審時度勢
PySpider 是一個我個人認為非常方便並且功能強大的爬蟲框架，支持多線程爬取、JS動態解析，提供了可操作界面、出錯重試、定時爬取等等的功能，使用非常人性化。
本篇內容通過跟我做一個好玩的 PySpider 項目，來理解 PySpider 的運行流程。
招兵買馬
具體的安裝過程請查看本節講述
嗯，安裝好了之后就與我大干一番吧。
鴻鵠之志
我之前寫過的一篇文章
由於網頁改版，爬取過程中需要的 URL 需要 JS 動態解析生成，所以之前用的 urllib2 不能繼續使用了，在這里我們利用 PySpider 重新實現一下。
所以現在我們需要做的是抓取淘寶MM的個人信息和圖片存儲到本地。
審時度勢
爬取目標網站：https://mm.taobao.com/json/request_top_list.htm?page=1，大家打開之后可以看到許多淘寶MM的列表。
列表有多少？
https://mm.taobao.com/json/request_top_list.htm?page=10000，第10000頁都有，看你想要多少。我什么也不知道。
隨機點擊一位 MM 的姓名，可以看到她的基本資料。
可以看到圖中有一個個性域名，我們復制到瀏覽器打開。mm.taobao.com/tyy6160
嗯，往下拖，海量的 MM 圖片都在這里了，怎么辦你懂得，我們要把她們的照片和個人信息都存下來。
P.S. 注意圖中進度條！你猜有多少圖片～
利劍出鞘
安裝成功之后，跟我一步步地完成一個網站的抓取，你就會明白 PySpider 的基本用法了。
命令行下執行
|
1
|
pyspider all
|
這句命令的意思是，運行 pyspider 並 啟動它的所有組件。
可以發現程序已經正常啟動，並在 5000 這個端口運行。
一觸即發
接下來在瀏覽器中輸入 http://localhost:5000，可以看到 PySpider 的主界面，點擊右下角的 Create，命名為 taobaomm，當然名稱你可以隨意取，繼續點擊 Create。
這樣我們會進入到一個爬取操作的頁面。
整個頁面分為兩欄，左邊是爬取頁面預覽區域，右邊是代碼編寫區域。下面對區塊進行說明：
左側綠色區域：這個請求對應的 JSON 變量，在 PySpider 中，其實每個請求都有與之對應的 JSON 變量，包括回調函數，方法名，請求鏈接，請求數據等等。
綠色區域右上角Run：點擊右上角的 run 按鈕，就會執行這個請求，可以在左邊的白色區域出現請求的結果。
左側 enable css selector helper: 抓取頁面之后，點擊此按鈕，可以方便地獲取頁面中某個元素的 CSS 選擇器。
左側 web: 即抓取的頁面的實時預覽圖。
左側 html: 抓取頁面的 HTML 代碼。
左側 follows: 如果當前抓取方法中又新建了爬取請求，那么接下來的請求就會出現在 follows 里。
左側 messages: 爬取過程中輸出的一些信息。
右側代碼區域: 你可以在右側區域書寫代碼，並點擊右上角的 Save 按鈕保存。
右側 WebDAV Mode: 打開調試模式，左側最大化，便於觀察調試。
乘勝追擊
依然是上一節的那個網址，https://mm.taobao.com/json/request_top_list.htm?page=1，其中 page 參數代表頁碼。所以我們暫時抓取前 30 頁。頁碼到最后可以隨意調整。
首先我們定義基地址，然后定義爬取的頁碼和總頁碼。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
from pyspider.libs.base_handler import *
class Handler(BaseHandler):
crawl_config = {
}
def __init__(self):
self.base_url = 'https://mm.taobao.com/json/request_top_list.htm?page='
self.page_num = 1
self.total_num = 30
@every(minutes=24 * 60)
def on_start(self):
while self.page_num <= self.total_num:
url = self.base_url + str(self.page_num)
print url
self.crawl(url, callback=self.index_page)
self.page_num += 1
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc('a[href^="http"]').items():
self.crawl(each.attr.href, callback=self.detail_page)
@config(priority=2)
def detail_page(self, response):
return {
"url": response.url,
"title": response.doc('title').text(),
}
|
點擊 save 保存代碼，然后點擊左邊的 run，運行代碼。
運行后我們會發現 follows 出現了 30 這個數字，說明我們接下來有 30 個新請求，點擊可查看所有爬取列表。另外控制台也有輸出，將所有要爬取的 URL 打印了出來。
然后我們點擊左側任意一個綠色箭頭，可以繼續爬取這個頁面。例如點擊第一個 URL，來爬取這個 URL
點擊之后，再查看下方的 web 頁面，可以預覽實時頁面，這個頁面被我們爬取了下來，並且回調到 index_page 函數來處理，目前 index_page 函數我們還沒有處理，所以是繼續構件了所有的鏈接請求。
好，接下來我們怎么辦？當然是進入到 MM 到個人頁面去爬取了。
如火如荼
爬取到了 MM 的列表，接下來就要進入到 MM 詳情頁了，修改 index_page 方法。
|
1
2
3
|
def index_page(self, response):
for each in response.doc('.lady-name').items():
self.crawl(each.attr.href, callback=self.detail_page)
|
其中 response 就是剛才爬取的列表頁，response 其實就相當於列表頁的 html 代碼，利用 doc 函數，其實是調用了 PyQuery，用 CSS 選擇器得到每一個MM的鏈接，然后重新發起新的請求。
比如，我們這里拿到的 each.attr.href 可能是 mm.taobao.com/self/model_card.htm?user_id=687471686，在這里繼續調用了 crawl 方法，代表繼續抓取這個鏈接的詳情。
