Python-基于Python3的动态网站爬虫

# 爬虫Windows环境搭建 ## 安装需要的程序包 - Python3.4.3 > https://pan.baidu.com/s/1pK8KDcv - pip9.0.1 > https://pan.baidu.com/s/1mhNdRN6 - 编辑器pycharm > https://pan.baidu.com/s/1i4Nkdk5 - pywin32 > http://pan.baidu.com/s/1pKZiZWZ - pyOpenSSL > http://pan.baidu.com/s/1hsgOQJq - windows_sdk > http://pan.baidu.com/s/1hrM6iRa - phantomjs > http://pan.baidu.com/s/1nvHm5AD ## 安装过程 ### 安装基础环境 1. 安装Python安装包，一路Next 2. 将Python的安装目录添加到环境变量Path中 3. win + r 输入Cmd打开命令行窗口，输入Python 测试是否安装成功 ### 安装pip > pip的作用相当于linux的yum，安装之后可以采用命令行的方式在线安装一些依赖包 1. 解压pip压缩包到某一目录（推荐与Python基础环境目录同级） 2. cmd窗口进入pip解压目录 3. 输入 python setup.py install 进行安装，安装过程中将会在Python目录的scripts目录下进行 4. 将pip的安装目录 C:\Python34\Scripts; 配置到环境变量path中 5. cmd命令行输入pip list 或者 pip --version 进行检验 ### 安装Scrapy > Scrapy是一个比较成熟的爬虫框架，使用它可以进行网页内容的抓取，但是对于windows并不友好，我们需要一些类库去支持它 1. 安装pywin32: 一路next即可 2. 安装wheel：安装scrapy时需要一些whl文件的安装，whl文件的安装需要预先配置wheel文件。在cmd下使用pip安装 ： pip install wheel 3. 安装PyOpenSSL：下载完成PyOpenSSL后，进入下载所在目录，执行安装：pip install pyOpenSSl (**注意，执行安装的wheel文件名一定要tab键自动弹出，不要手动敲入**) 4. 安装lxml: 直接使用pip在线安装 pip install lxml > ***在Windows的安装过程中，一定会出现 “error: Microsoft Visual C++ 10.0 is required (Unable to find vcvarsall.bat).”的问题，也就是无法找到相对应的编译包。一般的做法是下载VisualStudio来获得Complier，但是我们不这样做。*** > 下载windows-sdk后，执行安装操作，如果安装成功，那么这个问题就解决了。如果失败，那么需要先把安装失败过程中的2个编译包卸载。他们分别为：Microsoft Visual C++ 2010 x86 Redistributable、Microsoft Visual C++ 2010 x64 Redistributable（可以使用360或者腾讯管家来卸载） > 卸载完成之后，在安装确认过程中，不要勾选Visual C++ compiler，这样他第一次就能安装成功。安装成功之后，再次点击sdk进行安装，这时候又需要把Visual C++ compiler勾选上，再次执行安装。完成以上操作后，就不会出现Microsoft Visual C++ 10.0 is required的问题了。 > 如果在安装过程中出现“failed building wheel for xxx”的问题，那么需要手动下载wheel包进行安装，所有的安装文件都可以在[http://www.lfd.uci.edu/~gohlke/pythonlibs/](http://www.lfd.uci.edu/~gohlke/pythonlibs/)里找到，找到需要的包并下载完成后执行pip install xxxx即可。 5. 安装Scrapy：pip install Scrapy, 安装完成后可以再命令行窗口输入Scrapy进行验证。 # 豆果爬虫架构设计 为了更好的扩展性和爬虫工作的易于监控，爬虫项目分成3个子项目，分别是url提取、内容爬取、内容更新（包括更新线上内容和定时审核） 主要是采用 Python 编写的scrapy框架，scrapy是目前非常热门的一种爬虫框架，它把整个爬虫过程分为了多个独立的模块，并提供了多个基类可以供我们去自由扩展，让爬虫编写变得简单而有逻辑性。并且scrapy自带的多线程、异常处理、以及强大的自定义Settings也让整个数据抓取过程变得高效而稳定。 scrapy-redis：一个三方的基于redis的分布式爬虫框架，配合scrapy使用，让爬虫具有了分布式爬取的功能。github地址： https://github.com/darkrho/scrapy-redis mongodb 、mysql 或其他数据库：针对不同类型数据可以根据具体需求来选择不同的数据库存储。结构化数据可以使用mysql节省空间，非结构化、文本等数据可以采用mongodb等非关系型数据提高访问速度。具体选择可以自行百度谷歌，有很多关于sql和nosql的对比文章。 其实对于已有的scrapy程序，对其扩展成分布式程序还是比较容易的。总的来说就是以下几步： * 找一台高性能服务器，用于redis队列的维护以及数据的存储。 * 扩展scrapy程序，让其通过服务器的redis来获取start_urls，并改写pipeline里数据 存储部分，把存储地址改为服务器地址。 * 在服务器上写一些生成url的脚本，并定期执行。 # 1 url提取 ## 1.1 分布式抓取的原理 采用scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave。 我们知道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了。 我们在master上搭建一个redis数据库（注意这个数据库只用作url的存储，不关心爬取的具体数据，不要和后面的mongodb或者mysql混淆），并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库。 并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上（这时的数据存储不再在是redis，而是mongodb或者 mysql等存放具体内容的数据库了） 这种方法的还有好处就是程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情。 ## 1.2 url的提取 首先明确一点，url是在master而不是slave上生成的。 对于每一个门类的urls（每一个门类对应redis下的一个字段，表示一个url的列表），我们可以单独写一个生成url的脚本。这个脚本要做的事很简单，就是按照我们需要的格式，构造除url并添加到redis里面。 对于slave，我们知道，scrapy可以通过Settings来让爬取结束之后不自动关闭，而是不断的去询问队列里有没有新的url，如果有新的url，那么继续获取url并进行爬取。利用这一特性，我们就可以采用控制url的生成的方法，来控制slave爬虫程序的爬取。 ## 1.3 url的处理 1、判断URL指向网站的域名，如果指向外部网站，直接丢弃 2、URL去重，然后URL地址存入redis和数据库； # 2 内容爬取 ## 2.1 定时爬取 有了上面的介绍，定时抓取的实现就变得简单了，我们只需要定时的去执行url生成的脚本即可。这里推荐linux下的crontab指令，能够非常方便的制定定时任务，具体的介绍大家可以自行查看文档。 ## 2.2 # 3 内容更新 ## 3.1 表设计 帖子爬取表： id :自增主键 md5_url :md5加密URL url :爬取目标URL title :爬取文章标题 content :爬取文章内容（已处理） user_id :随机发帖的用户ID spider_name :爬虫名 site :爬取域名 gid :灌入帖子的ID module : status :状态 （1：已爬取；0：未爬取） use_time :爬取时间 create_time :创建时间 CREATE TABLE `NewTable` ( `id` bigint(20) NOT NULL AUTO_INCREMENT , `md5_url` varchar(100) CHAR