【Python实战】Scrapy豌豆荚应用市场爬虫

对于给定的大量APP，如何爬取与之对应的（应用市场）分类、描述的信息？且看下面分解。

1. 页面分析

当我们在豌豆荚首页搜索框输入微信后，会跳转到搜索结果的页面，其url为http://www.wandoujia.com/search?key=%微信。搜索结果一般是按相关性排序的；所以，我们认为第一条搜索结果为所需要爬取的。紧接着，点进去后会跳转到页面http://www.wandoujia.com/apps/com.tencent.mm，我们会发现豌豆荚的APP的详情页，是www.wandoujia.com/apps/ + APP package组成。

让我们退回到搜索结果页面，分析页面元素，如图：

所有搜索结果在<ul>无序列表标签中，每一个搜索结果在<li>标签中。对应地，CSS选择器应为

'#j-search-list>li::attr(data-pn)'

接下来，我们来分析APP的详情页，APP的名称所对应的HTML元素如图：

APP类别的如图：

APP描述的如图：

不难得到这三类元素所对应的CSS选择器

.app-name>span::text
.crumb>.second>a>span::text
.desc-info>.con::text

通过上面的分析，确定爬取策略如下：

• 逐行读取APP文件，拼接搜索页面URL；
• 分析搜索结果页面，跳转到第一条结果对应的详情页；
• 爬取详情页相关结果，写到输出文件

2. 爬虫实现

分析完页面，可以coding写爬虫了。但是，若裸写Python实现，则要处理下载间隔、请求、页面解析、爬取结果序列化。Scrapy提供一个轻量级、快速的web爬虫框架，并很好地解决了这些问题；中文doc有比较详尽的介绍。

数据清洗

APP文件中，可能有一些名称不规整，需要做清洗：

# -*- coding: utf-8 -*-
import re
 
 
def clean_app_name(app_name):
    space = u'\u00a0'
    app_name = app_name.replace(space, '')
    brackets = r'\(.*\)|\[.*\]|【.*】|（.*）'
    return re.sub(brackets, '', app_name)

URL处理

拿清洗后APP名称，拼接搜索结果页面URL。因为URL不识别中文等字符，需要用urllib.quote做URL编码：

# -*- coding: utf-8 -*-
from appMarket import clean
import urllib
 
 
def get_kw_url(kw):
    """concatenate the url for searching"""
 
    base_url = u"http://www.wandoujia.com/search?key=%s"
    kw = clean.clean_app_name(kw)
    return base_url % (urllib.quote(kw.encode("utf8")))
 
 
def get_pkg_url(pkg):
    """get the detail url according to pkg"""
 
    return 'http://www.wandoujia.com/apps/%s' % pkg

爬取

Scrapy的爬虫均继承与scrapy.Spider类，主要的属性及方法：

• name，爬虫的名称，scrapy crawl命令后可直接跟爬虫的名称，即可启动该爬虫
• allowed_domains，允许爬取域名的列表
• start_requests()，开始爬取的方法，返回一个可迭代对象(iterable)，一般为scrapy.Request对象
• parse(response)，既可负责处理response并返回处理的数据，也可以跟进的URL（以做下一步处理）

items为保存爬取后数据的容器，类似于Python的dict，

import scrapy
 
 
class AppMarketItem(scrapy.Item):
    # define the fields for your item here like:
    kw = scrapy.Field()  # key word
    name = scrapy.Field()  # app name
    tag = scrapy.Field()  # app tag
    desc = scrapy.Field()  # app description

豌豆荚Spider代码：

# -*- coding: utf-8 -*-
# @Time    : 2016/6/23
# @Author  : rain
import scrapy
import codecs
from appMarket import util
from appMarket.util import wandoujia
from appMarket.items import AppMarketItem
 
 
class WandoujiaSpider(scrapy.Spider):
    name = "WandoujiaSpider"
    allowed_domains = ["www.wandoujia.com"]
 
    def __init__(self):
        self.apps_path = './input/apps.txt'
 
    def start_requests(self):
        with codecs.open(self.apps_path, 'r', 'utf-8') as f:
            for app_name in f:
                yield scrapy.Request(url=wandoujia.get_kw_url(app_name),
                                     callback=self.parse_search_result,
                                     meta={'kw': app_name.rstrip()})
 
    def parse(self, response):
        item = AppMarketItem()
        item['kw'] = response.meta['kw']
        item['name'] = response.css('.app-name>span::text').extract_first()
        item['tag'] = response.css('.crumb>.second>a>span::text').extract_first()
        desc = response.css('.desc-info>.con::text').extract()
        item['desc'] = util.parse_desc(desc)
        item['desc'] = u"" if not item["desc"] else item["desc"].strip()
        self.log(u'crawling the app %s' % item["name"])
        yield item
 
    def parse_search_result(self, response):
        pkg = response.css("#j-search-list>li::attr(data-pn)").extract_first()
        yield scrapy.Request(url=wandoujia.get_pkg_url(pkg), meta=response.meta)

APP文件里的应用名作为搜索词，也应被写在输出文件里。但是，在爬取时URL有跳转，如何在不同层级间的Request传递变量呢？Request中的meta (dict) 参数实现了这种传递。

APP描述.desc-info>.con::text，extract返回的是一个list，拼接成string如下：

def parse_desc(desc):
    return reduce(lambda a, b: a.strip()+b.strip(), desc, '')

结果处理

Scrapy推荐的序列化方式为Json。Json的好处显而易见：

• 跨语言；
• Schema明晰，较于'\t'分割的纯文本，读取不易出错

爬取结果有可能会有重复的、为空的（无搜索结果的）；此外，Python2序列化Json时，对于中文字符，其编码为unicode。对于这些问题，可自定义Pipeline对结果进行处理:

class CheckPipeline(object):
    """check item, and drop the duplicate one"""
    def __init__(self):
        self.names_seen = set()
 
    def process_item(self, item, spider):
        if item['name']:
            if item['name'] in self.names_seen:
                raise DropItem("Duplicate item found: %s" % item)
            else:
                self.names_seen.add(item['name'])
                return item
        else:
            raise DropItem("Missing price in %s" % item)
 
 
class JsonWriterPipeline(object):
    def __init__(self):
        self.file = codecs.open('./output/output.json', 'wb', 'utf-8')
 
    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(line)
        return item

还需在settings.py中设置

ITEM_PIPELINES = {
    'appMarket.pipelines.CheckPipeline': 300,
    'appMarket.pipelines.JsonWriterPipeline': 800,
}

分配给每个类的整型值，确定了他们运行的顺序，按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。