python学习（二）百度爬虫0.1
参照着网上的爬虫案例（点我），先做了一个demo，基本的爬虫项目创建，以及数据抽取，数据分析，数据保存等等过程基本上有所掌握。
我的需求是需要检索指定的百度贴吧，根据指定的关键字库，搜索出含有关键字的链接，并抽取出来，用于后续告警。
因此，基于需求，分如下步骤：
第一：基于Scrapy创建爬虫项目；
第二：新建TieBaSpider爬虫；
第三：新建外部关键字库dictionary.txt文件，贴吧地址配置url.txt文件；
第一步参考晚上案例。
从第二步开始，编写爬虫，同时创建实例对象以及创建管道。
爬虫代码：
# -*- coding:gbk -*- from scrapy.spider import Spider from scrapy.selector import Selector from tutorial.items import TieBa import codecs import re class TieBaSpider(Spider): name = "tieba" allowed_domains = ["tieba.baidu.com"] #限定爬虫搜索域 start_urls = [] dictionarys = [] def __init__(self): self.readFile(self.dictionarys, ‘dictionary.txt‘) self.readFile(self.start_urls, ‘url.txt‘) def readFile(self, file, fileName): tempFile = codecs.open(fileName,‘r‘) for temp in tempFile.readlines(): #去回车符 if temp[-1] == ‘\n‘: temp = temp[0:-1] file.append(temp) tempFile.close() def parse(self, response): sel = Selector(response) sites = sel.xpath(‘//div[@class="threadlist_text threadlist_title j_th_tit notStarList "]‘) items = [] for site in sites: item = TieBa() title = site.xpath(‘a/@title‘).extract() childLink = site.xpath(‘a/@href‘).extract() item[‘title‘] = self.change(title) item[‘childLink‘] = "http://tieba.baidu.com" + self.change(childLink) for key in self.dictionarys: if item[‘title‘].find(key.decode(‘gbk‘)) != -1: items.append(item) return items def change(self, field): for temp in field: return temp
name用来指定爬虫的名字
allowed_domains指定爬虫检索的限定域
在__init__方法中，将外部的关键字字典文件dictionary.txt与贴吧指定文件url.txt文件的内容读入到工程中。
在读文件的时候，如果有多行，python不会主动去除换行符，需要代码处理下（说是open方法的第二个参数配置为’r’就可以解决，但是我没搞定）。
parse函数是Scrapy的默认回调函数，针对start_urls中的每一条url，Scrapy都会创建一个Request，然后默认会回调parse函数，传入response。
在字符串查找的时候，因为在windows系统下，python读文件内容时的编码为ascii码，需要转换为其它编码才能进行比较。这里选用gbk是因为百度贴吧的html编码为gbk。
change方法是将list转换为string，不知道还有其它办法没，先这样用了。
爬虫定义好之后，Scrapy会自动调用配置的pipeline，将item对象传入，管道会执行写文件操作。
在items.py中创建实例。
实例代码：
class TieBa(Item): title = Field() childLink = Field() childValue = Field()
在pipelines.py中创建管道。
管道：
class JsonWithEncodingPipeline(object): def __init__(self): self.file = codecs.open(‘tieba.json‘,‘wb‘,encoding=‘utf-8‘) def process_item(self,item,spider): line = json.dumps(dict(item)) + "\n" self.file.write(line.encode(‘gbk‘).decode("unicode_escape")) return item def spider_closed(self, spider): self.file.colse()
在settings.py中配置管道信息。
管道的配置：
ITEM_PIPELINES = { ‘tutorial.pipelines.JsonWithEncodingPipeline‘ :300 }