Scrapy是python上很受歡迎的爬網框架，官方網站為：http://doc.scrapy.org/en/latest/index.html．介紹Scrapy的網站很多，官網自己就寫得很清楚，一些中文化的資料可參考像是http://www.addbook.cn/book/scrapy中文手册等資料．今天主要介紹的是爬網之後的動作．爬網並不是單純爬文而已，而是為了提供之後進一步的分析，所以資料都必須儲存下來，儲存的方式有很多種，可以單純是個file，再由分析軟體來處理資料，或是把資料放在資料庫中，做進一步的分析．
之前所做的爬網專案，爬網下來後的資料是轉成csv檔後丟給R做分析，分析後直接產生report．但是這樣的方式卻有個缺點--資料難以再利用．為了加強資料可利用性以及爬網的彈性，所以開始嘗試使用JSON之類的NOSQL方案來儲存爬網資料．格式決定了，那資料庫呢？知名的NOSQL DB像是Mongo等都在考慮範圍內，但是如果RDB資料放一個DB，NOSQL資料又放一個DB這樣子徒增資料串連的困擾，幸好一些傳統RDB資料庫也開始支援NOSQL的格式，其中處理的不錯，又是開源軟體，同時也是公司使用的企業DB，在這樣的交集之下，選擇了postgreSQL來作為存放爬網資料的首選．
爬網框架確定，資料格式確定，DB確定，接下來就是把這三個東西兜在一起．
- 設定Scrapy：基本的設定我就偷懶了，官方文件講得很清楚XD
http://doc.scrapy.org/en/latest/intro/tutorial.html#creating-a-project
設定好後介紹一下每個檔案的設定內容 - 爬網機器人主程式路徑：
這個裡面放了主要的爬蟲程式，包括網址，parsing路徑以及方法：
- import項目：
就是按照官網教學，把該import的東西import進來．items是上一層目錄放的檔案，裡面的Item為items.py中的主要物件，設定了輸出的欄位．
- Class宣告：
這邊是主程式的內容，宣告物件名稱的時候，需要繼承一個Spider，Scrapy提供了各種Spider可以用（http://doc.scrapy.org/en/latest/topics/spiders.html#spider-arguments）．我目前使用的是最基本的Spider，還有CrawlSpider等其他厲害的爬蟲可以設定．
這邊我設定了三個值：
- name：crawler的名字，在呼叫時需要用到
- allowed_domains：要爬哪個網域
- start_urls：初始要爬的網址，每個網址會產生不同的response往下面丟，我這邊是用迴圈控制要爬的頁面數量．
- 方法宣告：
- parse()：在start_urls爬下來的網頁會變成response丟到parse()裡面去，其實在parse裡面就可以設定parsing，但是我是參考別人把這兩塊分開，所以利用callback呼叫了parse_profile，把真正的parsing部分放在後面．
- parse_profile()：這邊放了要parsing的資料，因為只是一個小POC，所以沒有太複雜的結構，單純的把爬下來的東西丟回item，item是在items.py中設定的欄位．
- 比較值得注意的是item['total']這個欄位，因為目標是要在DB中儲存JSON檔案，而postregSQL中，JSON格式的檔案是佔一個欄位，所以我特別將欄位拉出來，直接把整個item物件轉成dictionary格式丟進去．（因為Scrapy在設計item物件來存放資料時，就是使用key-value pair的方式來儲存資料，可以直接轉換成dictionary）
原本想說基本設定官方說明很清楚，沒有打算扯太多，沒想到還是想得太細節...只好分段落補完了．整個程式不長，花最多時間的還是在處理encoding的事情...orz
沒有留言:
張貼留言