动态可配置化 Python 爬虫教程

Question

爬虫大家都很熟悉，像 scrapy 这种 Python 爬虫框架也很成熟，不过每写一个爬虫都得重新复制一份代码，这部分如果做成可配置的话，能相应减少一些工作量，对新手也会友好些，所以我花了点时间，开发了一个动态可配置的爬虫网站 http://www.anycrawl.info ，基于 scrapy ，提供一些配置项，5 分钟就可生成一个通用爬虫，并可直接下载代码使用。

我举 http://www.anycrawl.info/project/15/ 豆瓣小组爬虫的例子来介绍下网站的使用方法。

0x00 需求

我们希望能够爬取害羞组下的所有话题的标题，作者，以及对应的内容和图片

0x01 基础配置

基础配置主要是 scrapy 的 settings.py 的一些选项

1. 项目名，别名不说了，域名指的是 allowed_domains，也就是允许爬虫在哪些域名下爬取
2. 爬虫开始的链接指的是 start_urls，指的是爬虫从哪个链接开始爬取，比如， https://www.douban.com/group/haixiuzu/discussion ， 从豆瓣害羞组的第一页爬取。
3. 保存数据的方式，目前支持 json, csv, image, mongodb, elasticsearch。(如果选择 image 的方式，则需要在下面配置规则的时候，选择保存图片链接 到 image_urls 这个字段，scrapy 会自动下载图片。mongodb, elasticsearch 则需要自己在 settings.py 配置你的 host 和 port)

我们配置如下

0x02 规则列表

规则列表分成两部分，链接正则 和 xpath 规则，必须先配置链接正则，链接正则对应的概念是 scrapy 的 Rule 的概念，意思是根据你给定的链接正则去匹配，如果匹配的到，则执行回调函数 callback, callback 可以为空，如果为空，则放入队列中。

如上面 /group/\w+/discussion\?start=[0-9]{0,4}$ 这个对应的是小组分页的链接正则，遇到这些链接，只要丢到队列中，由 scrapy 下次处理， /group/topic/\d+/ 这个对应的是话题的详情链接，遇到这些，则执行 parse_topic 函数，那么这个函数具体执行什么内容，这就看下面配置的 xpath 规则， xpath 教程 ，如我们需要 title, author, description, create_time, image_urls 这几个字段，直接配置即可，只要能通过 xpath 语法找到。

配置完成后，会对应生成如下的源码：

0x03 爬取状态

点击提交后，就跳转到下载页面

这里面有个数据指标的功能，记录你爬取的数目，目前看起来有点鸡肋，如果不需要记录，将 settings 里面的 COUNT_DATA 改为 False 就行。

0x04 运行爬虫

运行爬虫必须有 python 和 scrapy 环境，安装 python 和 pip 这里不介绍了，安装 scrapy 命令如下

pip install scrapy

然后下载刚才的项目代码，解压后，进入 output/xxxxxx 目录，执行

python scripts.py

或者直接用 scrapy

scrapy crawl <项目名>

0x05 Todo

1. 支持自动登录
2. 支持动态爬取
3. api 接口爬虫
4. 能适配更多爬取场景
5. 支持 css 解析网页
6. 其他