scrapy使用CrawlSpider方式爬取百度贴吧帖子跟图片

今天用CrawlSpider方式爬取百度贴吧，不得不说，这种方法太牛逼了，只用了不到二十行的代码

• 创建项目 scrapy startproject 项目名
• 进入项目然后生成爬虫 scrapy genspider -t crawl 爬虫 爬取范围

主要代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Ruleclass BslnSpider(CrawlSpider):name = 'bsln'allowed_domains = ['baidu.com']start_urls = ['https://tieba.baidu.com/f?kw=%E5%B7%B4%E5%A1%9E%E7%BD%97%E9%82%A3']rules = (#这是帖子详情页的urlRule(LinkExtractor(allow=r'/p/\d+'), callback='parse_item'),#这是下一页的Rule(LinkExtractor(allow=r'https://tieba.baidu.com/f\?kw=%E5%B7%B4%E5%A1%9E%E7%BD%97%E9%82%A3&ie=utf-8&pn=\d+'), follow=True),)def parse_item(self, response):"""处理帖子详情页"""item = {}item["标题"] = response.xpath('//div[@class="left_section"]//h3/text()').extract_first()item["图片"] = response.xpath('//img[@class="BDE_Image"]/@src').extract_first()yield item

pipelines.py中保存数据到mongodb

# -*- coding: utf-8 -*-
from pymongo import MongoClient#链接数据库
client = MongoClient(host="127.0.0.1", port=27017)
#创建数据库
db = client.BSLN_tiebaclass TbPipeline:def process_item(self, item, spider):"""保存数据到mongo"""#插入数据db.data.insert_one(dict(item))#print(item)

settings.py中主要弄几点

#通过在用户代理上标识自己，负责任地爬行
USER_AGENT = 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)'
#默认遵守robots.txt,请求前会先请求这个，弄成False就不会请求了
ROBOTSTXT_OBEY = False
#最大并发（默认16）
CONCURRENT_REQUESTS = 64
#禁用cookies（默认启用）
COOKIES_ENABLED = False
#开启管道（开启才能用piplines.py）
ITEM_PIPELINES = {'tb.pipelines.TbPipeline': 300,
}

运行截图，本次提取了每个帖子的标题及图片的地址，没有的话scrapy会自动设置为None

运行截图

数据库截图

使用CrawlSpider适合url地址比较有规律的，它使用正则匹配所有url，然后自动请求，省了人工自己找的时间

就是下面这个了

 rules = (#这是帖子详情页的urlRule(LinkExtractor(allow=r'/p/\d+'), callback='parse_item'),#这是下一页的Rule(LinkExtractor(allow=r'https://tieba.baidu.com/f\?kw=%E5%B7%B4%E5%A1%9E%E7%BD%97%E9%82%A3&ie=utf-8&pn=\d+'), follow=True),)

要反反爬的话还要在（middlewares.py）下载中间件中的设置随机的请求头跟随机代理ip

    def process_request(self, request, spider):"""这个方法可以在请求之前设置UA跟代理ip"""return None

还有很多不足的地方，就这样