Python高级爬虫（三）：数据存储以及多线程

*原创作者：VillanCh

0×00 介绍

本文我们就两个方面来讨论如何改进我们的爬虫：数据存储和多线程，当然我承认这是为我们以后要讨论的一些东西做铺垫。

目的：通常我们需要对爬虫捕捉的数据进行分析，处理，再次利用或者格式化，显然我们不能只是把爬虫捕捉到的数据在内存中处理，然后打印在屏幕上。在本章，我将介绍几种主流的数据存储方法。爬虫处理数据的能力往往是决定爬虫价值的决定性因素，同时一个稳定的存储数据的方法也绝对是一个爬虫的价值体现。

另外，采用多开线程的爬虫，创造多个并行线程协调工作也绝对是提高爬虫效率，降低失败率的好办法。

0×01 引导

我们就接下来要讲的部分做一个简单的引导，关于数据存储方式：

1、 存储索引或者直接下载数据

2、CSV

3、MySQL

关于线程：

如果读者并不会python的线程处理，可以参考这篇文章。

分为函数式和类包装，这两个方法进行线程处理。

0×02 数据存储:存储索引或者直接下载数据

关于这一点我觉得没有必要做深入的解释，因为这一点我们在前几篇文章中或多或少都有接触：比如制作sitemap:这里存储了整个网站你需要的链接，比如抓取freebuff文章生成.docx文档的这一节，这些其实都属于本节所说的数据存储方式。那么就本节而言，我再介绍一个例子，爬取一个freebuf商品列表区域所有的图片（听起来还是挺有趣的吧！？）

步骤1：了解网站结构

步骤2：编写脚本

步骤3：测试

首先我们需要了解一下我们的目标（为了避免广告嫌疑，这里还是以freebuf作为目标吧）

审查元素发现下面的div标签包含了单个的商品信息，

Div(class=nall-news)->div(class=col-sm6col-md-lg-4 mall-product-list)->div(class=photo)->a->img

这样我们就轻松加愉快地找到了img所在的地方，那么根据这些，我们可以指定简单的方案：获取商品的所在的标签，然后由于商品标签的一致性，我们可以一层一层索引下去找到图片的位置，当然有个不保险的办法就是，获取的直接获取img，（幸运的是，在这个例子中只存在一个img标签），我们测试从简，节约时间，那么一两分钟我们就写出了自己的脚本：

import urllib
from bs4 import BeautifulSoup
import re
url = 'http://shop.freebuf.com/'
print "prepare&reading to read theweb"
data = urllib.urlopen(url).read()
print data
print "parsing ... ... ... "
soup = BeautifulSoup(data)
#

itemlist =soup.findAll(name='div',attrs={'class':'col-sm-6 col-md-4 col-lg-4mall-product-list'})
for item in itemlist:
print item.img

这样我们就在自己的debug I/O看到了打印出的九个img标签：

然后我们用以前学到的技能，就足够把这些图片dump下来了，

完善脚本！

import urllib
from bs4 import BeautifulSoup
import re
url = 'http://shop.freebuf.com/'
print "prepare&reading to read theweb"
data = urllib.urlopen(url).read()
print data
print "parsing ... ... ... "
soup = BeautifulSoup(data)
#

itemlist = soup.findAll(name='div',attrs={'class':'col-sm-6col-md-4 col-lg-4 mall-product-list'})
for item in itemlist:
"""

为了适配图片的格式，我们这里这样处理。

不过不是绝对的，某些时候这样做就不合适：

"""
   print item.img['src'][-4:]
"""

urlretrieve这个方法是我们以前接触过的，用于下载图片，还可以下载整个页面：

"""
urllib.urlretrieve(url=item.img['src'],filename=item.img['alt']+item.img['src'][-4:])

然后我们可以看一下成果，这样做的好处就是避免下来一大堆无关的图片，（有些时候我们下载整站，然后提取图片会发现各种图片混在一起了，那样确实烦得很）：

效果可以说是还不错吧，当然我懒并没有把图片建立文件夹存起来。

0×03 数据存储：CSV

CSV(comma-separated values),是目前比较流行的一种文件存储格式。被Excel和很多的应用程序支持。CSV文件存储的例子如下：

Fruit,cost

Apple,1.00

Banana,0.30

Pear,1.25

看起来就是表格的压缩版，其实真的没有什么奇怪的，这个很简单的对吧？当然，大家都能想到这种方法存储表格再好不过了。不过笔者在这里建议：如果你只有一个table要处理，复制粘贴应该是比这样快，如果一堆table要处理，或者是要从各种数据中挑选出表格，然后组合成一张新表，这样无疑可以加快你的速度。

