介紹一款能取代 Scrapy 的爬蟲框架 - feapder
1. 前言
大家好，我是安果！
眾所周知，Python 最流行的爬蟲框架是 Scrapy，它主要用于爬取網站結構性數據
今天推薦一款更加簡單、輕量級，且功能強大的爬蟲框架：feapder
項目地址：
https://github.com/Boris-code/feapder
2. 介紹及安裝
和 Scrapy 類似，feapder 支持輕量級爬蟲、分布式爬蟲、批次爬蟲、爬蟲報警機制等功能
內置的 3 種爬蟲如下：
- AirSpider
輕量級爬蟲，適合簡單場景、數據量少的爬蟲
- Spider
分布式爬蟲，基于 Redis，適用于海量數據，并且支持斷點續爬、自動數據入庫等功能
- BatchSpider
分布式批次爬蟲，主要用于需要周期性采集的爬蟲
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 來爬取一些簡單的數據
目標網站：aHR0cHM6Ly90b3BodWIudG9kYXkvIA==
詳細實現步驟如下（ 5 步）
3-1 創建爬蟲項目
首先，我們使用「 feapder create -p 」命令創建一個爬蟲項目
- # 創建一個爬蟲項目
- feapder create -p tophub_demo
3-2 創建爬蟲 AirSpider
命令行進入到 spiders 文件夾目錄下，使用「 feapder create -s 」命令創建一個爬蟲
- cd spiders
- # 創建一個輕量級爬蟲
- feapder create -s tophub_spider 1
其中
- 1 為默認，表示創建一個輕量級爬蟲 AirSpider
- 2 代表創建一個分布式爬蟲 Spider
- 3 代表創建一個分布式批次爬蟲 BatchSpider
3-3 配置數據庫、創建數據表、創建映射 Item
以 Mysql 為例，首先我們在數據庫中創建一張數據表
- # 創建一張數據表
- 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'
- );
然后，打開項目根目錄下的 settings.py 文件，配置數據庫連接信息
- # settings.py
- MYSQL_IP = "localhost"
- MYSQL_PORT = 3306
- MYSQL_DB = "xag"
- MYSQL_USER_NAME = "root"
- MYSQL_USER_PASS = "root"
最后，創建映射 Item（ 可選 ）
進入到 items 文件夾，使用「 feapder create -i 」命令創建一個文件映射到數據庫
PS：由于 AirSpider 不支持數據自動入庫，所以這步不是必須
3-4 編寫爬蟲及數據解析
第一步，首先使「 MysqlDB 」初始化數據庫
- 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，指定爬取主鏈接地址，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、鏈接地址
使用 feapder 內置方法 xpath 去解析數據即可
- 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【什么值得買】
- buy_good_element = [card_element for card_element in card_elements if
- card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得買'][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:
- # 標題和鏈接
- title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
- href = a_element.xpath('.//@href').extract_first()
- # 再次下發新任務，并帶上文章標題
- yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
- titletitle=title)
第四步，爬取詳情頁面數據
上一步下發新的任務，通過關鍵字「 callback 」指定回調函數，最后在 parser_detail_page 中對詳情頁面進行數據解析
- def parser_detail_page(self, request, response):
- """
- 解析文章詳情數據
- :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 數據入庫
使用上面實例化的數據庫對象執行 SQL，將數據插入到數據庫中即可
- # 插入數據庫
- 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. 最后
本篇文章通過一個簡單的實例，聊到了 feapder 中最簡單的爬蟲 AirSpider
