三步走，教你定制自己的个性python爬虫，代码都省了有木有~
想抓取各大招聘网站上的职位信息吗，想抓取各大电商网站上的商品信息吗，想抓取1024上各种不可描述吗？看这里，看这里，简单三步走，各种数据，你值得拥有。
一个基于scrapy 的二次开发框架webWalker，只需要配置xpath或正则表达式，就可以在互联网上随心所欲，想抓哪里抓哪里！
框架目标：写最少的代码，实现定制化抓取
需要掌握技能
- xpath表达式，正则表达式，以及css表达式，至少会其中一项
- python 字典和列表数据结构
以下技能最好掌握
- python lambda 表达式的使用
- python 简单函数编写
- 了解scrapy的基本概念，参见scrapy简单介绍
抓取经验：
- 抓取国外81个电商网站70W商品SKU（库存量单位）信息
- 抓取国内各大招聘网站各行业的职位信息
- 抓取不可描述的网站上各种不可描述的图片及下载链接
以下是干货：
手把手教你实现网站分类下项目信息的抓取
我们以bluefly为例进行讲解（声明声明，本文不是bluefly的软文，bluefly不是指蓝翔，虽然我是山东的，更是济南的，但你们问我挖掘机的事情，宝宝表示一脸萌比）
一、安装web-walker
需要python2.7
git clone https://github.com/ShichaoMa/webWalker.git
cd webWalker/walker && (sudo) python setup.py install
or
(sudo) pip install web-walker
可以直接从git上clone代码，但更推荐使用pip安装，windows 系统和ubuntu系统均支持。
二、配置抓取信息
- 打开你要抓取网站，找到一个你要抓取项目的分类。比如，我们选择woman shirt
一共找到了910个商品， 我们要把每一件shirt的商品信息都抓取下来。
- 首先我们打开浏览器开发者工具F12，推荐使用chrome浏览器，找到下一页的xpath表达式
不懂xpath的可以看这里，一个非常简单的XML路径语言，用来寻找网页中的元素，很容易学习。XPath 教程
注意：现在的开发者工具都会有copy xpath这个功能，但不推荐使用，因为copy出来的xpath专一性很强。可能你抓取其它商品或者其它页的时候，xpath已经不适用了，使用id ，标签名，加上class去匹配一个xpath路径，会更通用一些。
我们找到的结果是
'//*[@id="page-content"]//a[@rel="next"]/@href'
好的，先记下来，一会儿用来配置。
- 然后，我们找到商品链接的xpath表达式
'//ul[@class="mz-productlist-list mz-l-tiles"]/li//a[@class="mz-productlisting-title"]/@href'
保存起来。
- 接下来，我们点开商品链接，在商品页面寻找我们需要的信息。
'//p[@class="mz-productbrand"]/a/text()' # 商标
'//span[@class="mz-breadcrumb-current"]/text()' # 标题
'//*[@id="product-selection"]//div[@itemprop="price"]/text()' # 原价
'//*[@id="product-selection"]//div[@class="mz-price is-saleprice"]/text()' # 现价
'//div[@class="mz-productoptions-valuecontainer"]/span/text()' # 尺寸
'//div[@class="mz-productoptions-optioncontainer colorList"]/div/span/text()' # 颜色
'//li[@itemprop="productID"]/text()' # 商品唯一id
......当然，你还可以抓取其它信息。
好了，在有这些信息之后，让我们开始配置我们的程序吧。
- 使用scrapy生成一个项目
ubuntu@dev:~/myprojects$ scrapy startproject demo
New Scrapy project 'demo' created in:
/home/ubuntu/myprojects/demo
You can start your first spider with:
cd demo
scrapy genspider example example.com
# 目录结构如下
.
