.pyspider.org/

官方文檔： http://docs.pyspider.org/en/l...

Github : https://github.com/binux/pysp...

本文爬蟲(chóng)代碼 Github 地址：https://github.com/zhisheng17...

更多精彩文章可以在微信公眾號(hào)：猿blog 閱讀到，歡迎關(guān)注。

說(shuō)了這么多，我們還是來(lái)看正文吧！

前提:

你已經(jīng)安裝好了Pyspider 和 MySQL-python（保存數(shù)據(jù)）

如果你還沒(méi)安裝的話，請(qǐng)看看我的前一篇文章，防止你也走彎路。

Pyspider 框架學(xué)習(xí)時(shí)走過(guò)的一些坑

HTTP 599: SSL certificate problem: unable to get local issuer certificate錯(cuò)誤

我所遇到的一些錯(cuò)誤：

首先，本爬蟲(chóng)目標(biāo)：使用 Pyspider 框架爬取 V2EX 網(wǎng)站的帖子中的問(wèn)題和內(nèi)容，然后將爬取的數(shù)據(jù)保存在本地。

V2EX 中大部分的帖子查看是不需要登錄的，當(dāng)然也有些帖子是需要登陸后才能夠查看的。（因?yàn)楹髞?lái)爬取的時(shí)候發(fā)現(xiàn)一直 error ，查看具體原因后才知道是需要登錄的才可以查看那些帖子的）所以我覺(jué)得沒(méi)必要用到 Cookie，當(dāng)然如果你非得要登錄，那也很簡(jiǎn)單，簡(jiǎn)單地方法就是添加你登錄后的 cookie 了。

我們?cè)?https://www.v2ex.com/ 掃了一遍，發(fā)現(xiàn)并沒(méi)有一個(gè)列表能包含所有的帖子，只能退而求其次，通過(guò)抓取分類下的所有的標(biāo)簽列表頁(yè)，來(lái)遍歷所有的帖子： https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... 最后每個(gè)帖子的詳情地址是 （舉例）： https://www.v2ex.com/t/314683...

創(chuàng)建一個(gè)項(xiàng)目

在 pyspider 的 dashboard 的右下角，點(diǎn)擊 “Create” 按鈕

替換 on_start 函數(shù)的 self.crawl 的 URL：

@every(minutes=24 * 60)
    def on_start(self):
        self.crawl("https://www.v2ex.com/", callback=self.index_page, validate_cert=False)

self.crawl 告訴 pyspider 抓取指定頁(yè)面，然后使用 callback 函數(shù)對(duì)結(jié)果進(jìn)行解析。

@every) 修飾器，表示 on_start 每天會(huì)執(zhí)行一次，這樣就能抓到最新的帖子了。

validate_cert=False 一定要這樣，否則會(huì)報(bào) HTTP 599: SSL certificate problem: unable to get local issuer certificate錯(cuò)誤

首頁(yè)：

點(diǎn)擊綠色的 run 執(zhí)行，你會(huì)看到 follows 上面有一個(gè)紅色的 1，切換到 follows 面板，點(diǎn)擊綠色的播放按鈕：

第二張截圖一開(kāi)始是出現(xiàn)這個(gè)問(wèn)題了，解決辦法看前面寫的文章，后來(lái)問(wèn)題就不再會(huì)出現(xiàn)了。

Tab 列表頁(yè) :

在 tab 列表頁(yè) 中，我們需要提取出所有的主題列表頁(yè) 的 URL。你可能已經(jīng)發(fā)現(xiàn)了，sample handler 已經(jīng)提取了非常多大的 URL

代碼：

@config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/?tab="]").items():
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)

由于帖子列表頁(yè)和 tab列表頁(yè)長(zhǎng)的并不一樣，在這里新建了一個(gè) callback 為 self.tab_page

@config (age=10  24  60 * 60) 在這表示我們認(rèn)為 10 天內(nèi)頁(yè)面有效，不會(huì)再次進(jìn)行更新抓取

Go列表頁(yè) :

代碼：

@config(age=10 * 24 * 60 * 60)
    def tab_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/go/"]").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)

帖子詳情頁(yè)（T）:

