python爬虫爬取指定博客的所有文章

自上一篇文章 z story : using django with gae python 后台抓取多个网站的页面全文 后,大体的进度如下:
1.增加了cron: 用来告诉程序每隔30分钟 让一个task 醒来, 跑到指定的那几个博客上去爬取最新的更新
2.用google 的 datastore 来存贮每次爬虫爬下来的内容。。只存贮新的内容。。

就像上次说的那样,这样以来 性能有了大幅度的提高: 原来的每次请求后, 爬虫才被唤醒 所以要花大约17秒的时间才能从后台输出到前台而现在只需要2秒不到

3.对爬虫进行了优化

1. cron.yaml 来安排每个程序醒来的时间

经过翻文档, 问问题终于弄明白google的cron的工作原理--实际上只是google每隔指定的时间虚拟地访问一个我们自己指定的url…
因此在django 下, 根本不需要写一个纯的python 程序 一定不要写:
if __name__==”__main__”:
只需要自己配置一个url 放在views.py里:

def updatepostsdb(request):
#deleteall()
siteinfos=[]
siteinfo={}
siteinfo[‘postsite’]=”l2zstory”
siteinfo[‘feedurl’]=”feed://l2zstory.wordpress.com/feed/”
siteinfo[‘blog_type’]=”wordpress”
siteinfos.append(siteinfo)
siteinfo={}
siteinfo[‘postsite’]=”yukilife”
siteinfo[‘feedurl’]=”feed://blog.sina.com.cn/rss/1583902832.xml”
siteinfo[‘blog_type’]=”sina”
siteinfos.append(siteinfo)
siteinfo={}
siteinfo[‘postsite’]=”zlife”
siteinfo[‘feedurl’]=”feed://ireallife.wordpress.com/feed/”
siteinfo[‘blog_type’]=”wordpress”
siteinfos.append(siteinfo)
siteinfo={}
siteinfo[‘postsite’]=”zlife_sina”
siteinfo[‘feedurl’]=”feed://blog.sina.com.cn/rss/1650910587.xml”
siteinfo[‘blog_type’]=”sina”
siteinfos.append(siteinfo)
try:
for site in siteinfos:
feedurl=site[‘feedurl’]
blog_type=site[‘blog_type’]
postsite=site[‘postsite’]
postinfos=getpostinfosfromweb(feedurl,blog_type)
recordtodb(postsite,postinfos)
msg=”cron job done…”
except exception,e:
msg=str(e)
return httpresponse(msg)

cron.yaml 要放在跟app.yaml同一个级别上:
cron:
– description: retrieve newest posts
url: /task_updateposts/
schedule: every 30 minutes

在url.py 里只要指向这个把task_updatepostsdb 指向url就好了

调试这个cron的过程可以用惨烈来形容。。。在stackoverflow上有很多很多人在问为什么自己的cron不能工作。。。我一开始也是满头是汗,找不着头脑。。。最后侥幸弄好了,大体步骤也是空泛的很。。但是很朴实:
首先,一定要确保自己的程序没有什么syntax error….然后可以自己试着手动访问一下那个url 如果cron 正常的话,这个时候任务应该已经被执行了 最后实在不行的话多看看log…

2. datastore的配置和利用--using datastore with django

我的需求在这里很简单--没有join…所以我就直接用了最简陋的django-helper..
这个models.py 是个重点:

代码如下:

from appengine_django.models import basemodel
from google.appengine.ext import db

classpostsdb(basemodel):
link=db.linkproperty()
title=db.stringproperty()
author=db.stringproperty()
date=db.datetimeproperty()
description=db.textproperty()
postsite=db.stringproperty()

前两行是重点中的重点。。。。我一开始天真没写第二行。。。结果我花了2个多小时都没明白是怎么回事。。得不偿失。。。
读写的时候, 千万别忘了。。。postdb.put()

