Python下用Scrapy和MongoDB构建爬虫系统（2）
在上一篇中，我们实现了一个基本网络爬虫，它可以从StackOverflow上下载最新的问题，并将它们存储在MongoDB数据库中。在本文中，我们将对其扩展，使它能够爬取每个网页底部的分页链接，并从每一页中下载问题（包含问题标题和URL）。
在你开始任何爬取工作之前，检查目标网站的使用条款并遵守robots.txt文件。同时，做爬取练习时遵守道德，不要在短时间内向某个网站发起大量请求。像对待自己的网站一样对待任何你将爬取的网站。
开始
有两种可能的方法来接着从上次我们停下的地方继续进行。
第一个方法是，扩展我们现有的网络爬虫，通过利用一个xpath表达式从”parse_item”方法里的响应中提取每个下一页链接，并通过回调同一个parse_item方法产生一个请求对象。利用这种方法，爬虫会自动生成针对我们指定的链接的新请求，你可以在Scrapy文档这里找到更多有关该方法的信息。
另一个更简单的方法是，使用一个不同类型的爬虫—CrawlSpider（链接）。这是基本Spider的一个扩展版本，它刚好满足我们的要求。
CrawlSpider
我们将使用与上一篇教程中相同的爬虫项目，所以如果你需要的话可以从repo上获取这些代码。
创建样板
在“stack”目录中，首先由crawl模板生成爬虫样板。
| 123 | $ scrapy genspider stack_crawler stackoverflow.com –t crawlCreated spider 'stack_crawler' using template 'crawl' in module: stack.spiders.stack_crawler |
Scrapy项目现在看起来应该像这样:
| 12345678910 | ├── scrapy.cfg└── stack ├── __init__.py ├── items.py ├── pipelines.py ├── settings.py └── spiders ├── __init__.py ├── stack_crawler.py └── stack_spider.py |
stack_crawler.py文件内容如下：
| 12345678910111213141516171819202122 | # -*- coding: utf-8 -*-import scrapyfrom scrapy.contrib.linkextractors import LinkExtractorfrom scrapy.contrib.spiders import CrawlSpider, Rule from stack.items import StackItem class StackCrawlerSpider(CrawlSpider): name = \’stack_crawler\’ allowed_domains = [\’stackoverflow.com\’] start_urls = [\’http://www.stackoverflow.com/\’] rules = ( Rule(LinkExtractor(allow=r\’Items/\’), callback=\’parse_item\’, follow=True), ) def parse_item(self, response): i = StackItem() #i[\’domain_id\’] = response.xpath(\’//input[@id=\”sid\”]/@value\’).extract() #i[\’name\’] = response.xpath(\’//div[@id=\”name\”]\’).extract() #i[\’description\’] = response.xpath(\’//div[@id=\”description\”]\’).extract() return i |
我们只需要对这个样板做一些更新。
更新“start_urls”列表
首先，添加问题的第一个页面链接到start_urls列表：
| 123 | start_urls = [ \’http://stackoverflow.com/questions?pagesize=50&sort=newest\’] |
更新“rules”列表
接下来，我们需要添加一个正则表达式到“rules”属性中，以此告诉爬虫在哪里可以找到下一个页面链接：
| 1234 | rules = [ Rule(LinkExtractor(allow=r\’questions?page=[0-9]&sort=newest\’), callback=\’parse_item\’, follow=True)] |
现在爬虫能根据那些链接自动请求新的页面，并将响应传递给“parse_item”方法，以此来提取问题和对应的标题。
如果你仔细查看的话，可以发现这个正则表达式限制了它只能爬取前9个网页，因为在这个demo中，我们不想爬取所有的176234个网页。
更新“parse_item”方法
现在我们只需编写如何使用xpath解析网页，这一点我们已经在上一篇教程中实现过了，所以直接复制过来。
| 12345678910 | def parse_item(self, response): questions = response.xpath(\’//div[@class=\”summary\”]/h3\’) for question in questions: item = StackItem() item[\’url\’] = question.xpath( \’a[@class=\”question-hyperlink\”]/@href\’).extract()[0] item[\’title\’] = question.xpath( \’a[@class=\”question-hyperlink\”]/text()\’).extract()[0] yield item |
这就是为爬虫提供的解析代码，但是现在先不要启动它。
添加一个下载延迟
我们需要通过在settings.py文件中设定一个下载延迟来善待StackOverflow（和任何其他网站）。
| 1 | DOWNLOAD_DELAY = 5 |
这告诉爬虫需要在每两个发出的新请求之间等待5秒钟。你也很有必要做这样的限制，因为如果你不这么做的话，StackOverflow将会限制你的访问流量，如果你继续不加限制地爬取该网站，那么你的IP将会被禁止。所有，友好点—要像对待自己的网站一样对待任何你爬取的网站。
现在只剩下一件事要考虑—存储数据。
MongoDB
上次我们仅仅下载了50个问题，但是因为这次我们要爬取更多的数据，所有我们希望避免向数据库中添加重复的问题。为了实现这一点，我们可以使用一个MongoDB的 upsert方法，它意味着如果一个问题已经存在数据库中，我们将更新它的标题；否则我们将新问题插入数据库中。
修改我们前面定义的MongoDBPipeline：
| 123456789101112131415161718 | class MongoDBPipeline(object): def __init__(self): connection = pymongo.Connection( settings[\’MONGODB_SERVER\’], settings[\’MONGODB_PORT\’] ) db = connection[settings[\’MONGODB_DB\’]] self.collection = db[settings[\’MONGODB_COLLECTION\’]] def process_item(self, item, spider): for data in item: if not data: raise DropItem(\”Missing data!\”) self.collection.update({\’url\’: item[\’url\’]}, dict(item), upsert=True) log.msg(\”Question added to MongoDB database!\”, level=log.DEBUG, spider=spider) return item |
为简单起见，我们没有优化查询，也没有处理索引值，因为这不是一个生产环境。
测试
启动爬虫！
| 1 | $ scrapy crawl questions |
现在你可以坐下来，看着你的数据库渐渐充满数据。
结论
你可以从Github库下载整个源代码，也可以在下面评论或提问。