Python+MongoDB 爬虫实战

 

Scrapy(python写成的爬虫框架)

在前一篇 Scrapy爬虫入门 里有写到Scrapy的安装和基本使用，他的特点是每个不同的page都自己定制一个不同的Spider，通过

[java] 

scrapy crawl spidername -o file -t json  

 

的方法运行爬虫程序并且以json形式保存到目标文件里（当然后面 -o -t 两项可以省略）。而且python代码很少，实现很方便。简单看下python的语法就可以轻松上手。

顺便以Java开发者和python小白用户的角度阐述下我对python语法的总结：

句末不带分号

if，while，for不带大括号

变量不用声明，比js声明还简单

三个主要数据结果：字典，列表，元组

没有好的IDE，全靠自己声明：包的导入要自己声明，异常要自己声明

代码短小，给我很强烈的空虚感

MongoDB(带上pymongo和mongo-java-driver)

很早以前就想实践下MongoDB，早早的看过《MongoDB权威指南》，却一直没有机会实战，亏得毕设可以让我有了需求驱动。因为MongoDB以BSON的形式存储对象，所以我觉得蛮适合存储Scrapy的json爬取结果，由pymongo进行交互。爬取到的数据后期会交由solr搭建搜索服务，所以也装上了java的driver看看读取结果。

java-driver的简单操作

pymongo的简单操作

 

数据尝试

以CSDN博客里的数据练手，爬取CSDN各博客内的博文内容数据。先爬取热门文章页面上的一些博主名字和url：

[html] 

{  

    'username' : 'xxx',  

    'url' : 'http://blog.csdn.net/xxx/article/list/n'  

}  

然后爬取该博主所有的文章url链接，再爬取每份url链接里的内容，存到MongoDB里：

[html]  

    'user' : 'xxx',  

    'title' : 'xxxxx',  

    'tag' : ['xx', 'xx', 'xx'],  

    'content' : 'xxxxxxxxxxxxxxxxxxxxxxxx'   

}  

 

总结

有一些技术是由需求驱动才去尝试学习；有一些问题只要具备一定的执行力就能发现。

MongoDB读取性能如何？他的自动分片怎么得以体现？自带的js版mapreduce如何利用？

如何将Scrapy做成一种服务？python语言的各种实践？

今后的数据会设计论文，个人主页，这里的CSDN博客数据只是整条道路的铺垫。不过对整个学习和探索过程我还是充满期待，哈哈。