清华学霸告诉你一款能取代 Scrapy 的爬虫框架 feapder
Python 最流行的爬虫框架是 Scrapy，它主要用于爬取网站结构性数据
今天推荐一款更加简单、轻量级，且功能强大的爬虫框架
介绍及安装
和 Scrapy 类似，feapder 支持轻量级爬虫、分布式爬虫、批次爬虫、爬虫报警机制等功能
内置的 3 种爬虫如下：
-
AirSpider
轻量级爬虫，适合简单场景、数据量少的爬虫
-
Spider
分布式爬虫，基于 Redis，适用于海量数据，并且支持断点续爬、自动数据入库等功能
-
BatchSpider
分布式批次爬虫，主要用于需要周期性采集的爬虫
在实战之前，我们在虚拟环境下安装对应的依赖库
# 安装依赖 pip3 install feapder
我们以最简单的 AirSpider 来爬取一些简单的数据
详细实现步骤如下（ 5 步）
创建爬虫项目
首先，我们使用「 feapder create -p 」命令创建一个爬虫项目
创建爬虫 AirSpider
命令行进入到 spiders 文件夹目录下，使用「 feapder create -s 」命令创建一个爬虫
其中
-
1 为默认，表示创建一个轻量级爬虫 AirSpider
-
2 代表创建一个分布式爬虫 Spider
-
3 代表创建一个分布式批次爬虫 BatchSpider
配置数据库、创建数据表、创建映射 Item
以 Mysql 为例，首先我们在数据库中创建一张数据表
然后，打开项目根目录下的 settings.py 文件，配置数据库连接信息
# settings.py
MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "xag"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"
最后，创建映射 Item（ 可选 ）
进入到 items 文件夹，使用「 feapder create -i 」命令创建一个文件映射到数据库
PS：由于 AirSpider 不支持数据自动入库，所以这步不是必须
编写爬虫及数据解析
第一步，首先使「 MysqlDB 」初始化数据库
from feapder.db.mysqldb import MysqlDB
class TophubSpider(feapder.AirSpider):
def __init__(self, *args, **kwargs):
super().__init__(*args, **kwargs)
self.db = MysqlDB()
第二步，在 start_requests 方法中，指定爬取主链接地址，使用关键字「download_midware 」配置随机 UA
import feapder
from fake_useragent import UserAgent
def start_requests(self):
yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)
def download_midware(self, request):
# 随机UA
# 依赖：pip3 install fake_useragent
ua = UserAgent().random
request.headers = {'User-Agent': ua}
return request
第三步，爬取首页标题、链接地址
使用 feapder 内置方法 xpath 去解析数据即可
def parse(self, request, response):
# print(response.text)
card_elements = response.xpath('//div[@class="cc-cd"]')
# 过滤出对应的卡片元素【什么值得买】
buy_good_element = [card_element for card_element in card_elements if
card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]
# 获取内部文章标题及地址
a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')
for a_element in a_elements:
# 标题和链接
title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
href = a_element.xpath('.//@href').extract_first()
# 再次下发新任务，并带上文章标题
yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
title=title)
第四步，爬取详情页面数据
上一步下发新的任务，通过关键字「 callback 」指定回调函数，最后在 parser_detail_page 中对详情页面进行数据解析
def parser_detail_page(self, request, response):
"""
解析文章详情数据
:param request:
:param response:
:return:
"""
title = request.title
url = request.url
# 解析文章详情页面，获取点赞、收藏、评论数目及作者名称
author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()
print("作者：", author, '文章标题:', title, "地址：", url)
desc_elements = response.xpath('//span[@class="xilie"]/span')
print("desc数目:", len(desc_elements))
# 点赞
like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
# 收藏
collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
# 评论
comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])
print("点赞：", like_count, "收藏:", collection_count, "评论:", comment_count)
数据入库
使用上面实例化的数据库对象执行 SQL，将数据插入到数据库中即可
# 插入数据库
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
title, author, like_count, collection_count, comment_count)
# 执行
self.db.execute(sql)最后
本篇文章通过一个简单的实例，聊到了 feapder 中最简单的爬虫 AirSpider
若需要相关爬虫资料的可以扫一扫 备注【爬虫】