那么我们就举一个例子来介绍一个下我们下一个例子。一定是一个有趣的体验：

作为上一个例子的拓展：我们腰身成一个.csv文件，存储每个商品的名称和需要的金币数。

我们观察一下具体的金币位置，商品信息都在哪里？笔者相信大家已经看到了，那么接下来我们得先整理一下获取info的办法：

class="col-sm-6 col-md-4col-lg-4 mall-product-list">->div(class=info)

仅仅一步我们就可以得到信息位置。

Div(class=info)->h4->商品信息

Div(class=info)->p->strong->商品价格

那么我们这就很简单了，对不对？

在使用csv模块时，打开一个文件然后把文件描述符传入csv的writer然后写入row，但是由于我们这里存在中文，要注意要utf-8处理一下，否则报错或者是中文没法正常显示：

import urllib
from bs4 import BeautifulSoup
import csv
 
csvFile = open('items.csv','w+')
 
url = 'http://shop.freebuf.com/'
print "prepare&reading to read theweb"
data = urllib.urlopen(url).read()
print data
print "parsing ... ... ... "
soup = BeautifulSoup(data)
#

itemlist =soup.findAll(name='div',attrs={'class':'col-sm-6 col-md-4 col-lg-4mall-product-list'})
 
writer = csv.writer(csvFile)
writer.writerow(('name','price'))
for item in itemlist:
   #name
   #print item.find(name="h4").string
   name = item.find(name='h4').string
   #price
   #print item.find(name='strong').string
   price = item.find(name='strong').string
   writer.writerow((name.encode('utf-8','ignore'),price.encode('utf-8','ignore')))
 
csvFile.close()
print "success to create the csvfile"

那么最后我们得到了.csv文件，这个文件可以被excel打开的，在我的linux中，已经被识别成了csv：

但是这里要注意中文编码问题。具体的解决办法限于篇幅我就不介绍了。

0×04 MySQL

我们在这一部分改造上面的例子，把MySQL整合在爬虫中，至于MySQL的安装配置我就不再解释了，我们简要梳理一下MySQL的py使用过程：

0、提前建立好数据库scraping，建立好表items

1、引入pymysql库

2、通过数据库参数建立一个链接conn,

3、Cur.conn.cursor()

4、Cur.execute(query)

5、如果需要的话还需要使用Cur.commit()

6、Cur.close()

7、Conn.close()

数据库建立：CREATE DATABASE `scraping` DEFAULTCHARACTER SET utf8 COLLATE utf8_general_ci;

创建表：CREATE TABLE item(namevarchar(255),price int(11));

插入：INSERT INTO item (name,price) VALUES(‘test’,4);

删除：DELETE FROM item WHRER name=’test’

稍微修改一下上面的代码就可以简单适配MySQL了。

import urllib
from bs4 import BeautifulSoup
import pymysql
 
conn =pymysql.connect(host="127.0.0.1",user='root',passwd='toor',db='mysql')
cur = conn.cursor()
cur.execute('USE scraping')
url = 'http://shop.freebuf.com/'
print "prepare&reading to read theweb"
data = urllib.urlopen(url).read()
print data
print "parsing ... ... ... "
soup = BeautifulSoup(data)
#

itemlist =soup.findAll(name='div',attrs={'class':'col-sm-6 col-md-4 col-lg-4mall-product-list'})
 
for item in itemlist:
   #name
   #print item.find(name="h4").string
   name = item.find(name='h4').string
   #price
   #print item.find(name='strong').string
   price = item.find(name='strong').string
   query = 'insert item(name,price) value('+ "\'" +name.encode('utf-8','ignore') + "\'," +price.encode('utf-8','ignore') +');'
   cur.execute(query)
   
conn.commit()
print "success to update thedatabase"
 
print "preparing to read the data fromdatabase!"
query = "Select * from item where1;"
cur.execute(query)
print cur.fetchall()
 
cur.close()
conn.close()

