介紹一款能取代 Scrapy 的爬蟲框架 - feapder

語言: CN / TW / HK

1. 前言

眾所周知,Python 最流行的爬蟲框架是 Scrapy,它主要用於爬取網站結構性資料

今天推薦一款更加簡單、輕量級,且功能強大的爬蟲框架:feapder

2. 介紹及安裝
和 Scrapy 類似,feapder 支援輕量級爬蟲、分散式爬蟲、批次爬蟲、爬蟲報警機制等功能

內建的 3 種爬蟲如下:

  • AirSpider

輕量級爬蟲,適合簡單場景、資料量少的爬蟲

  • Spider

分散式爬蟲,基於 Redis,適用於海量資料,並且支援斷點續爬、自動資料入庫等功能

  • BatchSpider

分散式批次爬蟲,主要用於需要週期性採集的爬蟲

在實戰之前,我們在虛擬環境下安裝對應的依賴庫

# 安裝依賴庫
pip3 install feapder

3. 實戰一下
我們以最簡單的 AirSpider 來爬取一些簡單的資料

目標網站:aHR0cHM6Ly90b3BodWIudG9kYXkvIA==

詳細實現步驟如下( 5 步)

3-1 建立爬蟲專案

首先,我們使用「 feapder create -p 」命令建立一個爬蟲專案

# 建立一個爬蟲專案
feapder create -p tophub_demo

3-2 建立爬蟲 AirSpider

命令列進入到 spiders 資料夾目錄下,使用「 feapder create -s 」命令建立一個爬蟲

cd spiders

# 建立一個輕量級爬蟲
feapder create -s tophub_spider 1

其中

  • 1 為預設,表示建立一個輕量級爬蟲 AirSpider
  • 2 代表建立一個分散式爬蟲 Spider
  • 3 代表建立一個分散式批次爬蟲 BatchSpider

3-3 配置資料庫、建立資料表、建立對映 Item

以 Mysql 為例,首先我們在資料庫中建立一張資料表

# 建立一張資料表
create table topic
(
    id         int auto_increment
        primary key,
    title      varchar(100)  null comment '文章標題',
    auth       varchar(20)   null comment '作者',
    like_count     int default 0 null comment '喜歡數',
    collection int default 0 null comment '收藏數',
    comment    int default 0 null comment '評論數'
);

然後,開啟專案根目錄下的 settings.py 檔案,配置資料庫連線資訊

# settings.py

MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "xag"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"

最後,建立對映 Item( 可選 )

進入到 items 資料夾,使用「 feapder create -i 」命令建立一個檔案對映到資料庫

PS:由於 AirSpider 不支援資料自動入庫,所以這步不是必須

3-4 編寫爬蟲及資料解析

第一步,首先使「 MysqlDB 」初始化資料庫

from feapder.db.mysqldb import MysqlDB

class TophubSpider(feapder.AirSpider):

    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.db = MysqlDB()

第二步,在 start_requests 方法中,指定爬取主連結地址,使用關鍵字「download_midware 」配置隨機 UA

import feapder
from fake_useragent import UserAgent

def start_requests(self):
    yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)

def download_midware(self, request):
    # 隨機UA
    # 依賴:pip3 install fake_useragent
    ua = UserAgent().random
    request.headers = {'User-Agent': ua}
    return request

第三步,爬取首頁標題、連結地址

使用 feapder 內建方法 xpath 去解析資料即可

def parse(self, request, response):
    # print(response.text)
    card_elements = response.xpath('//div[@class="cc-cd"]')

    # 過濾出對應的卡片元素【什麼值得買】
    buy_good_element = [card_element for card_element in card_elements if
                        card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什麼值得買'][0]

    # 獲取內部文章標題及地址
    a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')

    for a_element in a_elements:
        # 標題和連結
        title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
        href = a_element.xpath('.//@href').extract_first()

        # 再次下發新任務,並帶上文章標題
        yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
                              title=title)

第四步,爬取詳情頁面資料

上一步下發新的任務,通過關鍵字「 callback 」指定回撥函式,最後在 parser_detail_page 中對詳情頁面進行資料解析

def parser_detail_page(self, request, response):
    """
    解析文章詳情資料
    :param request:
    :param response:
    :return:
    """
    title = request.title

    url = request.url

    # 解析文章詳情頁面,獲取點贊、收藏、評論數目及作者名稱
    author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()

    print("作者:", author, '文章標題:', title, "地址:", url)

    desc_elements = response.xpath('//span[@class="xilie"]/span')

    print("desc數目:", len(desc_elements))

    # 點贊
    like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
    # 收藏
    collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
    # 評論
    comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])

    print("點贊:", like_count, "收藏:", collection_count, "評論:", comment_count)

3-5 資料入庫

使用上面例項化的資料庫物件執行 SQL,將資料插入到資料庫中即可

# 插入資料庫
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
title, author, like_count, collection_count, comment_count)

# 執行
self.db.execute(sql)

4. 最後
以上就是本次分享的所有內容,如果你覺得文章還不錯,歡迎關注公眾號:Python程式設計學習圈,每日干貨分享,內容覆蓋Python電子書、教程、資料庫程式設計、Django,爬蟲,雲端計算等等。或是前往程式設計學習網,瞭解更多程式設計技術知識。