Python Scrapy 爬虫 - 爬取多级别的页面

Python Scrapy 爬虫 - 爬取多级别的页面

互联网中众多的 scrapy 教程模板，都是爬取 下一页$\to$下一页形式的，很少有 父级$\to$子级 的说明。

本文介绍一些使用 scrapy 爬取三级网页的注意事项。

---

逐级别传递 item

如何将 item 的信息，从父级传送到子级，是多级别爬取的最重要部分。

Scrapy 用 scrapy.Request 发起请求时，可以带上 meta={'item': item}，把之前已收集到的信息传递到新请求里。
在新请求里用 item = response.meta('item') 接受过来，item 就可以继续添加新的收集的信息了。

参考链接：Python Scrapy多层爬取收集数据

注意：meta字段的方法是浅拷贝，并非深拷贝，（可参考官方文档），所以如果 item 有多个字段时，要么在meta中多字段表示，要么使用深拷贝方法。

# 使用 scrapy 在多个 parse 中自上而下逐级传递 item 的方法
# method 1
import copy

yield scrapy.Request(
    url=next_url, 
    meta={
        'item': copy.deepcopy(item_before)
    }, 
    dont_filter=True, 
    callback=self.next_parse
)

# method 2
yield scrapy.Request(
    url=next_url, 
    meta={
        'thing1': thing1_before,
        'thing2': thing2_before
    }, 
    dont_filter=True, 
    callback=self.next_parse
)

是否需要进行 url去重操作？

如果二级页面的 url 是根据某内容来定义 url路径 的，因此会存在很多重复的 二级url，需要不去重操作。

去重机制：scrapy.Request() 的参数 dont_filter 默认是 False（去重）。
每 yield 一个 scrapy.Request()，就将 url参数 与调度器内已有的 url 进行比较，如果存在相同 url 则默认不入队列，如果没有相同的 url 则入队列，
如果想要实现不去重效果，需要将 dont_filter 改为 True

来自参考链接：spider爬取多级url

scrapy selector 的 extract 与 extract_first 方法

• extract 以列表形式（记此列表为a）返回选择器中的 data 字段，
  extract_first 则返回上述列表a中的第一个元素（多为字符串）
• 通常 extract 得到的列表中，只有一个元素，所以往往用 extract_first 即可。
  但若 extract 得到的列表中有多个元素，则需要使用 ''.join(a) 得到具体的字符串信息。
• ' xxx '.strip() 可以用于去掉头尾空白字符

编写 pipeline 注意事项

• 首先需要在设置中启动pipeline，才可以有效果
• mkdir创建单级目录，makedirs创建多级目录
• 需要首先dict(item)
• 打开文件时
  • w 只可以写文件
  • w+ 可读可写，打开后立即清空
  • r 只可以读文件
  • r+ 可读可写
  • encoding 保存中文必选
• 写json时，注意使用"而非'
• json.dump(text, f, ensure_ascii=False, indent=4)可保存中文，并格式化json

启用 scrapy 日志功能

详细见参考链接

Scrapy logging settings