python爬虫学习之路，为老婆爬下整站模板-第二章

第一阶段为初步阶段，只是为了了解或是花很少的时候解决当时的问题，想要完美是非常困难的，一步一步来吧

第二阶段为进阶阶段

第一阶段的问题做了些总结

1. 断电后程序怎么继续执行
2. 爬取一个页面大概要10秒左右，慢

针对这些问题做了些方案

1. 每爬一个页面保存一个状态，知道那些读取完，那些没有
2. 采取多线程加快进度

做一步学习一步，现在在网站上看到

Scrapy的强大，决定试试。

首先分析需求，现在只需要这四个板块的下载地址

image

这是最基础的爬页面的scrapy框架，response.body就是取得返回html代码

image

下面看看我们需要爬取的数据

这里有个小技巧，直接在需要采取的数据上右键，然后点检查

image

然后在出来的firebug的要采集的数据上右键，复制xPath

image

会看到（/html/body/div[3]/div[4]/div[4]/p[1]/b）这样的数据，多对比几个，如果都是一样的，就可以采取这种方式直接取得我们想要的数据，不在需要用正则去匹配。

在这里我在chrome里面复制的第一层div是第三个，但不知道怎么找不到，换成2才找到，难道是从0开始？但后面二个又不需要换了，真是奇了怪了。可能是有一个是js后来生成的吧，暂时先解决问题，后面在来研究

image

这里有一个非常大的坑，就是编码问题，新手一般都会遇到这问题，虽然就一句代码，但不搞明白的话还是要走比较多的弯路，我首先是用chardet.detect(html)查看了编码，是gb2312的，先解码，在转成utf-8格式的，这样保存为文件里面就没问题了。

就这一句话就完成了，还是没有经验啊，呵呵

image

在shell里面输出这样的是没问题的，保存到文件就是中文的

image

这是采取到的数据保存的文件，中文是没问题的

image

现在一个页面的基础爬取是没问题了，但这又遇到个问题，比如读取下一页连接，在爬取，在读取下一页，这虽然能写出来，但多进程又有问题，感觉scrapy的多进程不好控制。

我的想法是一个主进程，专门读取主页面的列表，把列表存入数据库里面，然后开启10个进程，来根据数据库里面数据的状态来执行任务

当然我这想法是在我不需要大面积爬取的情况下，如果有些需求需要大面积的爬取数据，用scrapy还是很不错的，我这里决定直接用request就行了，往scrapy这里转了一圈，最重要的是知道了用xpath能解决非常多的匹配问题。或许是自己对scrapy的认识深度还不够

不过能够解决需求就行了。

于是乎我又回到了urllib，所有说程序猿没事还是要多学习一些库啊，多看些文档，这些是能改善工作效率的。

首先编码的是list列表的读取

image

这是一个读取列表页面的基本单元，运行之后数据库里会有这些数据

image

同时在开始这个进程的时候，会读取数据库里面保存的已经完成到那一页的数据

image

每完成个循环会写入一条到数据库，然后倒序查找到就行，如果查找不到就代表从第一页开始

image

image

这算是解决了程序异常结束之后继续执行的问题。

然后是多进程取得下载地址了，上面四个进程是四种类型的列表读取，并下载图片，下面是10个读取下载地址的进程。

image

这是读取下载地址的方法

首先是查看有那一条数据状态为0的，然后更改状态为1，开始爬取下载地址，写入数据库，并更改状态为2

image

这里有点麻烦的是百度网盘地址的读取，每个页面位置不一样，开始还好，后来就出问题了，这里加上了re匹配，抛出异常就为空吧，比较新的模板一般都有，以前的没有。

image

这是数据库的结构

image

这是运行状态，速度还可以，内存，cpu这块都还好，主要是网络瓶颈，一张图片大概100k左右吧。几万多张图

还有写入这块也有点慢。毕竟是张sd卡。当时写入系统的时候只有6M的速度

image

image

编码过程中遇到的问题

UnicodeDecodeError: 'gb2312' codec can't decode byte 0x8a in position 19746: illegal multibyte sequence

网页如果是采用的gb2312编码的话，采集下来需要先decode('gb2312')，这个问题是因为遇到了bg2312不认识的字了，这里换成gbk就行了，如果更高级的换成gb18030也行。