python爬虫框架排行榜-Python爬虫框架--pyspider初体验

之前接触scrapy本来是想也许scrapy能够让我的爬虫更快，但是也许是我没有掌握scrapy的要领，所以爬虫运行起来并没有我想象的那么快，看这篇文章就是之前使用scrapy的写得爬虫。然后昨天我又看到了pyspider，说实话本来只是想看看，但是没想到一看就让我喜欢上了pyspider。

先给大家看一下pyspider的后台截图：

pyspider是国人写的一款开源爬虫框架，个人觉得这个框架用起来很方便，至于如何方便可以继续看下去。

作者博客：http://blog.binux.me/

这篇文章是我照着作者的这篇文章所做，爬取得是豆瓣电影，我也照着爬豆瓣电影，但是原文章有些地方不再适用，这里我会有些改正，以适应网页所发生的变化。

安装pyspider

安装pyspider：pip install pyspider

目测pyspider只支持32位系统，因为安装pyspider前需要先安装一个依赖库：pycurl，而pycurl只支持32位系统，虽然我也在csdn找到别人重新编译过的pycurl，能够在64位安装，然后pyspider也确实安装上去了，但是并不完美！！这里说一下，不完美处就是无法进行调试！！调试很重要吧？

抱着对pyspider的喜爱，我就果断的重装系统了！

如果你是32位系统，就这样安装：

pip install pycurl

pip install pyspider

1

2

如果你是64位系统，且不是强迫症，能够接受不完美的事物，就这样安装：

下载重新编译过的pycurl，然后安装。

然后cmd输入：pip install pyspider

第一个pyspider爬虫

打开cmd，输入pyspider，然后打开浏览器输入：http://localhost:5000, 然后就可以进入pyspider的后台了。

第一次打开后台是一片空白的。（点开浏览器后cmd不要关了！）

点击Create，随便输入一个名字（当然名字还是不要乱取）。

点击确定之后就进入一个脚本编辑器了

创建项目的时候也自动创建了一个脚本，这里我们只需要改动脚本OK。我们要爬豆瓣的所有电影，选择http://movie.douban.com/tag/为起始点，也就是从这里开始爬。

首先是改动on_start

@every(minutes=24 * 60)

def on_start(self):

self.crawl('http://movie.douban.com/tag/', callback=self.index_page)

1

2

3

这里没什么讲的，改个网址而已，callback就是调用下一个函数开始这个起始网页。

5. 改动index_page函数

我们先来看一下启示网页张怎样？

有按类型分类，也有按国家/地区分类，还有按年代分类。我们可以选择按国家/地区分类，也可以选择按年代分类，最好不选择按类型分类，因为同一部电影既可能是爱情片、又可能是动作片（感觉怪怪的）。我这里选择按年代分类。

先看一下index_page我是怎么改的。

@config(age=10 * 24 * 60 * 60)

def index_page(self, response):

for each in response.doc('#content>div>div.article> table:nth-child(9)>tbody>tr>td>a').items():

a=each.attr.href.replace('www','movie')

self.crawl(a,callback=self.list_page)

1

2

3

4

5

可以看到我们是从response.doc之中选择tag的，然后

#content>div>div.article> table:nth-child(9)>tbody>tr>td>a

熟悉css selector的朋友可能会很熟悉这种东西，然而我是第一次接触，所以讲不出个所以然来。其实css selector跟正则表达式、xpath一样，也是一种内容选择的方法，然后也很好理解这是什么意思。

这是分隔符，熟悉css selector的朋友可以不用看下面的部分

我们先看一下

http://movie.douban.com/tag/

我们要选择的是2013、2012到1989这部分内容，那么我们右键选择2013然后审查元素

然后在链接中右键选择copy css path得到一个然后复制到文本中，我们选多几个tag的css path，查看一下规律

可以看到选中的几个tag的css path不同点就在我红线标出的地方，那么我们把他们的不同之处去掉，只留下相同的部分，也就是最下面的一行，把他复制下来，放到

for each in response.doc('#content>div>div.article> table:nth-child(9)>tbody>tr>td>a').items()

1

括号里面，告诉爬虫，我们要爬的部分在这个path下！

这就是一个得到css path的方法，就连我这个第一次接触css selector的人都可以找到

下面回归

接着是

a=each.attr.href.replace('www','movie')

self.crawl(a,callback=self.list_page)

1

2

我们先把符合上面css path规则的部分进行了替换，把www替换为了movie。为什么这样做呢？我们分别打开

http://www.douban.com/tag/2013/?focus=movie

和

http://movie.douban.com/tag/2013/?focus=movie

来看。

可以看到www的是没有翻页的！！！而movie的是有翻页的！！！我们要遍历所有电影，当然要有翻页了！！！所以这就是替换的原因所在！

self.crawl(a,callback=self.list_page)

1

改动list_page函数

@config(age=10*24*60*60)

def list_page(self,response):

#获得电影详细内容链接并交给下一个函数处理

for each in response.doc('td > .pl2 > a').items():

self.crawl(each.attr.href,callback=self.detail_page)

#翻页，然后继续由list_page函数处理

for each in response.doc('.next > a').items():

self.crawl(each.attr.href,callback=self.list_page)

1

2

3

4

5

6

7

8

这里的css path我是有pyspider自带的css selector helper得到的。说到这里就再讲一下pyspider自带的css selector helper怎么用（当然这不是万能的，要不然上面我也不会用浏览器的审查元素进行获取css path）

我们先点击脚本编辑器的中间上方的run

选择follows，看到这样的

点击箭头继续。

顺便说一下，如果点击箭头follows就没有链接了，那么说明你上一个函数的css path没有选对！回去修改！！

到这里再选一个链接的箭头继续。回到web下。

我们改动list_page的任务有两个，一个是选择一个电影的详细内容的链接交给下一个函数处理，还有一个就是翻页继续由list_page函数处理。

选择enable css selector path然后点击一个电影链接，就会发现所有的电影链接都被红框框给框起来了！

我们把鼠标选择到图中一处，然后点击网页中间上方的箭头，也就是图中标出的地方，然后就把网页详细内容链接的css path添加进来了！

同理可以把翻页的css path得到。

8.改动detail_page函数

@config(priority=2)

def detail_page(self, response):

return {

"url": response.url,

"title":response.doc('* > * > div#wrapper > div#content > h1 > span').text(),

"rate":response.doc('.rating_num').text(),

"导演":response.doc('#info > span:nth-child(1) > span.attrs > a').text()

}

1

2

3

4

5

6

7

8

这个就简单了，已经到了电影详细内容网页，就看你要什么内容，然后利用css selector helper进行选择就可以了！我这里只返回了url、电影标题、评分和导演四项！

到这里，爬虫基本上写完了，点击save，返回dashboard，把爬虫的状态改成Running或者debug，然后再点击右方的run，爬虫就启动了！！

另外这里还有很多的demo哦！http://demo.pyspider.org/