Python下用Scrapy和MongoDB构建爬虫系统（1）

962148150

　　本文由 伯乐在线 - 木羊 翻译，xianhu 校稿。未经许可，禁止转载！
英文出处：realpython.com。欢迎加入翻译小组。
这篇文章将根据真实的兼职需求编写一个爬虫，用户想要一个Python程序从Stack Overflow抓取数据，获取新的问题（问题标题和URL）。抓取的数据应当存入MongoDB。值得注意的是，Stack Overflow已经提供了可用于读取同样数据的API。但是用户想要一个爬虫，那就给他一个爬虫。
像往常一样，在开始任何抓取工作前，一定要先查看该网站的使用/服务条款，要尊重 robots.txt 文件。抓取行为应该遵守道德，不要在很短时间内发起大量请求，从而导致网站遭受泛洪攻击。对待那些你要抓取的网站，要像对待自己的一样。
安装
我们需要Scrapy库(v0.24.4)，以及用于在MongoDB中存储数据的PyMongo库(v2.7.2)。同样需要安装MongoDB。
Scrapy
如果使用OSX或某种Linux，使用pip安装Scrapy（激活命令行）：

1	$ pip install Scrapy

如果使用Windows的机器，你需要手动安装一堆依赖库（木羊吐槽：Win下也是有pip的po主你不要黑她，经测可以用上面命令直接安装成功）。请参考官方文档详细说明以及我创建的Youtube视频。
一旦Scrapy安装完毕，可在Python命令行中使用这个命令验证：

1 2	>>> import scrapy >>>

如果没有出错，安装就完成了。
PyMongo
下一步，使用pip安装PyMongo：

1	$ pip install pymongo

现在可以开始构建爬虫了。
Scrapy工程
先创建一个新的Scrapy工程：

1	$ scrapy startproject stack

这条命令创建了许多文件和文件夹，其中包含一套有助于你快速开始的基本模板：

1 2 3 4 5 6 7 8

├── scrapy.cfg └── stack     ├── __init__.py     ├── items.py     ├── pipelines.py     ├── settings.py     └── spiders         └── __init__.py

提取数据
items.py文件用于定义存储“容器”，用来存储将要抓取的数据。
StackItem()类继承自Item (文档)，主要包含一些Scrapy已经为我们创建好的预定义对象：

1 2 3 4 5 6

import scrapy class StackItem(scrapy.Item):     # define the fields for your item here like:     # name = scrapy.Field()     pass

添加一些想要收集的项。用户想要每条问题的标题和URL。那么，照这样更新items.py：

1 2 3 4 5

from scrapy.item import Item, Field class StackItem(Item):     title = Field()     url = Field()

创建蜘蛛
在“spiders”目录下建立一个名为stack_spider.py的文件。这里是见证奇迹发生的地方—-比如在这里告诉Scrapy怎么去找到我们想要的指定数据。正如你想的那样，对于每一个独立的网页，stack_spider.py都是不同的。
我们从定义一个类开始，这个类继承Scrapy的Spider，并添加一些必须的属性：

1 2 3 4 5 6 7 8 9

from scrapy import Spider class StackSpider(Spider):     name = "stack"     allowed_domains = ["stackoverflow.com"]     start_urls = [         "http://stackoverflow.com/questions?pagesize=50&sort=newest",     ]

最初一些变量的含义很容易理解（文档）：

• 定义蜘蛛的名字。
  
• allowed_domains 包含构成许可域的基础URL，供蜘蛛去爬。
  
• start_urls 是一个URL列表，蜘蛛从这里开始爬。蜘蛛从start_urls中的URL下载数据，所有后续的URL将从这些数据中获取。
  

XPath选择器
接下来，Scrapy使用XPath选择器在一个网站上提取数据。也就是说，我们可以通过一个给定的XPath选择HTML数据的特定部分。正如Scrapy所称，“XPath是一种选择XML节点的语言，也可以用于HTML。”
使用Chrome的开发者工具，可以很容易找到一个特定的Xpath。简单地检查一个特定的HTML元素，复制XPath，然后修改（如有需要）。

开发者工具同时为用户提供在JavaScript控制台测试XPath选择器的功能，使用$x，如$x("//img"):

继续，通过定义的XPath告诉Scrapy去哪里寻找信息。在Chrom中导航至Stack Overflow网址，寻找XPath选择器。

右键点击第一条问题，选择“插入元素”：
现在从, //*[@id="question-summary-27624141"]/div[2]中抓取XPath，然后在JavaScript控制台测试它：

也许你会说，这只选择了一条问题。现在需要改变XPath去抓取所有的问题。有什么想法？很简单：//div[@class="summary"]/h3。
什么意思呢？本质上，这条XPath是说：抓取的子树中所有这一类元素的总集。在JavaScript控制台中测试XPath。
请注意我们不会使用Chrome开发者工具的实际输出。在大多数案例中，这些输出仅仅是一个参考，便于直接找到能用的XPath。
现在更新stack_spider.py脚本：

1 2 3 4 5 6 7 8 9 10 11 12 13

from scrapy import Spider from scrapy.selector import Selector class StackSpider(Spider):     name = "stack"     allowed_domains = ["stackoverflow.com"]     start_urls = [         "http://stackoverflow.com/questions?pagesize=50&sort=newest",     ]     def parse(self, response):         questions = Selector(response).xpath('//div[@class="summary"]/h3')

提取数据
我们仍然需要解析和抓取想要的数据，它符合