|
1
|
self.crawl(each.attr.href, callback=self.detail_page)
|
然后回調函數就是 detail_page，爬取的結果會作為 response 變量傳過去。detail_page 接到這個變量繼續下面的分析。
好，我們繼續點擊 run 按鈕，開始下一個頁面的爬取。得到的結果是這樣的。
哦，有些頁面沒有加載出來，這是為什么？
在之前的文章說過，這個頁面比較特殊，右邊的頁面使用 JS 渲染生成的，而普通的抓取是不能得到 JS 渲染后的頁面的，這可麻煩了。
然而，幸運的是，PySpider 提供了動態解析 JS 的機制。
友情提示：可能有的小伙伴不知道 PhantomJS，可以參考
因為我們在前面裝好了 PhantomJS，所以，這時候就輪到它來出場了。在最開始運行 PySpider 的時候，使用了pyspider all命令，這個命令是把 PySpider 所有的組件啟動起來，其中也包括 PhantomJS。
所以我們代碼怎么改呢？很簡單。
|
1
2
3
|
def index_page(self, response):
for each in response.doc('.lady-name').items():
self.crawl(each.attr.href, callback=self.detail_page, fetch_type='js')
|
只是簡單地加了一個 fetch_type=’js’，點擊綠色的返回箭頭，重新運行一下。
可以發現，頁面已經被我們成功加載出來了，簡直不能更帥！
看下面的個性域名，所有我們需要的 MM 圖片都在那里面了，所以我們需要繼續抓取這個頁面。
勝利在望
好，繼續修改 detail_page 方法，然后增加一個 domain_page 方法，用來處理每個 MM 的個性域名。
|
1
2
3
4
5
6
7
|
def detail_page(self, response):
domain = 'https:' + response.doc('.mm-p-domain-info li > span').text()
print domain
self.crawl(domain, callback=self.domain_page)
def domain_page(self, response):
pass
|
好，繼續重新 run，預覽一下頁面，終於，我們看到了 MM 的所有圖片。
嗯，你懂得！
只欠東風
好，照片都有了，那么我們就偷偷地下載下來吧～
完善 domain_page 代碼，實現保存簡介和遍歷保存圖片的方法。
在這里，PySpider 有一個特點，所有的 request 都會保存到一個隊列中，並具有去重和自動重試機制。所以，我們最好的解決方法是，把每張圖片的請求都寫成一個 request，然后成功后用文件寫入即可，這樣會避免圖片加載不全的問題。
曾經在之前文章寫過圖片下載和文件夾創建的過程，在這里就不多贅述原理了，直接上寫好的工具類，后面會有完整代碼。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
import os
class Deal:
def __init__(self):
self.path = DIR_PATH
if not self.path.endswith('/'):
self.path = self.path + '/'
if not os.path.exists(self.path):
os.makedirs(self.path)
def mkDir(self, path):
path = path.strip()
dir_path = self.path + path
exists = os.path.exists(dir_path)
if not exists:
os.makedirs(dir_path)
return dir_path
else:
return dir_path
def saveImg(self, content, path):
f = open(path, 'wb')
f.write(content)
f.close()
def saveBrief(self, content, dir_path, name):
file_name = dir_path + "/" + name + ".txt"
f = open(file_name, "w+")
f.write(content.encode('utf-8'))
def getExtension(self, url):
extension = url.split('.')[-1]
return extension
|
這里面包含了四個方法。
mkDir：創建文件夾，用來創建 MM 名字對應的文件夾。
saveBrief: 保存簡介，保存 MM 的文字簡介。
saveImg: 傳入圖片二進制流以及保存路徑，存儲圖片。
getExtension: 獲得鏈接的后綴名，通過圖片 URL 獲得。
然后在 domain_page 中具體實現如下
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
def domain_page(self, response):
name = response.doc('.mm-p-model-info-left-top dd > a').text()
dir_path = self.deal.mkDir(name)
brief = response.doc('.mm-aixiu-content').text()
if dir_path:
imgs = response.doc('.mm-aixiu-content img').items()
count = 1
self.deal.saveBrief(brief, dir_path, name)
for img in imgs:
url = img.attr.src
if url:
extension = self.deal.getExtension(url)
file_name = name + str(count) + '.' + extension
count += 1
self.crawl(img.attr.src, callback=self.save_img,
save={'dir_path': dir_path, 'file_name': file_name})
def save_img(self, response):
content = response.content
dir_path = response.save['dir_path']
