1. 手機APP資料----寫在前面
繼續練習pyspider的使用，最近搜尋了一些這個架構的一些使用技巧，發現文檔竟然挺難了解的，不過使用起來暫時沒有障礙，估摸着，要在寫個5篇左右關于這個架構的教程。今天教程中增加了圖檔的處理，你可以重點學習一下。
2. 手機APP資料----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，每頁資料是9個，資料量大概在180000左右，可以抓取下來，後面做資料分析使用，也可以練習優化資料庫。
網站基本沒有反爬措施，上去爬就可以，略微控制一下并發，畢竟不要給别人伺服器太大的壓力。
頁面經過分析之後，可以看到它是基于URL進行的分頁，這就簡單了，我們先通過首頁擷取總頁碼，然後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 擷取總頁碼的代碼
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):
# 擷取最後一頁的頁碼
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)
然後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控制台點選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) 這個方法擷取一個Response對象。
response.doc是pyquery對象的一個擴充方法。pyquery是一個類似于jQuery的對象選擇器。
def detail_page(self, response)傳回一個結果集對象。
這個結果預設會被添加到resultdb資料庫（如果啟動時沒有指定資料庫預設調用sqlite資料庫）。你也可以重寫
on_result(self,result)方法來指定儲存位置。
更多知識：
@every(minutes=24*60, seconds=0) 這個設定是告訴scheduler（排程器）on_start方法每天執行一次。
@config(age=10 * 24 * 60 * 60) 這個設定告訴scheduler（排程器）這個request（請求）過期時間是10天，
10天内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中設定。
@config(priority=2) 這個是優先級設定。數字越大越先執行。 分頁資料已經添加到待爬取隊列中去了，下面開始分析爬取到的資料，這個在
detail_page
函數實作
@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("h3>a").text()
# 儲存資料
# 建立圖檔下載下傳管道
img_url = item(".tip_list>a>img").attr("src")
# 擷取檔案名字
filename = img_url[img_url.rindex("/")+1:]
# 添加軟體logo圖檔下載下傳位址
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 資料已經集中傳回，我們重寫
on_result
來儲存資料到
mongodb
中，在編寫以前，先把連結
mongodb
的相關内容編寫完畢
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 # 準備插入資料
資料存儲
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') 擷取到的資料，如下表所示。到此為止，咱已經完成大部分的工作了，最後把圖檔下載下傳完善一下，就收工啦！
3. 手機APP資料----圖檔存儲
圖檔下載下傳，其實就是儲存網絡圖檔到一個位址即可
def save_img(self,response):
content = response.content
file_name = response.save["filename"]
#建立檔案夾（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) 到此為止，任務完成，儲存之後，調整爬蟲的抓取速度，點選run，資料跑起來~~~~