├── demo
│ ├── __init__.py
│ ├── items.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ └── __init__.py
└── scrapy.cfg
或者直接从test中复制myapp，如果要改项目名字，记得修改scarpy.cfg中的名字
- 删除掉其中的demo/items.py demo/piplines.py，并使用myapp/settings.py，myapp/spipders/__init__.py 替掉原来的文件
- 在spiders目录下，创建page_xpath.py, item_xpath.py, item_field.py, spiders.py，编写以下内容
# spiders.py
# -*- coding:utf-8 -*
SPIDERS = { # 配置spider, spider名称一个字典，字典中为这个spider的一些自定义属性，可为空
"bluefly": {}
}
# page_xpath.py
# -*- coding:utf-8 -*
PAGE_XPATH = { # 配置网站分类页中获取下一页链接的方式，具体策略参见wiki
"bluefly": [
'//*[@id="page-content"]//a[@rel="next"]/@href',
]
}
# item_xpath.py
# -*- coding:utf-8 -*
ITEM_XPATH = { # 配置网站分类页中获取商品页链接的方式，xpath表达式
"bluefly": [
'//ul[@class="mz-productlist-list mz-l-tiles"]/li//a[@class="mz-productlisting-title"]/@href',
]
}
# item_field
# -*- coding:utf-8 -*
ITEM_FIELD = { # 商品页中，所需信息的获取方式，具体策略参见wiki
"bluefly": [
('product_id', {
"xpath": [
'//li[@itemprop="productID"]/text()',
],
}),
('brand', {
"xpath": [
'//p[@class="mz-productbrand"]/a/text()',
],
}),
('title', {
"xpath": [
'//span[@class="mz-breadcrumb-current"]/text()',
],
}),
('price', {
"xpath": [
'//*[@id="product-selection"]//div[@itemprop="price"]/text()',
],
}),
('new_price', {
"xpath": [
'//*[@id="product-selection"]//div[@class="mz-price is-saleprice"]/text()',
],
}),
('size', {
"xpath": [
'//div[@class="mz-productoptions-valuecontainer"]/span/text()',
],
}),
('color', {
"xpath": [
'//div[@class="mz-productoptions-optioncontainer colorList"]/div/span/text()',
],
}),
]
}
- 修改demo/settings.py 文件，或者直接新建localsettings.py，增加自定义配置，要修改的项目在settings.py已注明
配置完毕，接下来我们就要开始抓取了。
三 启动我们的程序
- 启动redis
#如果没有安装redis，可以使用自带的custom-redis，配置文件中需写明CUSTOM_REDIS=True
custom-redis-server -p 6379注：cutom-redis是我实现的python 版的简单redis 参见GitHub - ShichaoMa/custom_redis: python实现简单redis，实现redis基本功能以及可插拔数据结构
- 启动爬虫
cd demo
scrapy crawl bluefly
- 投放任务
# 使用自带的costom-redis 需要加上 --custom
# 投放分类链接
feed -c test_01 -s bluefly -u "http://www.bluefly.com/women/clothing/skirts" --custom
爬虫在努力的工作中。
可以在配置文件中配置是将log打到控制台，文件还是kafka（用来关联elk做日志管理）中。
- 查看任务状态
# 使用自带的costom-redis 需要加上 --custom
check test_01 --custom
或许你看到这个结果时，第一反应就是这样的，但是，请相信我可以解释这一切。当你不对scrapy做任何限制的时候，scrapy会同时下载十几个网页（具体看配置），抓取速度可能会很快，这样的就会导致，下一页还没翻完，当前页的商品已经差不多抓取完毕了，所以才会这种现象出现。
全部商品抓取完毕，至于为什么刚才是910，现在只有907。那是因为这些电商网站的商品数量会经常变化，不要在意这些细节。。。如果你没有更改pipline配置，会默认使用JSONPipline进行数据存储，关闭程序后，会在程序的项目根目录task文件夹下生成json格式的文件用来存储抓取信息。
FAQ:
问：能简单介绍一下scrapy吗？
答：请看这里scrapy 简单介绍 · ShichaoMa/webWalker Wiki · GitHub
问：很多时候翻页链接是前端js生成的，无法通过xpath获取，怎么办？
答：这种情况的确很常见，但是请相信我，通用抓取配置方法 · ShichaoMa/webWalker Wiki · GitHub，这里提到的另外三种通过正则配置翻页策略的方式，基本可以应付绝大多数网站，如果还不能实现，你可以重写parse函数，具体参见自定义高级特性 · ShichaoMa/webWalker Wiki · GitHub
问：很多页面上的信息都是通过ajax发送请求得到的，框架可以通过配置实现吗？
答： 通过配置增发请求函数提供下一个请求的Url，可以优雅的实现。具体参见item_field函数配置 · ShichaoMa/webWalker Wiki · GitHub
问：使用xpath或正则得到数据还需要进一步处理怎么办？
答：框架提供了自定义转换函数机制，你可以通过编写转换函数，来处理抓取下来的原始数据，具体参见item_field函数配置 · ShichaoMa/webWalker Wiki · GitHub
问：网站的一些反爬虫措施如何应对？
答：常规的反反爬虫措施框架都已经集成，对于限制ip，可以通过配置代理中间件使用来完成。对于通过验证码识别爬虫的网站，可以通过编写验证码中间件，调用识别验证码的程序来识别，如果不好识别，可以使用人工打码，并记录返回的cookies，用以发送下一次请求。这种方式看似低级其实很好用，对付amazon及jomashop屡试不爽。一个有效cookies可以用半小时。半小时打一次码。其实是可以接受的。
问：如何提高抓取效率？
答，scrapy支持高并发，简单配置即可，但是不推荐使用太高的并发，非常容易被封ip。本框架是一个分布式程序，在一台机器上的开启redis之后，可以使用不同的ip下多台机器同时运行spider监控redis任务队列抓取。
问：如何保存数据？
答：scrapy提供了自定义pipline的功能，可以根据需求将数据存储到不同的数据库中，具体可以参见自定义高级特性 · ShichaoMa/webWalker Wiki · GitHub
问：如果我们有问题和建议给你发私信。pull request会被重视吗？
答：首先非常感谢您的使用，由于本人才疏学浅，经验不足，所以框架可能会存在很多不够完善的地方，愿您的问题可以使框架本身功能越来越强大、易用，我会尽可能在最短时间内给您回复，并适时对框架做出改进。
您的每一次赞美都是我前进的动力，感谢阅读！
github: GitHub - ShichaoMa/webWalker: 分类下子项目信息抓取
关于作者: 不按套路出牌的水货python程序员，在职爬虫工程师。
