【Scrapy】scrapy 抓取csdn内容（转载）

首先建立project:

[python] view plain copy 在CODE上查看代码片派生到个人代码片
scrapy startproject CSDNBlog

一. items.py编写 在这里为清晰说明，只提取文章名称和文章网址。

[python] view plain copy 在CODE上查看代码片派生到个人代码片
# -*- coding:utf-8 -*-  
  
from scrapy.item import Item, Field  
  
class CsdnblogItem(Item):  
    """存储提取信息数据结构"""  
  
    article_name = Field()  
    article_url = Field()

二. pipelines.py编写

[python] view plain copy 在CODE上查看代码片派生到个人代码片
import json  
import codecs  
  
class CsdnblogPipeline(object):  
  
    def __init__(self):  
        self.file = codecs.open('CSDNBlog_data.json', mode='wb', encoding='utf-8')  
  
    def process_item(self, item, spider):  
        line = json.dumps(dict(item)) + '\n'  
        self.file.write(line.decode("unicode_escape"))  
  
        return item

其中，构造函数中以可写方式建立并打开存储文件。在process_item中实现对item处理，包含将获得的item写入到json形式的输出文件中。

三. settings.py编写 对于setting文件，他做为配置文件，主要是至执行对spider的配置。一些容易被改变的配置参数能够放在spider类的编写中，而几乎在爬虫运行过程当中不改变的参数在settings.py中进行配置。

[python] view plain copy 在CODE上查看代码片派生到个人代码片
# -*- coding:utf-8 -*-  
  
BOT_NAME = 'CSDNBlog'  
  
SPIDER_MODULES = ['CSDNBlog.spiders']  
NEWSPIDER_MODULE = 'CSDNBlog.spiders'  
  
#禁止cookies,防止被ban  
COOKIES_ENABLED = False  
  
ITEM_PIPELINES = {  
    'CSDNBlog.pipelines.CsdnblogPipeline':300  
}  
  
# Crawl responsibly by identifying yourself (and your website) on the user-agent  
#USER_AGENT = 'CSDNBlog (+http://www.yourdomain.com)'

这里将COOKIES_ENABLED参数置为True，使根据cookies判断访问的站点不能发现爬虫轨迹，防止被ban。

ITEM_PIPELINES类型为字典，用于设置启动的pipeline，其中key为定义的pipeline类，value为启动顺序，默认0-1000。

四. 爬虫编写 爬虫编写始终是重头戏。原理是分析网页获得“下一篇”的连接，并返回Request对象。进而继续爬取下一篇文章，直至没有。

上码：

[python] view plain copy 在CODE上查看代码片派生到个人代码片
#!/usr/bin/python  
# -*- coding:utf-8 -*-  
  
# from scrapy.contrib.spiders import  CrawlSpider,Rule  
  
from scrapy.spider import Spider  
from scrapy.http import Request  
from scrapy.selector import Selector  
from CSDNBlog.items import CsdnblogItem  
  
  
class CSDNBlogSpider(Spider):  
    """爬虫CSDNBlogSpider"""  
  
    name = "CSDNBlog"  
  
    #减慢爬取速度 为1s  
    download_delay = 1  
    allowed_domains = ["blog.csdn.net"]  
    start_urls = [  
  
        #第一篇文章地址  
        "http://blog.csdn.net/u012150179/article/details/11749017"  
    ]  
  
    def parse(self, response):  
        sel = Selector(response)  
  
        #items = []  
        #得到文章url和标题  
        item = CsdnblogItem()  
  
        article_url = str(response.url)  
        article_name = sel.xpath('//div[@id="article_details"]/div/h1/span/a/text()').extract()  
  
        item['article_name'] = [n.encode('utf-8') for n in article_name]  
        item['article_url'] = article_url.encode('utf-8')  
  
        yield item  
  
        #得到下一篇文章的url  
        urls = sel.xpath('//li[@class="next_article"]/a/@href').extract()  
        for url in urls:  
            print url  
            url = "http://blog.csdn.net" + url  
            print url  
            yield Request(url, callback=self.parse)

慢慢分析： （1）download_delay参数设置为1，将下载器下载下一个页面前的等待时间设置为1s，也是防止被ban的策略之一。主要是减轻服务器端负载。

（2）从response中抽取文章连接与文章题目，编码为utf-8。注意yield的使用。

（3）抽取“下一篇”的url，因为抽取后缺乏http://blog.csdn.NET部分，因此补充。两个print只为调试，无实际意义。重点在于

[python] view plain copy 在CODE上查看代码片派生到个人代码片
yield Request(url, callback=self.parse)

也就是将新获取的request返回给引擎，实现继续循环。也就实现了“自动下一网页的爬取”。

五. 执行

[python] view plain copy 在CODE上查看代码片派生到个人代码片
scrapy crawl CSDNBlog