你可以看到結(jié)果里面出現(xiàn)了一些reply的東西，對(duì)于這些我們是可以不需要的，我們可以去掉。

同時(shí)我們還需要讓他自己實(shí)現(xiàn)自動(dòng)翻頁(yè)功能。

代碼：

@config(age=10 * 24 * 60 * 60)
    def board_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/t/"]").items():
            url = each.attr.href
            if url.find("#reply")>0:
                url = url[0:url.find("#")]
            self.crawl(url, callback=self.detail_page, validate_cert=False)
        for each in response.doc("a.page_normal").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #實(shí)現(xiàn)自動(dòng)翻頁(yè)功能

去掉后的運(yùn)行截圖：

實(shí)現(xiàn)自動(dòng)翻頁(yè)后的截圖：

此時(shí)我們已經(jīng)可以匹配了所有的帖子的 url 了。

點(diǎn)擊每個(gè)帖子后面的按鈕就可以查看帖子具體詳情了。

代碼：

@config(priority=2)
    def detail_page(self, response):
        title = response.doc("h1").text()
        content = response.doc("div.topic_content").html().replace(""", """)
        self.add_question(title, content)  #插入數(shù)據(jù)庫(kù)
        return {
            "url": response.url,
            "title": title,
            "content": content,
        }

插入數(shù)據(jù)庫(kù)的話，需要我們?cè)谥岸x一個(gè)add_question函數(shù)。

#連接數(shù)據(jù)庫(kù)
def __init__(self):
        self.db = MySQLdb.connect("localhost", "root", "root", "wenda", charset="utf8")

    def add_question(self, title, content):
        try:
            cursor = self.db.cursor()
            sql = "insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)" % (title, content, random.randint(1, 10) , "now()");   #插入數(shù)據(jù)庫(kù)的SQL語(yǔ)句
            print sql
            cursor.execute(sql)
            print cursor.lastrowid
            self.db.commit()
        except Exception, e:
            print e
            self.db.rollback()

查看爬蟲(chóng)運(yùn)行結(jié)果：

先debug下，再調(diào)成running。pyspider框架在windows下的bug

設(shè)置跑的速度，建議不要跑的太快，否則很容易被發(fā)現(xiàn)是爬蟲(chóng)的，人家就會(huì)把你的IP給封掉的

查看運(yùn)行工作

查看爬取下來(lái)的內(nèi)容

然后再本地?cái)?shù)據(jù)庫(kù)GUI軟件上查詢下就可以看到數(shù)據(jù)已經(jīng)保存到本地了。

自己需要用的話就可以導(dǎo)入出來(lái)了。

在開(kāi)頭我就告訴大家爬蟲(chóng)的代碼了，如果詳細(xì)的看看那個(gè)project，你就會(huì)找到我上傳的爬取數(shù)據(jù)了。（僅供學(xué)習(xí)使用，切勿商用！）

當(dāng)然你還會(huì)看到其他的爬蟲(chóng)代碼的了，如果你覺(jué)得不錯(cuò)可以給個(gè) Star，或者你也感興趣的話，你可以fork我的項(xiàng)目，和我一起學(xué)習(xí)，這個(gè)項(xiàng)目長(zhǎng)期更新下去。

最后：

代碼：

# created by 10412
# !/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2016-10-20 20:43:00
# Project: V2EX

from pyspider.libs.base_handler import *

import re
import random
import MySQLdb

class Handler(BaseHandler):
    crawl_config = {
    }

    def __init__(self):
        self.db = MySQLdb.connect("localhost", "root", "root", "wenda", charset="utf8")

    def add_question(self, title, content):
        try:
            cursor = self.db.cursor()
            sql = "insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)" % (title, content, random.randint(1, 10) , "now()");
            print sql
            cursor.execute(sql)
            print cursor.lastrowid
            self.db.commit()
        except Exception, e:
            print e
            self.db.rollback()


    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl("https://www.v2ex.com/", callback=self.index_page, validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/?tab="]").items():
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)


    @config(age=10 * 24 * 60 * 60)
    def tab_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/go/"]").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)


    @config(age=10 * 24 * 60 * 60)
    def board_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/t/"]").items():
            url = each.attr.href
            if url.find("#reply")>0:
                url = url[0:url.find("#")]
            self.crawl(url, callback=self.detail_page, validate_cert=False)
        for each in response.doc("a.page_normal").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)


    @config(priority=2)
    def detail_page(self, response):
        title = response.doc("h1").text()
        content = response.doc("div.topic_content").html().replace(""", """)
        self.add_question(title, content)  #插入數(shù)據(jù)庫(kù)
        return {
            "url": response.url,
            "title": title,
            "content": content,
        }