Python爬蟲新手教程：手機APP數據抓取 pyspider

1. 手機APP數據----寫在前面

繼續練習pyspider的使用，最近搜索了一些這個框架的一些使用技巧，發現文檔竟然挺難理解的，不過使用起來暫時沒有障礙，估摸著，要在寫個5篇左右關于這個框架的教程。今天教程中增加了圖片的處理，你可以重點學習一下。

2. 手機APP數據----頁面分析

咱要爬取的網站是 http://www.liqucn.com/rj/new/ 這個網站我看了一下，有大概20000頁，每頁數據是9個，數據量大概在180000左右，可以抓取下來，后面做數據分析使用，也可以練習優化數據庫。

網站基本沒有反爬措施，上去爬就可以，略微控制一下并發，畢竟不要給別人服務器太大的壓力。

頁面經過分析之后，可以看到它是基于URL進行的分頁，這就簡單了，我們先通過首頁獲取總頁碼，然后批量生成所有頁碼即可

http://www.liqucn.com/rj/new/?page=1
http://www.liqucn.com/rj/new/?page=2
http://www.liqucn.com/rj/new/?page=3
http://www.liqucn.com/rj/new/?page=4

獲取總頁碼的代碼

class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('http://www.liqucn.com/rj/new/?page=1', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        # 獲取最后一頁的頁碼
        totle = int(response.doc(".current").text())
        for page in range(1,totle+1):
            self.crawl('http://www.liqucn.com/rj/new/?page={}'.format(page), callback=self.detail_page)
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

然后copy一段官方中文翻譯，過來，時刻提醒自己

代碼簡單分析：

def on_start(self) 方法是入口代碼。當在web控制臺點擊run按鈕時會執行此方法。

self.crawl(url, callback=self.index_page)這個方法是調用API生成一個新的爬取任務，
            這個任務被添加到待抓取隊列。
def index_page(self, response) 這個方法獲取一個Response對象。 
            response.doc是pyquery對象的一個擴展方法。pyquery是一個類似于jQuery的對象選擇器。

def detail_page(self, response)返回一個結果集對象。
            這個結果默認會被添加到resultdb數據庫（如果啟動時沒有指定數據庫默認調用sqlite數據庫）。你也可以重寫
            on_result(self,result)方法來指定保存位置。

更多知識：
@every(minutes=24*60, seconds=0) 這個設置是告訴scheduler（調度器）on_start方法每天執行一次。
@config(age=10 * 24 * 60 * 60) 這個設置告訴scheduler（調度器）這個request（請求）過期時間是10天，
    10天內再遇到這個請求直接忽略。這個參數也可以在self.crawl(url, age=10*24*60*60) 和 crawl_config中設置。
@config(priority=2) 這個是優先級設置。數字越大越先執行。

分頁數據已經添加到待爬取隊列中去了，下面開始分析爬取到的數據，這個在detail_page函數實現

    @config(priority=2)
    def detail_page(self, response):
        docs = response.doc(".tip_blist li").items()
        dicts = []
        for item in docs:
            title = item(".tip_list>span>a").text()
            pubdate = item(".tip_list>i:eq(0)").text()
            info = item(".tip_list>i:eq(1)").text()
            # 手機類型
            category = info.split("：")[1]
            size = info.split("/")
            if len(size) == 2:
                size = size[1]
            else:
                size = "0MB"
            app_type = item("p").text()
            mobile_type = item("h4>a").text()
            # 保存數據

            # 建立圖片下載渠道

            img_url = item(".tip_list>a>img").attr("src")
            # 獲取文件名字
            filename = img_url[img_url.rindex("/")+1:]
            # 添加軟件logo圖片下載地址
            self.crawl(img_url,callback=self.save_img,save={"filename":filename},validate_cert=False)
            dicts.append({
                "title":title,
                "pubdate":pubdate,
                "category":category,
                "size":size,
                "app_type":app_type,
                "mobile_type":mobile_type

                })
        return dicts
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

數據已經集中返回，我們重寫on_result來保存數據到mongodb中，在編寫以前，先把鏈接mongodb的相關內容編寫完畢

import os

import pymongo
import pandas as pd
import numpy as np
import time
import json

DATABASE_IP = '127.0.0.1'
DATABASE_PORT = 27017
DATABASE_NAME = 'sun'
client = pymongo.MongoClient(DATABASE_IP,DATABASE_PORT)
db = client.sun
db.authenticate("dba", "dba")
collection = db.liqu  # 準備插入數據

數據存儲

    def on_result(self,result):
        if result:
            self.save_to_mongo(result)            

    def save_to_mongo(self,result):
        df = pd.DataFrame(result)
        #print(df)
        content = json.loads(df.T.to_json()).values()
        if collection.insert_many(content):
            print('存儲到 mongondb 成功')

獲取到的數據，如下表所示。到此為止，咱已經完成大部分的工作了，最后把圖片下載完善一下，就收工啦！

3. 手機APP數據----圖片存儲

圖片下載，其實就是保存網絡圖片到一個地址即可

    def save_img(self,response):
        content = response.content
        file_name = response.save["filename"]
        #創建文件夾（如果不存在）
        if not os.path.exists(DIR_PATH):                         
            os.makedirs(DIR_PATH) 

        file_path = DIR_PATH + "/" + file_name

        with open(file_path,"wb" ) as f:
            f.write(content)
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

到此為止，任務完成，保存之后，調整爬蟲的抓取速度，點擊run，數據跑起來~~~~