摘要：分析使用爬蟲爬取網站，并按事先的要求將需要的項目保存到數據庫中，然后再使用框架編寫一個服務器講數據庫中的數據讀出來，最后用編寫一個應用將數據顯示出來。實現爬蟲實現上圖是的文檔結構，下面主要介紹幾個文件。

使用爬蟲爬取網站page，并按事先的要求將需要的項目保存到數據庫中，然后再使用python flask框架編寫一個web 服務器講數據庫中的數據讀出來，最后用swift編寫一個應用將數據顯示出來。我這里選區的所要爬取的網站是豆瓣電影網。

爬蟲：使用python的scrapy爬蟲
數據庫：使用mongoDB，存儲網頁只需要key和value形式進行存儲就好了，所以在這里選擇mongoDB這種NOSQL數據庫進行存儲
服務器：使用python的flask框架，用了你就知道幾行代碼就能完成很多事情，當然特別是flask可以根據需要組裝空間，超輕量級。

scrapy爬蟲實現

上圖是scrapy的文檔結構，下面主要介紹幾個文件。

a. items.py

from scrapy.item import Item, Field
import scrapy
class TopitmeItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = Field()
    dataSrc = Field()
    dataId = Field()
    filmReview = Field()
    startCount = Field()
這里可以把items.py看作是mvc中的model，在items里我們定義了自己需要的模型。

b. pipelines.py

import pymongo
from scrapy.conf import settings
from scrapy.exceptions import DropItem
from scrapy import log
class MongoDBPipeline(object):
    def __init__(self):
        connection = pymongo.MongoClient(
            settings["MONGODB_SERVER"],
            settings["MONGODB_PORT"]
        )
        db = connection[settings["MONGODB_DB"]]
        self.collection = db[settings[‘MONGODB_COLLECTION’]]
    def process_item(self, item, spider):
        valid = True
        for data in item:
            if not data:
                valid = False
                raise DropItem("Missing {0}!".format(data))
        if valid:
            self.collection.insert(dict(item))
            log.msg("Beauty added to MongoDB database!",
                    level=log.DEBUG, spider=spider)
        return item

俗稱管道，這個文件主要用來把我們獲取的item類型存入mongodb

c. settings.py

BOT_NAME = "topitme"
SPIDER_MODULES = ["topitme.spiders"]
NEWSPIDER_MODULE = "topitme.spiders"
BOT_NAME = "topitme"
ITEM_PIPELINES = ["topitme.pipelines.MongoDBPipeline",]
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "topitme"
MONGODB_COLLECTION = "beauty"
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = "topitme (+http://www.yourdomain.com)"

這里需要設置一些常量，例如mongodb的數據庫名，數據庫地址和數據庫端口號等等

d. topitme_scrapy.py

from scrapy import Spider
from scrapy.selector import Selector
from topitme.items import TopitmeItem

import sys
reload(sys)
sys.setdefaultencoding(‘utf8’)#設置默認編碼格式

class topitmeSpider(Spider):
    name = "topitmeSpider"
    allowed_domin =["movie.douban.com"]
    start_urls = [
        "http://movie.douban.com/review/latest/",
    ]
    def parse(self, response):
        results = Selector(response).xpath("http://ul[@class="tlst clearfix"]")
        for result in results:
            item = TopitmeItem()
            # item["title"] = result.xpath("li[@class="ilst"]/a/@src").extract()[0]
            item["title"] = result.xpath("li[@class="ilst"]/a/@title").extract()[0].encode("utf-8")
            item["dataSrc"] = result.xpath("li[@class="ilst"]/a/img/@src").extract()[0]
            item["filmReview"] = result.xpath("li[@class="clst report-link"]/div[@class="review-short"]/span/text()").extract()[0].encode("utf-8")
            item["dataId"] = result.xpath("li[@class="clst report-link"]/div[@class="review-short"]/@id").extract()[0]
            item["dataId"] = result.xpath("li[@class="nlst"]/h3/a/@title").extract()[0]
            item["startCount"] = 0
            yield item

# ul[@class="tlst clearfix"]/li[3]/div[1]
# //ul[@class="tlst clearfix"]/li[@class="ilst"]/a/img/@src

這個文件是爬蟲程序的主要代碼，首先我們定義了一個類名為topitmeSpider的類，繼承自Spider類，然后這個類有3個基礎的屬性，name表示這個爬蟲的名字，等一下我們在命令行狀態啟動爬蟲的時候，爬蟲的名字就是name規定的。
allowed_domin意思就是指在movie.douban.com這個域名爬東西。
start_urls是一個數組，里面用來保存需要爬的頁面，目前我們只需要爬首頁。所以只有一個地址。
然后def parse就是定義了一個parse方法（肯定是override的，我覺得父類里肯定有一個同名方法），然后在這里進行解析工作，這個方法有一個response參數，你可以把response想象成，scrapy這個框架在把start_urls里的頁面下載了，然后response里全部都是html代碼和css代碼。這之中最主要的是涉及一個xpath的東西，XPath即為XML路徑語言，它是一種用來確定XML（標準通用標記語言的子集）文檔中某部分位置的語言。可以通過xpath定位到我們想要獲取的元素。

服務器

使用python的flask框架實現

from flask import Flask, request
import json
from bson import json_util
from bson.objectid import ObjectId
import pymongo

app = Flask(__name__)

client = pymongo.MongoClient()
db = client["topitme"]
def toJson(data):
    return json.dumps(data, default=json_util.default)

@app.route("/FilmReview", methods=["GET"])

def findMovie():
    if request.method == "GET":
        json_results = []
        for result in results:
            json_results.append(result)
        return toJson(json_results)

if __name__ == "__main__":
    app.run(debug=True)



首先可以看到代碼，client，db兩個參量是為了取得數據庫連接。
findMovie函數響應http request，然后返回數據庫數據，以JSON形式返回

swift

ios的實現就不詳細介紹了，這里寫這部分只是為了，驗證結果。

起服務器：

起數據庫：

運行爬蟲：

訪問服務器：http://localhost:5000/FileReview 可以看到數據已經存儲到數據庫中了

ios運行情況：

下面是原網站網頁展示，可以看到所要的數據存儲到數據庫，并且正常顯示出來