当然上面的代码只是展示最简单的用法而已，我们还需要弄清楚的是编码问题，数据库还需要配置，要知道毕竟数据库的使用如果处理不好的话，也是一个不大不小的问题。

0×06 嵌入式数据库BerkeleyDB（BDB）

关于介绍我不想太官方，那么简单来说，笔者对BDB的认识如下：

BDB是oracle的一个轻量型嵌入式数据库，只支持key-value数据形式存储，介于内存数据库和硬盘数据库之间，是单写入多读取的相当好的解决方案。

BDB的python接口，bsddb模块，可以把BDB的数据库读写操作作为一个数组来进行。查阅python2手册可以找到这个模块，非常易于使用。

笔者在这里建议，使用BDB来存储url。笔者可以提出一个比较可行的方案，一个url的md5值作为key，url的值作为value，读写直接操作数据库，简化url管理。

0×05 多线程

我们回顾sitemap爬虫的时候，我们发现，爬取一个相对比较小的网站（一百页左右）的时候大概用了2分40秒（加上为了避免频繁请求设置的延时），显然对于我们来说这是不够的，我们当然有很多办法来加速，但是笔者在这里并不建议修改源代码中的url请求等待时间。我们仅仅多开线程执行就可以达到我们预期的效果，这是基本所有类似程序都会采用的方法，但是实际的使用的时候，可能会有各种问题：

1、同步问题

2、线程池管理

……

高效稳定的线程管理是编写多线程程序或者脚本的基础。

预备知识：

Python的线程模块Threading模块，【链接】

Python自制线程池：线程池是解决并发问题的有力武器，在多线程爬虫设计中，我们仍然可以使用这样的方法改装一下

理论：

我们采用多线程爬虫的时候，要清楚这个过程：每个爬虫爬到的数据都要汇总到一起，然后处理，然后再分配新任务到空闲的爬虫。然后根据这样的过程我们可以想到这样的过程好像和master-slave模式类似，如果大家没有接触过这个东西也没关系，简单来说，就是包工头和工人的关系，包工头负责整个小项目的统筹和任务派发，工人负责埋头苦干。

然后根据这样的需求，我们初步设计一下这个多线程爬虫系统应该是怎么样的。

在开始之前，我们首先需要明白一个manager的最基础职能：

1、维护任务队列

2、派发任务

3、处理子线程返回的数据

这样我们可以初步设想一下，再主线程的循环中进行所有的操作。那么，我们就意识到了这个manager的重要性了。那么就按照我们现在的想法，我们来整理以下这个多线程爬虫的设计思路：

按着这个思路，笔者实现了两套多线程爬虫，一套是简易，不稳定的版本，一套是相对稳定的版本。为什么不是直接看第二套比较完整的呢？显然第一个版本简易不稳定，但是易于大家理解架构，第二个版本相对稳定，但是读起来可能有点痛苦。

具体的代码在Github。

因为单个脚本太长了300+行。

第二个版本，为了项目管理方便也为了贴合我自己的习惯，我就使用了vs13作为开发和管理工具，然后代码现在托管在github上，项目目录如下：

参见Github链接，如果读者喜欢这个项目可以随意fork或者赏star，笔者将会更有力气维护这个多线程爬虫。当然这是一个未完成的项目，但是现在功能基本是完整的，可以实现自己自定义线程数稳定爬取固定域名下的网站sitemap，如果需要爬取内容的话，需要使用者自己去定义worker的分析部分，url处理我已经替大家基本写完了，这个项目的目的实际就是作为一个scraper platform存在，因此取名scraplat，但是笔者真的水平有限，赶着这篇文章之前完成了基本功能，在今后的一段时间内这个项目还会不断完善，实现动态网页爬取，自动化网页测试等高级接口。如果对爬虫技术感兴趣的读者可以长期关注以下这个项目，也欢迎大家在留言区写下自己想要实现的功能。

0×06 总结与下章预告

本章我们讨论了数据存储和多线程爬虫的实现，如果大家明白原理以后，就可以自己设计出自己的多线程爬虫甚至是分布式爬虫。到现在位置，我们手中的爬虫才算是像模像样。

但是这还是不够，直到现在为止，我们只能处理静态的网页，如果想要处理动态加载的网页，（不知道有没有好事的读者曾经试过爬取淘宝商品页面，试过的朋友会发现传统的方案是没有办法处理淘宝商品页面的）。还有我们有时候希望我们的爬虫能真正的进入互联网，自由爬行，这些都是我们渴望解决的问题。

在下一章中，我们将学习下面的内容：

1、为爬虫添加代理

2、动态页面爬取的解决方案讨论

*原创作者：VillanCh，本文属FreeBuf原创奖励计划文章，未经作者本人及FreeBuf许可，切勿私自转载