【实战视频】使用scrapy写爬虫-爬知乎live
我其实很喜欢造轮子，一直没用过爬虫框架写爬虫。虽然知道爬虫很简单，scrapy框架也不难，但是在舒适区呆久了，真的不想学新东西，用新知识写爬虫。
今天我不止用新框架scrapy写爬虫，而且我还要使用sqlite数据库来存储数据，今天算是离开舒适区最远的一次尝试。
今天写的是知乎Live的爬虫，用平常的舒适区写法，无非requests、beautifulsoup、csv文件。今天为了用scrapy+sqlite3写出这个爬虫，我用了三天时间，学习理解scrapy框架，调试了大概七八小时才正确的将解析的数据存入数据库中。过程其实一点也不苦逼，挺好玩的，看到存入数据库，真的很激动。
scrapy是一个用起来很方便的框架，省去了造轮子，只需要在需要的地方秀秀改改缝缝补补就可以写爬虫。优点是方便，缺点是如果你对写爬虫逻辑不是很清晰的话，用多了scrapy你反而不太会自己造轮子。
上面是我看网上对爬虫框架的解读，我直接评判的scrapy。仅一家之言，勿喷。下面我们直接在实战中开始知乎live爬虫项目。
https://v.qq.com/txp/iframe/player.html?vid=u0551wi70m1&width=500&height=375&auto=0
一、知乎Live抓包分析
打开知乎Live网址
https://www.zhihu.com/lives
打开浏览器开发者工具（F12）
我们直接拖动页面向下滚动，Network中就出现了很多网址和数据。 其中如下图的网址
数据与网页直播的title对应上了。说明找到了对应的网址。而且这数据还是json格式，使用起来特别方便。
网址如下
https://api.zhihu.com/lives/homefeed?limit=10&offset={offset}&includes=live
只需要更改offset即可请求相应网址对应live信息
为了节约时间，今天我就只爬live标题和演讲者。
二、创建scrapy项目
打开终端命令行输入
scrapy startproject livespider [项目存放的文件夹的路径]我在桌面上首先新建了一个scrapysqlite文件夹，然后才在终端创建livespider，项目存放于scrapysqlite文件夹中
现在我们用Pycharm打开livespider项目
现在我们看下打开后的文件目录
三、livespider项目解读
上图打开的项目目录，都是scrapy startproject livespider这个命令行回车后自动生成的。
| 文件或文件夹 | 功能 |
|---|---|
| spiders文件夹 | 是用来存放爬虫逻辑的文件夹 |
| items.py | spider文件夹中的爬虫脚本解析的数据，通过items.py组织数据形式 |
| pipelines.py | 爬虫解析出的数据，通过items封装后传递给管道，流到数据库或数据文件。pipelines实际上就是配置数据库或数据文件的 |
| settings.py | 整个爬虫项目的配置文件 |
| middleware.py | 一般不怎么用，忽略。 |
四、创建spider
我们要在spiders文件夹里创建一个zhihu.py 爬虫（spider）。我们可以通过点击Pycharm下方的Terminal，输入
scrapy genspider zhihu zhihu.com生成zhihu.py文件，爬虫允许爬的域名为zhihu.com。
五、settings.py设置
现在我们要开始对项目进行全局配置。 打开settings.py文件，将
ROBOTSTXT_OBEY = True
改为（不遵守机器人协议，方便爬取数据）
ROBOTSTXT_OBEY = False取消DOWNLOAD_DELAY的注释符#，并赋值为1。 此处为限制爬虫的访问网站速度。
取消DEFAULTREQUESTHEADERS的注释，并填写zhihu页面解析时的headers请求头
DEFAULT_REQUEST_HEADERS = {
'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36',
'Authorization':'oauth 8274ffb553d511e6a7ffffff'
}这里注意，经过测试发现，如果没有Authorization，只有useragent，是无法正常访问知乎网站的。所以自己查找并填写。
取消ITEM_PIPELINES的注释符#
六、items.py配置
因为今天为了省事，我们就只爬知乎Live的标题和演讲者。
items.py功能相当于爬虫解析出的数据需要一个结构化的容器封装，方便传递给pipelines使用。
形象一点的比喻就是，items将数据打包，方便运输。本项目中的zhihu.py爬虫将网站中得到的数据通过items的形式打包数据，传递给pipelines水管，并将数据流入数据库保存。
打开items.py文件，将文件修改为
from scrapy import Field,Item
class LivespiderItem(Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = Field()
speaker = Field()现在开始我们先创建好数据库，然后在配置pipelines.py Pycharm实际上可以可视化操作sqlite。
七、SQLite在PyCharm中的使用
7.1配置SQLite
步骤如下：
打开pycharm，在最右侧点击Database按钮，如图中的红色数字1位置
然后依次点击2、3
sqlite数据库要能在Pycharm中第一次使用，需要先安装驱动。
图中底部红线指示，点击Download即可
7.2 创建sqlite数据库
选择scrapy创建好的livespider项目路径，并将数据库命名为zhihulive.db ,点击apply和ok
7.3 创建表
按照图中的123，依次点击Database 、zhihulive.db 、main
