scrapy 프레임 의 파충류

23011 단어
우리 의 이 파충류 디자인 은 경 동 도서 (jd. com) 를 기어 오 르 기 위해 설계 되 었 다.
scrapy 프레임 워 크 는 여러분 이 잘 아 실 거 라 고 믿 습 니 다.안에 매우 많은 복잡 한 메커니즘 이 있어 본문의 범 위 를 넘 어 섰 다.
 
1. 파충류 거미
tips:
1. xpath 의 문법 은 비교적 구덩이 이지 만 chrome 에 xpath helper 를 설치 하여 xpath 정규 표현 식 을 쉽게 해결 할 수 있 습 니 다.
2. 동태 적 인 내용, 예 를 들 어 가격 등 은 얻 을 수 없 는 것 이다.
3. 본 코드 에서 일부 코드 를 추출 하여 xpath 대상 과 관련 된 체인 호출 을 참고 할 수 있 습 니 다.
# -*- coding: utf-8 -*-

# import scrapy #            ,    
from scrapy.spiders import Spider
from scrapy.selector import Selector
from scrapy import Request
from scrapy.linkextractors.lxmlhtml import LxmlLinkExtractor

from jdbook.items import JDBookItem  #      pyCharm          ,   


class JDBookSpider(Spider):
    name = "jdbook"
    allowed_domains = ["jd.com"]  #
    start_urls = [
        #   url,        tid  , 0     
        "http://item.jd.com/11678007.html"
    ]

    #         ,  chrome           cookie       ,     
    cookies = {}

    #        http   ,                 ,      
    headers = {
        # 'Connection': 'keep - alive',
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'
    }

    #              
    meta = {
        'dont_redirect': True,  #        
        'handle_httpstatus_list': [301, 302]  #            
    }

    def get_next_url(self, old_url):
        '''
        description:        url
        :param oldUrl:        url
        :return:       url
        '''
        #    url  :http://www.heartsong.top/forum.php?mod=viewthread&tid=34
        list = old_url.split('/')  #        
        old_item_id = int(list[3].split('.')[0])
        new_item_id = old_item_id - 1
        if new_item_id == 0:  #   tid   0 ,      ,       
            return
        new_url = '/'.join([list[0], list[1], list[2], str(new_item_id)+ '.html'])  #      url
        return str(new_url)  #     url

    def start_requests(self):
        """
                ,          Request  
        :return:
        """
        #   headers、cookies   self.start_urls[0],   response    
        #     parse 
        yield Request(self.start_urls[0], callback=self.parse, headers=self.headers, cookies=self.cookies, meta=self.meta)

    def parse(self, response):
        """
                  
        :param response:
        :return:
        """
        selector = Selector(response)
        item = JDBookItem()
        extractor = LxmlLinkExtractor(allow=r'http://item.jd.com/\d.*html')
        link = extractor.extract_links(response)
        try:
            item['_id'] =  response.url.split('/')[3].split('.')[0]
            item['url'] = response.url
            item['title'] = selector.xpath('/html/head/title/text()').extract()[0]
            item['keywords'] = selector.xpath('/html/head/meta[2]/@content').extract()[0]
            item['description'] = selector.xpath('/html/head/meta[3]/@content').extract()[0]
            item['img'] = 'http:' + selector.xpath('//*[@id="spec-n1"]/img/@src').extract()[0]
            item['channel'] = selector.xpath('//*[@id="root-nav"]/div/div/strong/a/text()').extract()[0]
            item['tag'] = selector.xpath('//*[@id="root-nav"]/div/div/span[1]/a[1]/text()').extract()[0]
            item['sub_tag'] = selector.xpath('//*[@id="root-nav"]/div/div/span[1]/a[2]/text()').extract()[0]
            item['value'] = selector.xpath('//*[@id="root-nav"]/div/div/span[1]/a[2]/text()').extract()[0]
            comments = list()
            node_comments = selector.xpath('//*[@id="hidcomment"]/div')
            for node_comment in node_comments:
                comment = dict()
                node_comment_attrs = node_comment.xpath('.//div[contains(@class, "i-item")]')
                for attr in node_comment_attrs:
                    url = attr.xpath('.//div/strong/a/@href').extract()[0]
                    comment['url'] = 'http:' + url
                    content = attr.xpath('.//div/strong/a/text()').extract()[0]
                    comment['content'] = content
                    time = attr.xpath('.//div/span[2]/text()').extract()[0]
                    comment['time'] = time
                comments.append(comment)
            item['comments'] = comments
        except Exception, ex:
            print 'something wrong', str(ex)
        print 'success, go for next'
        yield item

        next_url = self.get_next_url(response.url)  # response.url      url
        if next_url != None:  #        url
            yield Request(next_url, callback=self.parse, headers=self.headers, cookies=self.cookies, meta=self.meta)