一开始的时候,我为了省事,就直接每次cron被唤醒, 就删除全部的数据, 然后重新写入新爬下来的数据。。。
结果。。。一天过后。。。有4万条读写纪录。。。。而每天免费的只有5万条。。。。
所以就改为在插入之前先看看有没有更新, 有的话就写,没的话就不写。。总算把数据库这部分搞好了。。。

3.爬虫的改进:
一开始的时候,爬虫只是去爬feed里给的文章。。这样一来,如果一个博客有24*30篇文章的话。。。最多只能拿到10篇。。。。
这次,改进版能爬所有的文章。。我分别拿孤独川陵, 韩寒, yuki和z的博客做的试验。。成功的很。。。其中孤独川陵那里有720+篇文章。。。无遗漏掉的被爬下来了。。

import urllib
#from beautifulsoup import beautifulsoup
from pyquery import pyquery as pq
def getarticlelist(url):
lstarticles=[]
url_prefix=url[:-6]
cnt=1
response=urllib.urlopen(url)
html=response.read()
d=pq(html)
try:
pagecnt=d(“ul.sg_pages”).find(‘span’)
pagecnt=int(d(pagecnt).text()[1:-1])
except:
pagecnt=1
for i in range(1,pagecnt+1):
url=url_prefix+str(i)+”.html”
#print url
response=urllib.urlopen(url)
html=response.read()
d=pq(html)
title_spans=d(“.atc_title”).find(‘a’)
date_spans=d(‘.atc_tm’)
for j in range(0,len(title_spans)):
titleobj=title_spans[j]
dateobj=date_spans[j]
article={}
article[‘link’]= d(titleobj).attr(‘href’)
article[‘title’]= d(titleobj).text()
article[‘date’]=d(dateobj).text()
article[‘desc’]=getpagecontent(article[‘link’])
lstarticles.append(article)
return lstarticles
def getpagecontent(url):
#get page content
response=urllib.urlopen(url)
html=response.read()
d=pq(html)
pagecontent=d(“p.articalcontent”).text()
#print pagecontent
return pagecontent
def main():
url=’http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html’#han han
url=”http://blog.sina.com.cn/s/articlelist_1225833283_0_1.html”#gu du chuan ling
url=”http://blog.sina.com.cn/s/articlelist_1650910587_0_1.html”#feng
url=”http://blog.sina.com.cn/s/articlelist_1583902832_0_1.html”#yuki
lstarticles=getarticlelist(url)
for article in lstarticles:
f=open(“blogs/”+article[‘date’]+”_”+article[‘title’]+”.txt”,’w’)
f.write(article[‘desc’].encode(‘utf-8’)) #特别注意对中文的处理
f.close()
#print article[‘desc’]
if __name__==’__main__’:
main()

对pyquery的推荐。。
很遗憾的说, bueautifulsoup让我深深的失望了。。。在我写上篇文章的时候,当时有个小bug..一直找不到原因。。在我回家后,又搭上了很多时间试图去弄明白为什么bueautifulsoup一直不能抓到我想要的内容。。。后来大体看了看它selector部分的源代码觉得应该是它对于很多还有《script》tag的不规范html页面的解析不准确。。。

我放弃了这个库, 又试了lxml..基于xpath 很好用。。但是xpath的东西我老是需要查文档。。。所以我又找了个库pyquery…可以用jquery选择器的工具。。。非常非常非常好用。。。。具体的用法就看上面吧。。。这个库有前途。。。

隐忧
因为pyquery基于lxml…而lxml的底层又是c…所以估计在gae上用不了。。。我这个爬虫只能现在在我的电脑上爬好东西。。。然后push到server上。。。

总结

一句话, 我爱死python了
两句话, 我爱死python了,我爱死django了
三句话, 我爱死python了,我爱死django了,我爱死jquery了。。。
四句号, 我爱死python了,我爱死django了,我爱死jquery了,我爱死pyquery了。。。

Posted in 未分类