点击图中红框，先设置Table表名为LiveTable。 点击加号，依次设置了id为主键整数型自增序号。title和speaker均为TEXT格式数据
创建好数据库和表，后面我们就要在pipeline.py中操作数据。
八、pipelines.py配置
打开pipelines.py你会看到如下默认代码
import sqlite3class LivespiderPipeline(object):
def process_item(self, item, spider):
pass我们应该首先知道，pipelines是为了将数据存入数据的。
爬虫启动时候，要打开数据库。
爬虫运行时候要将数据写入数据库。
爬虫结束的时候要关闭数据库。
依次对应的scrapy默认的功能函数为
def open_spider(self,spider):
passdef process_item(self, item, spider):
#写入数据库或数据文件
return item
def close(self,spider):
#关闭数据库
pass根据上面的知识，我们完成了下面的pipelines.py 的配置。注意format传递值的时候，前面的变量是要用 '{}'。
import sqlite3
class LivespiderPipeline(object):
def open_spider(self,spider):
self.con = sqlite3.connect('zhihulive.db')
self.cur = self.con.cursor()
#初始化爬虫，开启数据库或者新建一个csv文件
def process_item(self, item, spider):
#写入数据库或数据文件
title = item['title']
speaker = item['speaker']
sql_command = "INSERT INTO LiveTable (title,speaker) VALUES ('{title}','{speaker}')".format(title=title, speaker=speaker)
self.cur.execute(sql_command)
self.con.commit()
return item
def close_spider(self,spider):
#关闭数据库或者数据文件
self.con.close()九、spider的书写
前面所有的准备都是为了这一刻，我们能够将爬到的数据存起来。现在我们开始爬虫的逻辑，也是最关键的部分。spiders文件夹下的zhihu.py
在ZhihuSpider类中，scrapy框架有默认的请求函数start_requests ,该函数对网址发起请求，yield方式返回的相应数据传递给该ZhihuSpider类中的parse函数解析。
9.1 start_requests函数
callback是回调，也就是说start_requests得到的网页数据要传输给parse函数解析。
def start_requests(self):
starturl = 'https://api.zhihu.com/lives/homefeed?limit=10&offset=10&includes=live'
yield Request(url=starturl, callback=self.parse)9.2 parse函数
parse函数负责解析数据，将数据以item形式封装，并以yield方式传输给pipelines，最终写入数据库。
yield其实很像return，只不过，return后会结束函数。而yield的函数相当于生成器，返回结果后并不直接结束函数，而是保留状态，下次运行函数会按照上次的位置继续迭代下去。
from scrapy import Spider,Request
from livespider.items import LivespiderItem
import json
class ZhihuSpider(Spider):
name = 'zhihu'
allowed_domains = ['zhihu.com']
start_urls = ['http://zhihu.com/']
def start_requests(self):
starturl = 'https://api.zhihu.com/lives/homefeed?limit=10&offset=10&includes=live'
yield Request(url=starturl, callback=self.parse)
def parse(self, response):
item = LivespiderItem()
result = json.loads(response.text)
records = result['data']
for record in records:
item['title'] = record['live']['subject']
item['speaker'] = record['live']['speaker']['member']['name']
#将item传给pipelines.py保存到数据库
yield item
next_page_url = result['paging']['next']+'&includes=live'
#如果网址里有50,就停止函数。
if '50' in next_page_url:
return True
#parse自身的递归
yield Request(url=next_page_url, callback=self.parse)全部写好了。现在在Pycharm终端Terminal中输入
scrapy crawl zhihu开始愉悦的爬数据，而且还能用Pycharm看到数据库中的数据
这部分写的很粗糙，不懂的可以反复看我的视频。
苹果用户打赏可扫码
链接: https://pan.baidu.com/s/1qYhZgle 密码: 59ku