Python下用Scrapy和MongoDB构建爬虫系统（1）
本文由 伯乐在线 - 木羊 翻译，xianhu 校稿。未经许可，禁止转载！英文出处：realpython.com。欢迎加入翻译小组。
这篇文章将根据真实的兼职需求编写一个爬虫，用户想要一个Python程序从Stack Overflow抓取数据，获取新的问题（问题标题和URL）。抓取的数据应当存入MongoDB。值得注意的是，Stack Overflow已经提供了可用于读取同样数据的API。但是用户想要一个爬虫，那就给他一个爬虫。
像往常一样，在开始任何抓取工作前，一定要先查看该网站的使用/服务条款，要尊重 robots.txt 文件。抓取行为应该遵守道德，不要在很短时间内发起大量请求，从而导致网站遭受泛洪攻击。对待那些你要抓取的网站，要像对待自己的一样。
安装
我们需要Scrapy库(v0.24.4)，以及用于在MongoDB中存储数据的PyMongo库(v2.7.2)。同样需要安装MongoDB。
Scrapy
如果使用OSX或某种Linux，使用pip安装Scrapy（激活命令行）：
1
$ pip install Scrapy如果使用Windows的机器，你需要手动安装一堆依赖库（木羊吐槽：Win下也是有pip的po主你不要黑她，经测可以用上面命令直接安装成功）。请参考官方文档详细说明以及我创建的Youtube视频。
一旦Scrapy安装完毕，可在Python命令行中使用这个命令验证：
1
2
>>> import scrapy
>>>如果没有出错，安装就完成了。
PyMongo
下一步，使用pip安装PyMongo：
1
$ pip install pymongo现在可以开始构建爬虫了。
Scrapy工程
先创建一个新的Scrapy工程：
1
$ scrapy startproject stack这条命令创建了许多文件和文件夹，其中包含一套有助于你快速开始的基本模板：
1
2
3
4
5
6
7
8
├── scrapy.cfg
└── stack
├── __init__.py
├── items.py
├── pipelines.py
├── settings.py
└── spiders
└── __init__.py提取数据
items.py文件用于定义存储“容器”，用来存储将要抓取的数据。
StackItem()类继承自Item (文档)，主要包含一些Scrapy已经为我们创建好的预定义对象：
1
2
3
4
5
6
import scrapy
class StackItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass添加一些想要收集的项。用户想要每条问题的标题和URL。那么，照这样更新items.py：
1
2
3
4
5
from scrapy.item import Item, Field
class StackItem(Item):
title = Field()
url = Field()创建蜘蛛
在“spiders”目录下建立一个名为stack_spider.py的文件。这里是见证奇迹发生的地方—-比如在这里告诉Scrapy怎么去找到我们想要的指定数据。正如你想的那样，对于每一个独立的网页，stack_spider.py都是不同的。
我们从定义一个类开始，这个类继承Scrapy的Spider，并添加一些必须的属性：
1
2
3
4
5
6
7
8
9
from scrapy import Spider
class StackSpider(Spider):
name = "stack"
allowed_domains = ["stackoverflow.com"]
start_urls = [
"http://stackoverflow.com/questions?pagesize=50&sort=newest",
]最初一些变量的含义很容易理解（文档）：
[*]定义蜘蛛的名字。
[*]allowed_domains 包含构成许可域的基础URL，供蜘蛛去爬。
[*]start_urls 是一个URL列表，蜘蛛从这里开始爬。蜘蛛从start_urls中的URL下载数据，所有后续的URL将从这些数据中获取。
XPath选择器
接下来，Scrapy使用XPath选择器在一个网站上提取数据。也就是说，我们可以通过一个给定的XPath选择HTML数据的特定部分。正如Scrapy所称，“XPath是一种选择XML节点的语言，也可以用于HTML。”
使用Chrome的开发者工具，可以很容易找到一个特定的Xpath。简单地检查一个特定的HTML元素，复制XPath，然后修改（如有需要）。
开发者工具同时为用户提供在JavaScript控制台测试XPath选择器的功能，使用$x，如$x("//img"):
继续，通过定义的XPath告诉Scrapy去哪里寻找信息。在Chrom中导航至Stack Overflow网址，寻找XPath选择器。
右键点击第一条问题，选择“插入元素”：
现在从, //*[@id="question-summary-27624141"]/div中抓取XPath，然后在JavaScript控制台测试它：
也许你会说，这只选择了一条问题。现在需要改变XPath去抓取所有的问题。有什么想法？很简单：//div[@class="summary"]/h3。
什么意思呢？本质上，这条XPath是说：抓取的子树中所有这一类元素的总集。在JavaScript控制台中测试XPath。
请注意我们不会使用Chrome开发者工具的实际输出。在大多数案例中，这些输出仅仅是一个参考，便于直接找到能用的XPath。
现在更新stack_spider.py脚本：
1
2
3
4
5
6
7
8
9
10
11
12
13
from scrapy import Spider
from scrapy.selector import Selector
class StackSpider(Spider):
name = "stack"
allowed_domains = ["stackoverflow.com"]
start_urls = [
"http://stackoverflow.com/questions?pagesize=50&sort=newest",
]
def parse(self, response):
questions = Selector(response).xpath('//div[@class="summary"]/h3')提取数据
我们仍然需要解析和抓取想要的数据，它符合
页:
[1]