快速入门Scrapy--打赏用什么措辞最吸金？
ljf_open
8年前
<p>Scrapy是一款网络爬虫框架，官方文档的描述如下：</p> <p>Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。</p> <p>其最初是为了 页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。</p> <p>以前写小型爬虫的话还可以自己写，用urllib,BeautifulSoup,Requests什么的就能解决了，后来我发现遇到一个新问题又得重新来一遍这些代码，又得去看前面是怎么写的，而且自己写容易怎么高兴怎么来，代码写的太乱，不好维护，过段时间再来看又要花时间才能看懂。</p> <p>用框架的好处就是代码结构清晰，代码重用，不用对新的问题又重新来一遍代码，而且功能更强大，能快速解决自己手写代码所不能短时间解决的问题。</p> <h2>平台</h2> <ul> <li>Windows 8.1</li> <li>Python 2.7.10</li> <li>简书</li> </ul> <h2>Scrapy安装</h2> <p>Scrapy完美支持Python 2.x，虽然现在已经慢慢在支持Python 3.x了，但是可能还会遇到不少情况。我刚开始学习Scrapy想用Python 3.5的，都安装好了，但是运行的时候还是有引包错误：</p> <pre> <code class="language-python">ImportError: cannot import module '_win32stdio' </code></pre> <p>搜了一些，也没有解决，而且后面可能还会有很多问题，就暂时等一等它们的更新吧，先用回2.7，解决问题再说。<br> （By the way,看到了下面这个）<br> <img src="https://simg.open-open.com/show/159e7d66c1f41954b2fb00e871a8502c.png"></p> <p>在Windows,Python 3.x下不能简单的 pip install scrapy 来一条龙安装scrapy，因为中间会出一些错误。<br> 我参考了 <a href="/misc/goto?guid=4959673458558693565" rel="nofollow,noindex">【1】</a> 以及 <a href="/misc/goto?guid=4959673458650957349" rel="nofollow,noindex">【2】</a> ，采用安装wheel文件的方式极其有效。</p> <h3>Python 3.5下Scrapy安装步骤：</h3> <p>1.安装Python，这个不说了<br> 2.去 <a href="/misc/goto?guid=4959673458743237880" rel="nofollow,noindex">http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml</a> 下载合适你的Python版本的lxml的wheel文件，我下载的是 lxml-3.4.4-cp35-none-win32.whl ，下载3.6.0版本好像不得行，在我的平台上报错：<br> lxml-3.6.0-cp35-cp35m-win32.whl is not a supported wheel on this platform ，不支持我的平台。</p> <p>下载完后，将whl文件拷贝到Python安装目录下，然后cmd进入到你的Python安装目录，运行</p> <pre> <code class="language-python">pip3 install lxml-3.4.4-cp35-none-win32.whl </code></pre> <p>然后运行：</p> <pre> <code class="language-python">pip3 install scrapy </code></pre> <p>在cmd中输入scrapy，如果输出版本信息并没有报错，那么恭喜你，搞定了，是不是很爽！</p> <h3>Python 2.7下Scrapy的安装</h3> <p>Python2.7下直接 pip install scrapy ，如果报错，看报错的内容是什么，找出问题出在哪个依赖包上，在网上搜索该包的whl文件（符合版本），直接pip install whl文件 来安装就好了。我是问题处在twisted包上，所以去网上下载了老版本的twisted安装的。</p> <h2>开始项目</h2> <h3>项目目的</h3> <p>我们将所学的马上利用到实际问题中来。[5]</p> <p>爬取简书首页文章的打赏描述和打赏数，以企获得打赏描述对打赏数的影响</p> <p>其实打赏数这个东西和文章的质量是最相关的，但是通过大量数据的挖掘统计，是否能将这种相关性弱化一下，从而显露出打赏描述和打赏数的关系呢？这就有趣了，值得研究。而且还可以同时学习框架和做有趣的事，岂不是人生一大乐趣。</p> <h3>创建Scrapy项目</h3> <p>通过如下语句创建Scrapy项目：</p> <pre> <code class="language-python">scrapy startproject jianshu2 </code></pre> <p>然后会生成一个目录jianshu，目录结构如下：</p> <pre> <code class="language-bash">jianshu/ scrapy.cfg jianshu/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py </code></pre> <ul> <li>spiders目录存放主爬取代码，是整个项目的核心。需要在spider下自己新建自己的爬取程序。</li> <li>scrapy.cfg是项目的配置文件。</li> <li>settings.py是项目的设置文件。</li> <li>items.py定义我们要爬取的字段信息。</li> <li>pipelines.py是项目的管道文件。</li> </ul> <h3>定义items.py</h3> <p>首先定义我们需要爬取的字段：</p> <pre> <code class="language-python"># -*- coding: utf-8 -*- import scrapy class Jianshu2Item(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() url = scrapy.Field() likeNum = scrapy.Field() </code></pre> <h3>编写真正的Spider主爬程序</h3> <pre> <code class="language-python">import scrapy class postSpider(scrapy.spiders.Spider): name = 'post' start_urls = ['http://www.jianshu.com'] def parse(self, response): articles = response.xpath('//ul[@class="article-list thumbnails"]/li') for article in articles: url = article.xpath('div/h4/a/@href').extract() likeNum = article.xpath('div/div/span[2]/text()').extract() print(url,likeNum) </code></pre> <p>然后试着运行：</p> <pre> <code class="language-python">scrapy crawl post </code></pre> <p>来运行我们的爬虫，中间又报了一次”No module named win32api”错误，直接pip install pypiwin32即可。