爬虫框架Scrapy之多页抓取

Scrapy的多页抓取方式

一般有两种：目标URL循环抓取和在主页连接上找规律。

1.目标URL循环抓取

start_urls = ["http://www.example.com/page/" + str(x) for x in range(1, 50, 1)]

2.在主页连接上找规律

一般通过点击目标页面的下一页的方式获取多页资源
在 parse 函数结束时，必须 yield 一个带回调函数 callback 的 Request 类的实例

以下实例：

首先创建project:

scrapy startproject CSDNBlog

一. items.py编写

在这里为清晰说明，只提取文章名称和文章网址。

# -*- coding:utf-8 -*- from scrapy.item import Item, Field class CsdnblogItem(Item):    """存储提取信息数据结构"""     article_name = Field()    article_url = Field()

二. pipelines.py编写

import jsonimport codecs class CsdnblogPipeline(object):     def __init__(self):        self.file = codecs.open('CSDNBlog_data.json', mode='wb', encoding='utf-8')     def process_item(self, item, spider):        line = json.dumps(dict(item)) + '\n'        self.file.write(line.decode("unicode_escape"))         return item

其中，构造函数中以可写方式创建并打开存储文件。在process_item中实现对item处理，包含将得到的item写入到json形式的输出文件中。

三. settings.py编写

对于setting文件，他作为配置文件，主要是至执行对spider的配置。一些容易被改变的配置参数可以放在spider类的编写中，而几乎在爬虫运行过程中不改变的参数在settings.py中进行配置。

# -*- coding:utf-8 -*- BOT_NAME = 'CSDNBlog' SPIDER_MODULES = ['CSDNBlog.spiders']NEWSPIDER_MODULE = 'CSDNBlog.spiders' #禁止cookies,防止被banCOOKIES_ENABLED = False ITEM_PIPELINES = {    'CSDNBlog.pipelines.CsdnblogPipeline':300} # Crawl responsibly by identifying yourself (and your website) on the user-agent#USER_AGENT = 'CSDNBlog (+http://www.yourdomain.com)'

这里将COOKIES_ENABLED参数置为True，使根据cookies判断访问的站点不能发现爬虫轨迹，防止被ban。

ITEM_PIPELINES类型为字典，用于设置启动的pipeline，其中key为定义的pipeline类，value为启动顺序，默认0-1000。

四. 爬虫编写

爬虫编写始终是重头戏。原理是分析网页得到“下一篇”的链接，并返回Request对象。进而继续爬取下一篇文章，直至没有。

上码：

#!/usr/bin/python# -*- coding:utf-8 -*- # from scrapy.contrib.spiders import  CrawlSpider,Rule from scrapy.spider import Spiderfrom scrapy.http import Requestfrom scrapy.selector import Selectorfrom CSDNBlog.items import CsdnblogItem  class CSDNBlogSpider(Spider):    """爬虫CSDNBlogSpider"""     name = "CSDNBlog"     #减慢爬取速度 为1s    download_delay = 1    allowed_domains = ["blog.csdn.net"]    start_urls = [         #第一篇文章地址        "http://blog.csdn.net/u012150179/article/details/11749017"    ]     def parse(self, response):        sel = Selector(response)         #items = []        #获得文章url和标题        item = CsdnblogItem()         article_url = str(response.url)        article_name = sel.xpath('//div[@id="article_details"]/div/h1/span/a/text()').extract()         item['article_name'] = [n.encode('utf-8') for n in article_name]        item['article_url'] = article_url.encode('utf-8')         yield item         #获得下一篇文章的url        urls = sel.xpath('//li[@class="next_article"]/a/@href').extract()        for url in urls:            print url            url = "http://blog.csdn.net" + url            print url            yield Request(url, callback=self.parse)

慢慢分析：

（1）download_delay参数设置为1，将下载器下载下一个页面前的等待时间设置为1s，也是防止被ban的策略之一。主要是减轻服务器端负载。

（2）从response中抽取文章链接与文章题目，编码为utf-8。注意yield的使用。

（3）抽取“下一篇”的url，由于抽取后缺少http://blog.csdn.net部分，所以补充。两个print只为调试，无实际意义。重点在于

yield Request(url, callback=self.parse)

也就是将新获取的request返回给引擎，实现继续循环。也就实现了“自动下一网页的爬取”。

五. 执行

scrapy crawl CSDNBlog