1. 前言
大家好，我是安果！
众所周知，Python 最流行的爬虫框架是 Scrapy，它主要用于爬取网站结构性数据
今天推荐一款更加简单、轻量级，且功能强大的爬虫框架：feapder
项目地址：
https://github.com/Boris-code/feapder
2. 介绍及安装
和 Scrapy 类似，feapder 支持轻量级爬虫、分布式爬虫、批次爬虫、爬虫报警机制等功能
内置的 3 种爬虫如下：
- AirSpider
轻量级爬虫，适合简单场景、数据量少的爬虫
- Spider
分布式爬虫，基于 Redis，适用于海量数据，并且支持断点续爬、自动数据入库等功能
- BatchSpider
分布式批次爬虫，主要用于需要周期性采集的爬虫
在实战之前，我们在虚拟环境下安装对应的依赖库
- # 安装依赖库
- pip3 install feapder
3. 实战一下
我们以最简单的 AirSpider 来爬取一些简单的数据
目标网站：aHR0cHM6Ly90b3BodWIudG9kYXkvIA==
详细实现步骤如下（ 5 步）
3-1 创建爬虫项目
首先，我们使用「 feapder create -p 」命令创建一个爬虫项目
- # 创建一个爬虫项目
- feapder create -p tophub_demo
3-2 创建爬虫 AirSpider
命令行进入到 spiders 文件夹目录下，使用「 feapder create -s 」命令创建一个爬虫
- cd spiders
- # 创建一个轻量级爬虫
- feapder create -s tophub_spider 1
其中
- 1 为默认，表示创建一个轻量级爬虫 AirSpider
- 2 代表创建一个分布式爬虫 Spider
- 3 代表创建一个分布式批次爬虫 BatchSpider
3-3 配置数据库、创建数据表、创建映射 Item
以 Mysql 为例，首先我们在数据库中创建一张数据表
- # 创建一张数据表
- create table topic
- (
- id int auto_increment
- primary key,
- title varchar(100) null comment '文章标题',
- auth varchar(20) null comment '作者',
- like_count int default 0 null comment '喜欢数',
- collection int default 0 null comment '收藏数',
- comment int default 0 null comment '评论数'
- );
然后，打开项目根目录下的 settings.py 文件，配置数据库连接信息
- # settings.py
- MYSQL_IP = "localhost"
- MYSQL_PORT = 3306
- MYSQL_DB = "xag"
- MYSQL_USER_NAME = "root"
- MYSQL_USER_PASS = "root"
最后，创建映射 Item（ 可选 ）
进入到 items 文件夹，使用「 feapder create -i 」命令创建一个文件映射到数据库
PS：由于 AirSpider 不支持数据自动入库，所以这步不是必须
3-4 编写爬虫及数据解析
第一步，首先使「 MysqlDB 」初始化数据库
- from feapder.db.mysqldb import MysqlDB
- class TophubSpider(feapder.AirSpider):
- def __init__(self, *args, **kwargs):
- super().__init__(*args, **kwargs)
- self.db = MysqlDB()
第二步，在 start_requests 方法中，指定爬取主链接地址，使用关键字「download_midware 」配置随机 UA
- import feapder
- from fake_useragent import UserAgent
- def start_requests(self):
- yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)
- def download_midware(self, request):
- # 随机UA
- # 依赖：pip3 install fake_useragent
- ua = UserAgent().random
- request.headers = {'User-Agent': ua}
- return request
第三步，爬取首页标题、链接地址
使用 feapder 内置方法 xpath 去解析数据即可
- def parse(self, request, response):
- # print(response.text)
- card_elements = response.xpath('//div[@class="cc-cd"]')
- # 过滤出对应的卡片元素【什么值得买】
- buy_good_element = [card_element for card_element in card_elements if
- card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]
- # 获取内部文章标题及地址
- a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')
- for a_element in a_elements:
- # 标题和链接
- title = a_element.xpath('.//span[@class="t"]/text()').extract_first()
- href = a_element.xpath('.//@href').extract_first()
- # 再次下发新任务，并带上文章标题
- yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,
- titletitle=title)
第四步，爬取详情页面数据
上一步下发新的任务，通过关键字「 callback 」指定回调函数，最后在 parser_detail_page 中对详情页面进行数据解析
- def parser_detail_page(self, request, response):
- """
- 解析文章详情数据
- :param request:
- :param response:
- :return:
- """
- title = request.title
- url = request.url
- # 解析文章详情页面，获取点赞、收藏、评论数目及作者名称
- author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()
- print("作者：", author, '文章标题:', title, "地址：", url)
- desc_elements = response.xpath('//span[@class="xilie"]/span')
- print("desc数目:", len(desc_elements))
- # 点赞
- like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])
- # 收藏
- collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])
- # 评论
- comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])
- print("点赞：", like_count, "收藏:", collection_count, "评论:", comment_count)
3-5 数据入库
使用上面实例化的数据库对象执行 SQL，将数据插入到数据库中即可
- # 插入数据库
- sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (
- title, author, like_count, collection_count, comment_count)
- # 执行
- self.db.execute(sql)
4. 最后
本篇文章通过一个简单的实例，聊到了 feapder 中最简单的爬虫 AirSpider
