python写爬虫3

python写爬虫3

python写爬虫3-MongoDB数据缓存(采集58出租房信息)

有时，我们下载某个页面并抓取部分数据后，之后可能还会需要重新下载该页面，抓取其他数据。对于小网站而言，这不算什么大问题；但对于那些拥有百万网页的网站来说，重新爬取可能需要耗费大量时间。因此，我们可以对已爬取的网页进行缓存，让每个页面只下载一次。

本文代码只是实现了数据的存储与获取，与上述案例实情不符
开发环境：
1.硬件mac
2.python2.7
3.MongoDB3.4.2

NoSQL即Not Only SQL,通常是无模式的，NoSQL包含列数据存储（HBase）,键值对存储（Redis），面向文档的数据库（MongoDB），图形数据库（Neo4j）;本文采用MongoDB，MongoDB有个功能：为数据设定时间，当到达设定时间后，MongoDB可自动为我们删除记录。

需注意，MongoDB缓存无法按设定时间精确清理过期记录，会存在1分钟内的延迟，这是MongoDB的运行机制造成的

1.安装MongoDB及对应的Python封装库

mac下安装MongoDB命令：

brew update
brew install mongodb
pip install pymongo

2.配置MongoDB

创建默认MongoDB数据库文件存放目录

mkdir -p /data/db

记得给此目录加用户的读写权限，不然会报权限错误；其他配置，请参见官方文档。

3.启动MongoDB

mongod

4.MongoDB缓存实现

#!/usr/bin/env python
# -*- coding: utf-8 -*-import pickle
import zlib
from bson.binary import Binary
from datetime import datetime, timedelta
from pymongo import MongoClientclass MongoCache:def __init__(self, client=None, expires=timedelta(days=1)):self.client = MongoClient('localhost', 27017)self.db = self.client.cacheself.ate_index('timestamp', expireAfterSeconds&#al_seconds())def __getitem__(self, item):record = self.db.webpage.find_one({'id': item})if record:return pickle.loads(zlib.decompress(record['result']))  # 压缩数据else:return None# raise KeyError(item + 'dose not exist')def __setitem__(self, key, value):record = {'result': Binary(zlibpress(pickle.dumps(value))), 'timestamp': datetime.utcnow()}self.db.webpage.update({'id': key}, {'$set': record}, upsert=True)

5.爬虫编写

先看一下：

再看一下出租房详细页面结构：

下面开始敲代码：

#! /usr/bin/env python
# -*- coding:utf-8 -*-import urllib2
import lxml.html
import time
from lxml.cssselect import CSSSelector
from MongoCache import MongoCachedef download(url, user_agent='Google', num_retries=2):"""下载整个页面"""print 'Downloading:', url# 设置用户代理headers = {'User-agent': user_agent}request = urllib2.Request(url, headers=headers)try:html = urllib2.urlopen(request).read()except urllib2.URLError as e:print 'Downloading error:', e.reasonhtml = None# 只有在服务器报500-600错误时，才会重试下载，仅重试2次if num_retries > 0:if hasattr(e, 'code') and 500 <= e.code < 600:return download(url, num_retries-1)return htmldef get_data(url):"""从详细页面 获取各字段数据"""#  如果缓存中有该页面数据，则直接获取使用；否则，先下载页面，再使用cache = MongoCache()if not cache.__getitem__(url):html_text_detail = download(url)if not html_text_detail:passelse:cache.__setitem__(url, html_text_detail)else:print 'Exists:', urlhtml_text_detail = cache.__getitem__(url)try:#  获取个字段数据tree = lxml.html.fromstring(html_text_detail)house_title = CSSSelector('div.main-wrap > div.house-title > h1')house_pay_way1 = CSSSelector('div.house-pay-way > span:nth-child(1)')house_pay_way2 = CSSSelector('div.house-pay-way > span:nth-child(2)')print house_title(tree)[0].text_content()print '%s|%s' % (house_pay_way1(tree)[0].text_content(), house_pay_way2(tree)[0].text_content())for i in range(7):for j in range(2):css = 'div.house-desc-item > ul.f14 > li:nth-child(%s) > span:nth-child(%s)' % (i+1, j+1)house_info = CSSSelector(css)print house_info(tree)[0].text_content().replace(' ', '')except TypeError as e:print 'HTML文本发生错误：%s' % eexcept IndexError as e:print '获取详细数据发生错误：%s' % edef get_url(html):"""获取需爬取数据的链接集"""tree = lxml.html.fromstring(html)sel = CSSSelector('div.mainbox > div.main > t > div.listBox > ul.listUl > li > div.des > h2 > a')url_list = []for i in sel(tree):('href') not in url_list:url_list.('href'))return url_listif __name__ == '__main__':url_index = '/'html_text_list = download(url_index)url_list = get_url(html_text_list)for url_detail in url_list:time.sleep(2)  # 延时2sget_data(url_detail)

执行效果图：(左屏为数据抓取输出；右屏为MongoDB数据库)