如何用30行代码爬取Google Play 100万个App的数据

基础工作:内置元素选择器序列化和存储数据处理cookie、HTTP头这些东西的中间件爬取Sitemap或者RSS等等我的需求是爬取GooglePlay市场上的所有App的页面链接以及下载数量。首先确保配置好Python2.7,MongoDB数据库,以及Python的pip包管理系统。然后安装对应的Python包并且生成项目模板：pipinstallscrapyscrapy-mongodbscrapystartprojectappcdappscrapygenspidergoogle然后把app/spider/google.py换成下面的内容：`#-*-coding:utf-8-*-importscrapyfromscrapy.contrib.spidersimportCrawlSpider,Rulefromscrapy.contrib.linkextractors.sgmlimportSgmlLinkExtractorfromscrapy.contrib.linkextractorsimportLinkExtractorfromapp.itemsimportGoogleItemclassGoogleSpider(CrawlSpider):name="google"allowed_domains=["play.google.com"]start_urls=['.viber.voip']rules=[Rule(LinkExtractor(allow=("/store/apps/details",)),callback='parse_app',follow=True),]#CrawlSpider会根据rules规则爬取页面并调用函数进行处理defparse_app(self,response):#在这里只获取页面的URL以及下载数量item=GoogleItem()item['url']=response.urlitem['num']=response.xpath("//div[@itemprop='numDownloads']").xpath("text()").extract()yielditem在app/items里添加下面的代码：classGoogleItem(scrapy.Item):url=scrapy.Field()num=scrapy.Field()在app/setting.py里面添加下面的代码#这里是配置scrapy-mongodb到数据库的连接，用于自动把爬取后的数据存入到MongoDBITEM_PIPELINES=['scrapy_mongodb.MongoDBPipeline',]MONGODB_URI='mongodb://127.0.0.1:27017'MONGODB_DATABASE='scrapy'MONGODB_COLLECTION='play'然后，没有其他工作了。。连配置文件一共不到四十行。之后开启MongoDB，在项目目录下运行scrapycrawlgoogle-sJOBDIR=app/jobs然后就静静等它跑完吧。-sJOBDIR=app/jobs参数的意思是把工作状态和已经爬取过的页面数据存到app/jobs目录下，即使中间中断了，也可以运行上面的命令从该目录恢复工作，而不用重新开始。在我的Linode最低配的VPS上，它跑了大概40个小时，最后在MongoDB下的数据是有156万条记录。2015年1月的新闻是GooglePlay上有143万款App,相信已经爬取了绝大多数App页面了。`>usescrapyswitchedtodbscrapy>db.play.count()1564754>db.play.find().limit(1)"_id":ObjectId("55479d9da28a7c1cca449c23"),"url":".viber.voip","num":["100,000,000-500,000,000"]()>

经过前面四章的学习，我们已经可以使用Requests库、Beautiful Soup库和Re库，编写基本的Python爬虫程序了。那么这一章就来学习一个专业的网络爬虫框架--Scrapy。没错，是框架，而不是像前面介绍的函数功能库。

Scrapy是一个快速、功能强大的网络爬虫框架。

可能大家还不太了解什么是框架，爬虫框架其实是实现爬虫功能的一个软件结构和功能组件的集合。

简而言之， Scrapy就是一个爬虫程序的半成品，可以帮助用户实现专业的网络爬虫。

使用Scrapy框架，不需要你编写大量的代码，Scrapy已经把大部分工作都做好了，允许你调用几句代码便自动生成爬虫程序，可以节省大量的时间。

当然，框架所生成的代码基本是一致的，如果遇到一些特定的爬虫任务时，就不如自己使用Requests库搭建来的方便了。

PyCharm安装

测试安装：

出现框架版本说明安装成功。

掌握Scrapy爬虫框架的结构是使用好Scrapy的重中之重！

先上图：

整个结构可以简单地概括为： “5+2”结构和3条数据流

5个主要模块（及功能）：

（1）控制所有模块之间的数据流。

（2）可以根据条件触发事件。

（1）根据请求下载网页。

（1）对所有爬取请求进行调度管理。

（1）解析DOWNLOADER返回的响应--response。

（2）产生爬取项--scraped item。

（3）产生额外的爬取请求--request。

（1）以流水线方式处理SPIDER产生的爬取项。

（2）由一组 *** 作顺序组成，类似流水线，每个 *** 作是一个ITEM PIPELINES类型。

（3）清理、检查和查重爬取项中的HTML数据并将数据存储到数据库中。

2个中间键：

（1）对Engine、Scheduler、Downloader之间进行用户可配置的控制。

（2）修改、丢弃、新增请求或响应。

（1）对请求和爬取项进行再处理。

（2）修改、丢弃、新增请求或爬取项。

3条数据流：

（1）：图中数字 1-2

1：Engine从Spider处获得爬取请求--request。

2：Engine将爬取请求转发给Scheduler，用于调度。

（2）：图中数字 3-4-5-6

3：Engine从Scheduler处获得下一个要爬取的请求。

4：Engine将爬取请求通过中间件发送给Downloader。

5：爬取网页后，Downloader形成响应--response，通过中间件发送给Engine。

6：Engine将收到的响应通过中间件发送给Spider处理。

（3）：图中数字 7-8-9

7：Spider处理响应后产生爬取项--scraped item。

8：Engine将爬取项发送给Item Pipelines。

9：Engine将爬取请求发送给Scheduler。

任务处理流程：从Spider的初始爬取请求开始爬取，Engine控制各模块数据流，不间断从Scheduler处获得爬取请求，直至请求为空，最后到Item Pipelines存储数据结束。

作为用户，只需配置好Scrapy框架的Spider和Item Pipelines，也就是数据流的入口与出口，便可完成一个爬虫程序的搭建。Scrapy提供了简单的爬虫命令语句，帮助用户一键配置剩余文件，那我们便来看看有哪些好用的命令吧。

Scrapy采用命令行创建和运行爬虫

PyCharm打开Terminal，启动Scrapy：

Scrapy基本命令行格式：

具体常用命令如下：

下面用一个例子来学习一下命令的使用：

1.建立一个Scrapy爬虫工程，在已启动的Scrapy中继续输入：

执行该命令，系统会在PyCharm的工程文件中自动创建一个工程，命名为pythonDemo。

2.产生一个Scrapy爬虫，以教育部网站为例http://www.moe.gov.cn：

命令生成了一个名为demo的spider，并在Spiders目录下生成文件demo.py。

命令仅用于生成demo.py文件，该文件也可以手动生成。

观察一下demo.py文件：

3.配置产生的spider爬虫，也就是demo.py文件：

4.运行爬虫，爬取网页：

如果爬取成功，会发现在pythonDemo下多了一个t20210816_551472.html的文件，我们所爬取的网页内容都已经写入该文件了。

以上就是Scrapy框架的简单使用了。

Request对象表示一个HTTP请求，由Spider生成，由Downloader执行。

Response对象表示一个HTTP响应，由Downloader生成，有Spider处理。

Item对象表示一个从HTML页面中提取的信息内容，由Spider生成，由Item Pipelines处理。Item类似于字典类型，可以按照字典类型来 *** 作。

---