<br> 然后可以看到正确运行了，爬取了20篇文章后，爬虫自动停止，cmd中打印正常。<br> 中间用到了XPath来解析HTML，找到元素具体的位置，我们找到首页的HTML的第一篇文章：<br> <img src="https://simg.open-open.com/show/0e74546338c87c3b840d1cda934a29ee.png"></p> <pre> <code class="language-python">articles = response.xpath('//ul[@class="article-list thumbnails"]/li') </code></pre> <p>这句找到所有文章的HTML段，response是我们爬取时服务器返回的HTML。<br> 我们看到所有文章都包含在 <ul class="article-list thumbnails"> 中，并且以 <li class=have-img> 开头，所以就不难理解XPath中为什么这么写了。<br> 有BeautifulSoup基础的同学应该很好理解XPath了。</p> <h3>使用Item</h3> <p>我们爬取数据肯定不是为了打印出来看一下就算了，而是想要保存数据，一般来说，Spider爬取到数据之后通过items返回，还记得我们之前定义的items么，这时候就可以派上用场了。<br> 写出完整代码：</p> <pre> <code class="language-python">import scrapy from jianshu2.items import Jianshu2Item class postSpider(scrapy.spiders.Spider): name = 'post' start_urls = ['http://www.jianshu.com'] def parse(self, response): articles = response.xpath('//ul[@class="article-list thumbnails"]/li') for article in articles: url = article.xpath('div/h4/a/@href').extract() likeNum = article.xpath('div/div/span[2]/text()').extract() item = Jianshu2Item() item['url'] = 'http://www.jianshu.com/'+url[0] if likeNum == []: #print(url,likeNum) item['likeNum'] = 0 else: #print(url,int(likeNum[0].split(' ')[-1])) item['likeNum'] = int(likeNum[0].split(' ')[-1]) yield item </code></pre> <p>执行 scrapy crawl post -o items.json 就把数据保存到json中了。<br> yield 语句提交item。<br> 注意打赏有可能没有，所以span也没有，这里判断一下。</p> <p>数据如下：</p> <pre> <code class="language-python">[ [ {"url": "http://www.jianshu.com//p/6d7bf7d611aa", "likeNum": 1}, {"url": "http://www.jianshu.com//p/e47d86ce78d4", "likeNum": 0}, {"url": "http://www.jianshu.com//p/e69606806d6c", "likeNum": 0}, {"url": "http://www.jianshu.com//p/d7159874c59c", "likeNum": 2}, {"url": "http://www.jianshu.com//p/d38e8074ae94", "likeNum": 0}, {"url": "http://www.jianshu.com//p/6c8a0d0447cd", "likeNum": 0}, {"url": "http://www.jianshu.com//p/beff4ff80b25", "likeNum": 0}, {"url": "http://www.jianshu.com//p/d7e626cf02d7", "likeNum": 0}, {"url": "http://www.jianshu.com//p/524b13db9ce3", "likeNum": 1}, {"url": "http://www.jianshu.com//p/39449bcf9c28", "likeNum": 0}, {"url": "http://www.jianshu.com//p/970412b3c34d", "likeNum": 0}, {"url": "http://www.jianshu.com//p/2f98170f6eda", "likeNum": 1}, {"url": "http://www.jianshu.com//p/e91ab8e7a517", "likeNum": 0}, {"url": "http://www.jianshu.com//p/59a6caf3d965", "likeNum": 1}, {"url": "http://www.jianshu.com//p/ee5432e57dd3", "likeNum": 0}, {"url": "http://www.jianshu.com//p/00b7662bd335", "likeNum": 0}, {"url": "http://www.jianshu.com//p/1815b4071362", "likeNum": 1}, {"url": "http://www.jianshu.com//p/b00f7a2f0295", "likeNum": 0}, {"url": "http://www.jianshu.com//p/7f5fc5a01b75", "likeNum": 0}, {"url": "http://www.jianshu.com//p/84c10f2cf100", "likeNum": 0} ] </code></pre> <p>我们想将数据直接存在CSV这样的文件中怎么办呢？方法就是使用 <a href="/misc/goto?guid=4959673458829891557" rel="nofollow,noindex">Feed exports</a> ，在settings.py文件中添加：</p> <pre> <code class="language-python">FEED_URI=u'D:\Python27\jianshu2\jianshu2\spiders\data.csv' FEED_FORMAT='CSV' </code></pre> <p>第一次运行 scrapy crawl post -o data.csv ，然后后面不用加-o data.csv，即可输出到data.csv中。</p> <h3>获取求打赏声明</h3> <p>我们已经获得了url和打赏数，这已经是一个巨大的进步了。