Python爬虫入门教程 28-100 虎嗅网文章数据抓取 pyspider

1. 虎嗅网文章数据----写在前面

今天继续使用pyspider爬取数据，很不幸，虎嗅资讯网被我选中了，网址为 https://www.huxiu.com/ 爬的就是它的资讯频道，本文章仅供学习交流使用，切勿用作其他用途。

常规操作，分析待爬取的页面

拖拽页面到最底部，会发现一个加载更多按钮，点击之后，抓取一下请求，得到如下地址

2. 虎嗅网文章数据----分析请求

查阅该请求的方式和地址，包括参数，如下图所示

得到以下信息

1. 页面请求地址为：https://www.huxiu.com/v2_action/article_list
2. 请求方式：POST
3. 请求参数比较重要的是一个叫做page的参数

我们只需要按照上面的内容，把pyspider代码部分编写完毕即可。
on_start 函数内部编写循环事件，注意到有个数字2025这个数字，是我从刚才那个请求中看到的总页数。你看到这篇文章的时候，这个数字应该变的更大了。

    @every(minutes=24 * 60)
    def on_start(self):
        for page in range(1,2025):
            print("正在爬取第 {} 页".format(page))
            self.crawl('https://www.huxiu.com/v2_action/article_list', method="POST",data={"page":page},callback=self.parse_page,validate_cert=False)

页面生成完毕之后，开始调用parse_page 函数，用来解析 crawl() 方法爬取 URL 成功后返回的 Response 响应。

    @config(age=10 * 24 * 60 * 60)
    def parse_page(self, response):
        content = response.json["data"]
        doc = pq(content)
        lis = doc('.mod-art').items()
        data = [{
           'title': item('.msubstr-row2').text(),
           'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
           'name': item('.author-name').text(),
           'write_time':item('.time').text(),
           'comment':item('.icon-cmt+ em').text(),
           'favorites':item('.icon-fvr+ em').text(),
           'abstract':item('.mob-sub').text()
           } for item in lis ] 
        return data

最后，定义一个 on_result() 方法，该方法专门用来获取 return 的结果数据。这里用来接收上面 parse_page() 返回的 data 数据，在该方法可以将数据保存到 MongoDB 中。

  # 页面每次返回的数据            
    def on_result(self,result):
        if result:
            self.save_to_mongo(result)            
    
  
    # 存储到mongo数据库
    def save_to_mongo(self,result):
        df = pd.DataFrame(result)  
        content = json.loads(df.T.to_json()).values()
        if collection.insert_many(content):
            print('存储数据成功')
            # 暂停1s
            time.sleep(1)

好的，保存代码，修改每秒运行次数和并发数

点击run将代码跑起来，不过当跑起来之后，就会发现抓取一个页面之后程序就停止了， pyspider 以 URL的 MD5 值作为 唯一 ID 编号，ID 编号相同，就视为同一个任务， 不会再重复爬取。

GET 请求的分页URL 一般不同，所以 ID 编号会不同，能够爬取多页。
POST 请求的URL是相同的，爬取第一页之后，后面的页数便不会再爬取。

解决办法，需要重新写下 ID 编号的生成方式，在 on_start() 方法前面添加下面代码即可：

    def get_taskid(self,task):
        return md5string(task['url']+json.dumps(task['fetch'].get('data','')))

基本操作之后，文章入库