 
2. 저장 관: pipelines
tips:
1. 본 pipelines 는 기어 오 르 는 데 이 터 를 mongo 에 저장 합 니 다. 로 컬 파일 을 쓰 는 것 보다 믿 을 수 있 습 니 다. 특히 다 중 인 스 턴 스 나 분포 식 상황 입 니 다.
# -*- coding: utf-8 -*-

import pymongo
from datetime import datetime
from scrapy.exceptions import DropItem


class JDBookPipeline(object):
    def __init__(self, mongo_uri, mongo_db, mongo_coll):
        self.ids = set()
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db
        self.mongo_coll = mongo_coll

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB'),
            mongo_coll=crawler.settings.get('MONGO_COLL')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        #              
        # self.client.admin.authenticate(settings['MINGO_USER'], settings['MONGO_PSW'])
        self.db = self.client[self.mongo_db]
        self.coll = self.db[self.mongo_coll]

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        if item['_id'] in self.ids:
            raise DropItem("Duplicate item found: %s" % item)
        if item['channel'] != u'  ':
            raise Exception('not book')
        else:
            #self.coll.insert(dict(item))
            #        collection    
            self.ids.add(item['_id'])
            collection_name = item.__class__.__name__ + '_' + str(datetime.now().date()).replace('-', '')
            self.db[collection_name].insert(dict(item))
            return item

 
3. 데이터 구조: items
tips:
1, scrapy 의 item 보고 웃 었 다.
# -*- coding: utf-8 -*-

import scrapy


class JDBookItem(scrapy.Item):
    _id = scrapy.Field()
    title = scrapy.Field()
    url = scrapy.Field()
    keywords = scrapy.Field()
    description = scrapy.Field()
    img = scrapy.Field()
    channel = scrapy.Field()
    tag = scrapy.Field()
    sub_tag = scrapy.Field()
    value = scrapy.Field()
    comments = scrapy.Field()

 
4. scrapyd 배치
많은 친구 들 이 분포 식 파충류, 예 를 들 어 셀 리 미 션 을 통 해 scarpy 파충류 미 션 을 바 꾸 려 고 한다.
하지만 불행 하 게 도 스 크 래 피 가 이런 방식 을 이 루 려 는 것 은 쉽 지 않다.비교적 좋 은 방법 은 scrapyd 로 파충류 임 무 를 관리 하 는 것 이다.
python 환경 에 세 개의 물건 이 설치 되 어 있다 는 것 을 보증 해 야 합 니 다.
source kangaroo.env/bin/activate
pip install scrapy scrapyd scrapyd-client

spider 경로 에서 scrapyd 데 몬 을 시작 합 니 다.
scrapyd

다음은 spider 를 등록 하고 프로필 scrapy. cfg 를 작성 하 십시오. 
# Automatically created by: scrapy startproject
#
# For more information about the [deploy] section see:
# https://scrapyd.readthedocs.org/en/latest/deploy.html


[settings]
default = jdbook.settings


[deploy:jdbook]
url = http://localhost:6800/
project = jdbook

등록 을 시작 하 다
#  spider
scrapyd-deploy -p jdbook -d jdbook
#      spider
scrapyd-deploy -l
:jdbook               http://localhost:6800/

이렇게 해서 이미 등록 을 다 했 습 니 다.
파충류 시작 / 정지:
curl -XPOST http://10.94.99.55:6800/schedule.json? -d project=jdbook -d spider=jdbook
:{"status": "ok", "jobid": "9d50b3dcabfc11e69aa3525400128d39", "node_name": "kvm33093.sg"}
curl -XPOST http://10.94.99.55:6800/cancel.json? -d project=jdbook -d job=9d50b3dcabfc11e69aa3525400128d39
:{"status": "ok", "prevstate": "running", "node_name": "kvm33093.sg"}

 이로써 celery 퀘 스 트 에서 파충 류 를 호출 할 수 있 습 니 다. 위의 url 만 보 내 면 됩 니 다.
각 파충 류 는 서로 다른 기계 에 보관 하여 분포 식 기어 오 르 기 를 실현 할 수 있다.
 
다음으로 전송:https://www.cnblogs.com/kangoroo/p/6071501.html

좋은 웹페이지 즐겨찾기