file_name = response.save['file_name']
file_path = dir_path + '/' + file_name
self.deal.saveImg(content, file_path)
|
以上方法首先獲取了頁面的所有文字，然后調用了 saveBrief 方法存儲簡介。
然后遍歷了 MM 所有的圖片，並通過鏈接獲取后綴名，和 MM 的姓名以及自增計數組合成一個新的文件名，調用 saveImg 方法保存圖片。
爐火純青
好，基本的東西都寫好了。
接下來。繼續完善一下代碼。第一版本完成。
版本一功能：按照淘寶MM姓名分文件夾，存儲MM的 txt 文本簡介以及所有美圖至本地。
可配置項：
- PAGE_START: 列表開始頁碼
- PAGE_END: 列表結束頁碼
- DIR_PATH: 資源保存路徑
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
|
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2016-03-25 00:59:45
# Project: taobaomm
from pyspider.libs.base_handler import *
PAGE_START = 1
PAGE_END = 30
DIR_PATH = '/var/py/mm'
class Handler(BaseHandler):
crawl_config = {
}
def __init__(self):
self.base_url = 'https://mm.taobao.com/json/request_top_list.htm?page='
self.page_num = PAGE_START
self.total_num = PAGE_END
self.deal = Deal()
def on_start(self):
while self.page_num <= self.total_num:
url = self.base_url + str(self.page_num)
self.crawl(url, callback=self.index_page)
self.page_num += 1
def index_page(self, response):
for each in response.doc('.lady-name').items():
self.crawl(each.attr.href, callback=self.detail_page, fetch_type='js')
def detail_page(self, response):
domain = response.doc('.mm-p-domain-info li > span').text()
if domain:
page_url = 'https:' + domain
self.crawl(page_url, callback=self.domain_page)
def domain_page(self, response):
name = response.doc('.mm-p-model-info-left-top dd > a').text()
dir_path = self.deal.mkDir(name)
brief = response.doc('.mm-aixiu-content').text()
if dir_path:
imgs = response.doc('.mm-aixiu-content img').items()
count = 1
self.deal.saveBrief(brief, dir_path, name)
for img in imgs:
url = img.attr.src
if url:
extension = self.deal.getExtension(url)
file_name = name + str(count) + '.' + extension
count += 1
self.crawl(img.attr.src, callback=self.save_img,
save={'dir_path': dir_path, 'file_name': file_name})
def save_img(self, response):
content = response.content
dir_path = response.save['dir_path']
file_name = response.save['file_name']
file_path = dir_path + '/' + file_name
self.deal.saveImg(content, file_path)
import os
class Deal:
def __init__(self):
self.path = DIR_PATH
if not self.path.endswith('/'):
self.path = self.path + '/'
if not os.path.exists(self.path):
os.makedirs(self.path)
def mkDir(self, path):
path = path.strip()
dir_path = self.path + path
exists = os.path.exists(dir_path)
if not exists:
os.makedirs(dir_path)
return dir_path
else:
return dir_path
def saveImg(self, content, path):
f = open(path, 'wb')
f.write(content)
f.close()
def saveBrief(self, content, dir_path, name):
file_name = dir_path + "/" + name + ".txt"
f = open(file_name, "w+")
f.write(content.encode('utf-8'))
def getExtension(self, url):
extension = url.split('.')[-1]
return extension
|
粘貼到你的 PySpider 中運行吧～
其中有一些知識點，我會在后面作詳細的用法總結。大家可以先體會一下代碼。
保存之后，點擊下方的 run，你會發現，海量的 MM 圖片已經涌入你的電腦啦～
需要解釋？需要我也不解釋！
項目代碼
尚方寶劍
如果想了解 PySpider 的更多內容，可以查看官方文檔。