<br> 然而我们还需要根据这个url再进一步爬到文章里面去，并且我们希望在一个爬虫里面就解决了，不想搞很多爬虫。<br> 这时候问题转化为： 如何爬取需要的属性在不同页面的items？<br> 这时候我们加一个属性’quote’，这个属性在打开url的页面中。<br> 这时候，看到 <a href="/misc/goto?guid=4959673458917662458" rel="nofollow,noindex">这里</a> ，仿照它的写法，通过meta传递item参数，即相当于</p> <p>主函数先确定一些参数(‘url’,’likeNum’)，剩下的交给另一个函数去做，然后另一个函数算出’quote’参数后把item还给主函数，主函数整合一下item，然后yield生成就好了。</p> <p>部分代码：</p> <pre> <code class="language-python">request = Request(posturl,callback=self.parse_donate) request.meta['item'] = item yield request ... def parse_donate(self, response): donate = response.xpath('//div[@class="support-author"]/p/text()').extract() item = response.meta['item'] if len(str(donate)) == 0: item['quote'] = "" else: item['quote'] = str(donate[0].encode('utf-8')) return item </code></pre> <h3>爬取多页</h3> <p>这时候我们发现爬的太少了，只有20篇。又看到首页下面有一个【点击查看更多】按钮，我们试着在代码中‘按下’这个按钮，然后获取下面内容的url，递归调用parse即可添加更多的文章。</p> <pre> <code class="language-python">next_link = selector.xpath('//*[@id="list-container"]/div[@class="load-more"]/button/@data-url').extract()[0] if next_link: next_link = self.url + str(next_link) yield Request(next_link,callback=self.parse) </code></pre> <h3>通过Pipeline写入json文件</h3> <p>有了item之后，item会被传递给Item Pipeline，我们可以在pipelines.py中对item做一些操作。</p> <p>Item Pipeline的典型应用如下，更多见中文文档。</p> <ul> <li>清洗HTML数据</li> <li>验证item中的数据</li> <li>查重或者丢弃</li> <li>保存结果到文件(json,数据库,csv等）</li> </ul> <p>于是我们编写pipelines.py如下：</p> <pre> <code class="language-python">import json import codecs class Jianshu2Pipeline(object): def __init__(self): self.file = codecs.open('items.json','wb','utf-8') def process_item(self, item, spider): line = json.dumps(dict(item)) + "\n" self.file.write(line.decode("unicode_escape")) return item </code></pre> <p>不得不用codecs来解决编码问题。Python在Windows下的编码真让人头疼。<br> 这时候我们写道json中，其实url都可以去掉了，我们并不关心。<br> 效果如下：<br> <img src="https://simg.open-open.com/show/241ced2127df0d426c5f4ff0e7e5c63c.png"></p> <h3>合并打赏描述，根据打赏数排序</h3> <p>修改pipelines.py文件，用一个全局的字典dict记录每种语句的打赏数之和，然后根据打赏数排序，写到新的csv文件中。</p> <pre> <code class="language-python"># -*- coding: utf-8 -*- import json import codecs from operator import itemgetter class Jianshu2Pipeline(object): def __init__(self): self.file = codecs.open('items.json','wb','utf-8') self.quote = {} self.filecsv = codecs.open('items.csv','w','utf-8') def process_item(self, item, spider): line = json.dumps(dict(item)) + "\n" self.file.write(line.decode("unicode_escape")) if item['quote'] in self.quote.keys(): self.quote[item['quote']] += item['likeNum'] else: self.quote[item['quote']] = item['likeNum'] self.filecsv.seek(0) lis = sorted(self.quote.items(),key=itemgetter(1),reverse=True) for i in range(len(lis)): line2 = lis[i][0] + '\t' + str(lis[i][1]) + '\r\n' self.filecsv.write(line2.decode("utf-8")) return item </code></pre> <p><img src="https://simg.open-open.com/show/9842daa2b0caa37343e9044aa0cfa131.png"></p> <h2>结语</h2> <p>由结果可以看出，第一条打赏数最多，不难理解，因为这句是默认的打赏描述，所以使用的基数很大，所以不能说明什么。由于数据量太少，只能爬6页，所以还不是很能说明问题。但是学习scrapy，了解scrapy的目的已经初步达到了，虽然还只是初步学习。但是找出统计上相对能够吸引人打赏的描述的目的还没有达到，需要加大数据量。</p> <p>由结果还可以看出，其实打赏描述的个性化挺强的，很多都是个人信息。所以呢，还是要大数据。</p> <p>查看源码点击进入我的Github: <a href="/misc/goto?guid=4959673459005056363" rel="nofollow,noindex">本文源码</a></p> <p> </p> <p>来自： <a href="/misc/goto?guid=4959673459087071619" rel="nofollow">http://whatbeg.com/2016/05/19/learnscrapy.html</a></p> <p> </p>