摘要：背景一個國人編寫的強大的網絡爬蟲系統(tǒng)并帶有強大的。框架學習時走過的一些坑錯誤我所遇到的一些錯誤首先，本爬蟲目標使用框架爬取網站的帖子中的問題和內容，然后將爬取的數(shù)據(jù)保存在本地。修飾器，表示每天會執(zhí)行一次，這樣就能抓到最新的帖子了。

背景：

PySpider：一個國人編寫的強大的網絡爬蟲系統(tǒng)并帶有強大的WebUI。采用Python語言編寫，分布式架構，支持多種數(shù)據(jù)庫后端，強大的WebUI支持腳本編輯器，任務監(jiān)視器，項目管理器以及結果查看器。在線示例： http://demo.pyspider.org/

官方文檔： http://docs.pyspider.org/en/l...

Github : https://github.com/binux/pysp...

本文爬蟲代碼 Github 地址：https://github.com/zhisheng17...

更多精彩文章可以在微信公眾號：猿blog 閱讀到，歡迎關注。

說了這么多，我們還是來看正文吧！

前提:

你已經安裝好了Pyspider 和 MySQL-python（保存數(shù)據(jù)）

如果你還沒安裝的話，請看看我的前一篇文章，防止你也走彎路。

Pyspider 框架學習時走過的一些坑

HTTP 599: SSL certificate problem: unable to get local issuer certificate錯誤

我所遇到的一些錯誤：

首先，本爬蟲目標：使用 Pyspider 框架爬取 V2EX 網站的帖子中的問題和內容，然后將爬取的數(shù)據(jù)保存在本地。

V2EX 中大部分的帖子查看是不需要登錄的，當然也有些帖子是需要登陸后才能夠查看的。（因為后來爬取的時候發(fā)現(xiàn)一直 error ，查看具體原因后才知道是需要登錄的才可以查看那些帖子的）所以我覺得沒必要用到 Cookie，當然如果你非得要登錄，那也很簡單，簡單地方法就是添加你登錄后的 cookie 了。

我們在 https://www.v2ex.com/ 掃了一遍，發(fā)現(xiàn)并沒有一個列表能包含所有的帖子，只能退而求其次，通過抓取分類下的所有的標簽列表頁，來遍歷所有的帖子： https://www.v2ex.com/?tab=tech 然后是 https://www.v2ex.com/go/progr... 最后每個帖子的詳情地址是 （舉例）： https://www.v2ex.com/t/314683...

創(chuàng)建一個項目

在 pyspider 的 dashboard 的右下角，點擊 “Create” 按鈕

替換 on_start 函數(shù)的 self.crawl 的 URL：

@every(minutes=24 * 60)
    def on_start(self):
        self.crawl("https://www.v2ex.com/", callback=self.index_page, validate_cert=False)

self.crawl 告訴 pyspider 抓取指定頁面，然后使用 callback 函數(shù)對結果進行解析。

@every) 修飾器，表示 on_start 每天會執(zhí)行一次，這樣就能抓到最新的帖子了。

validate_cert=False 一定要這樣，否則會報 HTTP 599: SSL certificate problem: unable to get local issuer certificate錯誤

首頁：

點擊綠色的 run 執(zhí)行，你會看到 follows 上面有一個紅色的 1，切換到 follows 面板，點擊綠色的播放按鈕：

第二張截圖一開始是出現(xiàn)這個問題了，解決辦法看前面寫的文章，后來問題就不再會出現(xiàn)了。

Tab 列表頁 :

在 tab 列表頁 中，我們需要提取出所有的主題列表頁 的 URL。你可能已經發(fā)現(xiàn)了，sample handler 已經提取了非常多大的 URL

代碼：

@config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/?tab="]").items():
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)

由于帖子列表頁和 tab列表頁長的并不一樣，在這里新建了一個 callback 為 self.tab_page

@config (age=10  24  60 * 60) 在這表示我們認為 10 天內頁面有效，不會再次進行更新抓取

Go列表頁 :

代碼：

@config(age=10 * 24 * 60 * 60)
    def tab_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/go/"]").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)

帖子詳情頁（T）:

你可以看到結果里面出現(xiàn)了一些reply的東西，對于這些我們是可以不需要的，我們可以去掉。

同時我們還需要讓他自己實現(xiàn)自動翻頁功能。

代碼：

@config(age=10 * 24 * 60 * 60)
    def board_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/t/"]").items():
            url = each.attr.href
            if url.find("#reply")>0:
                url = url[0:url.find("#")]
            self.crawl(url, callback=self.detail_page, validate_cert=False)
        for each in response.doc("a.page_normal").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False) #實現(xiàn)自動翻頁功能

去掉后的運行截圖：

實現(xiàn)自動翻頁后的截圖：

此時我們已經可以匹配了所有的帖子的 url 了。

點擊每個帖子后面的按鈕就可以查看帖子具體詳情了。

代碼：

@config(priority=2)
    def detail_page(self, response):
        title = response.doc("h1").text()
        content = response.doc("div.topic_content").html().replace(""", """)
        self.add_question(title, content)  #插入數(shù)據(jù)庫
        return {
            "url": response.url,
            "title": title,
            "content": content,
        }

插入數(shù)據(jù)庫的話，需要我們在之前定義一個add_question函數(shù)。

#連接數(shù)據(jù)庫
def __init__(self):
        self.db = MySQLdb.connect("localhost", "root", "root", "wenda", charset="utf8")

    def add_question(self, title, content):
        try:
            cursor = self.db.cursor()
            sql = "insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)" % (title, content, random.randint(1, 10) , "now()");   #插入數(shù)據(jù)庫的SQL語句
            print sql
            cursor.execute(sql)
            print cursor.lastrowid
            self.db.commit()
        except Exception, e:
            print e
            self.db.rollback()

查看爬蟲運行結果：

先debug下，再調成running。pyspider框架在windows下的bug

設置跑的速度，建議不要跑的太快，否則很容易被發(fā)現(xiàn)是爬蟲的，人家就會把你的IP給封掉的

查看運行工作

查看爬取下來的內容

然后再本地數(shù)據(jù)庫GUI軟件上查詢下就可以看到數(shù)據(jù)已經保存到本地了。

自己需要用的話就可以導入出來了。

在開頭我就告訴大家爬蟲的代碼了，如果詳細的看看那個project，你就會找到我上傳的爬取數(shù)據(jù)了。（僅供學習使用，切勿商用！）

當然你還會看到其他的爬蟲代碼的了，如果你覺得不錯可以給個 Star，或者你也感興趣的話，你可以fork我的項目，和我一起學習，這個項目長期更新下去。

最后：

代碼：

# created by 10412
# !/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2016-10-20 20:43:00
# Project: V2EX

from pyspider.libs.base_handler import *

import re
import random
import MySQLdb

class Handler(BaseHandler):
    crawl_config = {
    }

    def __init__(self):
        self.db = MySQLdb.connect("localhost", "root", "root", "wenda", charset="utf8")

    def add_question(self, title, content):
        try:
            cursor = self.db.cursor()
            sql = "insert into question(title, content, user_id, created_date, comment_count) values ("%s","%s",%d, %s, 0)" % (title, content, random.randint(1, 10) , "now()");
            print sql
            cursor.execute(sql)
            print cursor.lastrowid
            self.db.commit()
        except Exception, e:
            print e
            self.db.rollback()


    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl("https://www.v2ex.com/", callback=self.index_page, validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/?tab="]").items():
            self.crawl(each.attr.href, callback=self.tab_page, validate_cert=False)


    @config(age=10 * 24 * 60 * 60)
    def tab_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/go/"]").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)


    @config(age=10 * 24 * 60 * 60)
    def board_page(self, response):
        for each in response.doc("a[href^="https://www.v2ex.com/t/"]").items():
            url = each.attr.href
            if url.find("#reply")>0:
                url = url[0:url.find("#")]
            self.crawl(url, callback=self.detail_page, validate_cert=False)
        for each in response.doc("a.page_normal").items():
            self.crawl(each.attr.href, callback=self.board_page, validate_cert=False)


    @config(priority=2)
    def detail_page(self, response):
        title = response.doc("h1").text()
        content = response.doc("div.topic_content").html().replace(""", """)
        self.add_question(title, content)  #插入數(shù)據(jù)庫
        return {
            "url": response.url,
            "title": title,
            "content": content,
        }