这篇文章主要介绍了Python scrapy增量爬取实例及实现过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值。

　　开始接触爬虫的时候还是初学Python的那会，用的还是request、bs4、pandas，再后面接触scrapy做个一两个爬虫，觉得还是框架好，可惜都没有记录都忘记了，现在做推荐系统需要爬取一定的文章，所以又把scrapy捡起来。趁着这次机会做一个记录。

　　目录如下：

　　环境

　　本地窗口调试命令

　　工程目录

　　xpath选择器

　　一个简单的增量爬虫示例

　　配置介绍

　　环境

　　自己的环境下安装scrapy肯定用anaconda(再次强调anaconda的优越性

　　本地窗口调试与运行

　　开发的时候可以利用scrapy自带的调试功能进行模拟请求，这样request、response都会与后面代码保持一样。

　　# 测试请求某网站

　　scrapy shell URL

　　# 设置请求头

　　scrapy shell -s USER_AGENT="Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0" URL

　　# 指定爬虫内容输出文件格式(json、csv等

　　scrapy crawl SPIDER_NAME -o FILE_NAME.csv

　　# 创建爬虫工程

　　scrapy startproject articles # 在当前目录创建一个scrapy工程

　　新工程结构介绍

　　# spiders文件下存放所有爬虫，item.py格式化数据输出

　　# middlewares.py 设置请求细节(请求头之类的)，pipelines.py为数据输出的管道，每一个封装好的item都会经过这里

　　# settings.py 对工程进行全局设置(存放配置

　　├── articles

　　│ ├── articles

　　│ │ ├── __init__.py

　　│ │ ├── items.py

　　│ │ ├── middlewares.py

　　│ │ ├── pipelines.py

　　│ │ ├── settings.py

　　│ │ └── spiders

　　│ │ ├── healthy_living.py

　　│ │ ├── __init__.py

　　│ │ └── people_health.py

　　│ └── scrapy.cfg

　　├── README.en.md

　　└── README.md

　　页面解析神器——Xpath选择器

　　scrapy自带xpath选择器，很方便，简单介绍一些常用的

　　# 全站爬取神器--LinkExtractor，可以自动获取该标签下的所有url跟text(因为网站结构大都一个套路

　　from scrapy.linkextractors import LinkExtractor

　　le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")# 返回一个迭代器，通过循环(for i in le)，可获取url(i.url) (i.text)

　　# 获取属性class为所有aa的div标签内容中的内容

　　response.xpath("//div[@class='aa']/text()").extract() # '//'代表获取所有，'/'代表获取第一个，类似的可以找属性为ul的其它标签

　　# 获取内容包含“下一页”的所有a标签中包含的链接(提取下一页链接神器

　　response.xpath("//a[contains(text(),'下一页')]/@href").extract()

　　一个简单的增量爬取示例

　　这里增量爬取的思想很简单：目标网站的数据都是按照时间排列的，所以在对某个连接进行request之前，先查询数据库中有没有这条数据，如果有，就停止爬虫，如果没有发起请求

　　class HealthyLiving(scrapy.Spider):

　　# 一定要一个全局唯一的爬虫名称，命令行启动的时候需要指定该名称

　　name = "healthy_living"

　　# 指定爬虫入口，scrapy支持多入口，所以一定是lis形式

　　start_urls = ['http://www.jkb.com.cn/healthyLiving/']

　　'''

　　抓取大类标签入口

　　'''

　　def parse(self, response):

　　le = LinkExtractor(restrict_xpaths="//ul[@class='nav2_UL_1 clearFix']")

　　for link in le.extract_links(response)[1:-1]:

　　tag = link.text

　　# 将这一级提取到的信息，通过请求头传递给下一级(这里是为了给数据打标签

　　meta = {"tag": tag}

　　# 依次解析每一个链接，并传递到下一级进行继续爬取

　　yield scrapy.Request(link.url, callback=self.parse_articles, meta=meta)

　　'''

　　抓取页面内的文章链接及下一页链接

　　'''

　　def parse_articles(self, response):

　　# 接收上一级传递的信息

　　meta = response.meta

　　article_links = response.xpath("//div[@class='txt']/h4/a/@href").extract()

　　for link in article_links:

　　res = self.collection.find_one({"article_url": link}, {"article_url": 1})

　　full_meta = dict(meta)

　　# 将文章链接传入下一级

　　full_meta.update({"article_url": link})

　　if res is None:

　　yield scrapy.Request(link, callback=self.parse_article, meta=full_meta)

　　else:

　　return

　　next_page = response.xpath("//div[@class='page']//a[contains(text(),'»')]/@href").extract()[0]

　　if next_page:

　　yield scrapy.Request(next_page, callback=self.parse_articles, meta=meta)

　　# 最后解析页面，并输出

　　def parse_article(self, response):

　　# 从item.py中导入数据封装格式

　　article_item = ArticlesItem()

　　meta = response.meta

　　# 利用xpath提取页面信息并封装成item

　　try:

　　article_item["tag"] = ""

　　# ... 省略

　　finally:

　　yield article_item

　　工程配置介绍

　　设置请求头、配置数据库

　　# 设置请求头，在middlewares.py中设定，在settings.py中启用

　　class RandomUA(object):

　　user_agents = [

　　"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit"

　　"/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36",

　　"Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11", 郑州妇科医院哪家好 http://mobile.120zzzy.com/

　　"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit"

　　"/534.16 (KHTML, like Gecko) Chrome/10.0.648.133 Safari/534.16"

　　]

　　def process_request(self, request, spider):

　　request.headers["User-Agent"] = random.choice(self.user_agents)

　　# 设置数据入库处理，在pipeline.py进行配置，在settings.py进行启用

　　class MongoPipeline(object):

　　def __init__(self, mongo_uri, mongo_db):

　　self.mongo_uri = mongo_uri

　　self.mongo_db = mongo_db

　　@classmethod

　　def from_crawler(cls, crawler):

　　return cls(

　　mongo_uri=crawler.settings.get('MONGO_URI'),

　　mongo_db=crawler.settings.get('MONGO_DB')

　　)

　　def open_spider(self, spider):

　　print("开始爬取", datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))

　　self.client = pymongo.MongoClient(self.mongo_uri)

　　self.db = self.client[self.mongo_db]

　　def process_item(self, item, spider):

　　data = self.db[item.collection].find_one({"title": item["title"], "date": item["date"]})

　　if data is None:

　　self.db[item.collection].insert(dict(item))

　　# else:

　　# self.close_spider(self, spider)

　　return item

　　def close_spider(self, spider):

　　print("爬取结束", datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))

　　self.client.close()[添加链接描述](https://jq.qq.com/?_wv=1027&k=5ipV5It)

　　# 在settings.py启动：请求头的修改，数据库的配置

　　DOWNLOADER_MIDDLEWARES = {

　　# 'articles.middlewares.ArticlesDownloaderMiddleware': 543,

　　'articles.middlewares.RandomUA': 543,# 543代表优先级，数字越低优先级越高

　　}

　　ITEM_PIPELINES = {

　　'articles.pipelines.MongoPipeline': 300,

　　}

　　# 一些其它配置

　　ROBOTSTXT_OBEY = True # 是否遵守网站的robot协议

　　FEED_EXPORT_ENCODING = 'utf-8' # 指定数据输出的编码格式

　　## 数据库配置

　　MONGO_URI = ''

　　MONGO_DB = ''

　　MONGO_PORT = 27017

　　MONGO_COLLECTION = ''