pyspider框架之記錄1

• 由於公司業務需求，目前做的爬蟲就是爬取全國各個政府釋出的各種政策，平時寫的程式碼，沒有多少想寫成部落格的，後續可能都會寫出來，今天遇到了一個政府網站採用了ajax非同步更新技術，那就做個記錄吧。。
• 目標政府的url地址為http://www.hangzhou.gov.cn/col/col1255929/index.html。
  
  1. 首先網頁進行簡單分析，因為目標網站存在多頁的情況的，一般情況，進行翻頁，上邊位址列的url地址會跟著翻頁跳轉發生有規律的變化，但是此網站不是這樣，因為採用了ajax非同步更新技術。如下圖
     
     
  2. 對於ajax非同步請求的資料來說，首先考慮從右鍵->檢查->network裡抓包分析，如果不容易進行抓包分析，可以藉助抓包工具fiddler等，還可以可以藉助selenuim自動化網頁測試等工具。本次爬蟲比較簡單，通過簡單的抓包就可以獲取到ajax非同步請求的url地址。如下圖
     
     
     由上圖可以，翻一次頁，會多一個左下角的請求檔案，從右下角即可看到傳送請求的url地址，並且採用的是post請求方式，爬蟲時需要有請求體data資料，data資料的內容如下圖
     
  3. 接下來，就可以用pyspider框架進行爬取資料了，pyspider是一個相對Scrapy簡單的框架，本文不對其使用進行詳細描述，後續會單獨寫pyspider的相關教程。分析完畢，將爬取的資料儲存至本地的mongodb資料庫。現將完整程式碼附上

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2018-06-01 14:20:47
# Project: guojiatongji
 

# 杭州市人民政府 -. 資訊公開 -> 市政府資訊公開目錄

from pyspider.libs.base_handler import *
from pymongo import MongoClient
import datetime
import re

DB_IP = '127.0.0.1'
DB_PORT = 27017
DB_NAME = 'research'
DB_COL = 'hangzhou'
client = MongoClient(host=DB_IP, port=DB_PORT)
db = client[DB_NAME]
col = db[DB_COL]


class
 
 Handler(BaseHandler):
    url = 'http://www.hangzhou.gov.cn/col/col1255929/index.html'
    crawl_config = {
        "headers": {
            "User-Agent": "Mozilla/5.0 (X11;Linux x86_64) AppleWebKit/537.36 (KHTML, likeGecko) Chrome/66.0.3359.181 Safari/537.36"
        }
    }

    def format_date(self, date):
        return datetime.datetime.strptime(date, '%Y-%m-%d')

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl(self.url, fetch_type='js', callback=self.index_page)

    @config(age=60)
    def index_page(self, response):
        page = response.etree

        total_page_str = page.xpath("//table[@class='tb_title']/tbody/tr/td/text()")[0].encode('utf-8')
        print
        total_page_str
        total_page = int(re.findall('共(\d+)頁', total_page_str)[0])

        print
        total_page
        # 請求的url
        base_url = 'http://www.hangzhou.gov.cn/module/xxgk/search.jsp?'
        # 請求體
        data = {"infotypeId": "",
                "jdid": 149,
                "area": "",
                "divid": "div1269023",
                "vc_title": "",
                "vc_number": "",
                "vc_filenumber": "",
                "vc_all": "",
                "texttype": 0,
                "fbtime": -1,
                "texttype": 0,
                "fbtime": -1,
                "vc_all": "",
                "vc_filenumber": "",
                "vc_title": "",
                "vc_number": "",
                "sortfield": ""
                }
        # 翻頁
        for page_num in range(1, total_page + 1):
            page_url = base_url + 'currpage={}&'.format(page_num)

            print
            page_url
            self.crawl(page_url, callback=self.parse_page, method='POST', data=data)

    def parse_page(self, response):
        page = response.etree
        categories = ["中國杭州"]

        content_list = page.xpath("//div")[2].xpath(".//tr")

        # 每頁內容
        for each in content_list:
            content_title = each.xpath("./td/a/@title")[0].encode('utf-8')

            content_url = each.xpath("./td/a/@href")[0]

            content_date = each.xpath("./td[3]/text()")[0]

            save = {"title": content_title,
                    "url": content_url,
                    "date": content_date,  ### 在這裡不要格式化日期，因為save資料在傳輸的時候會被序列化，到下個函式再用的時候，會變成字串
                    "categories": categories
                    }
            self.crawl(content_url, callback=self.parse_body, save=save)

    def parse_body(self, response):
        page = response.etree

        body_list = page.xpath("//td[@class='bt_content']//text()")

        body = ''
        for each in body_list:
            body += each.strip().encode('utf-8')

        result = {"title": response.save["title"],
                  "categories": response.save["categories"],
                  "date": self.format_date(response.save["date"]),
                  "url": response.save["url"],
                  "body": body,
                  "update_time": datetime.datetime.now(),
                  "source": "杭州市人民政府"
                  }

        yield result

    def on_result(self, result):
        if result is None:
            return
        # print result

        update_key = {
            'date': result['date'],
            'title': result['title']
        }
        col.update(update_key, {'$set': result}, upsert=True)