摘要：分析使用爬蟲爬取網(wǎng)站，并按事先的要求將需要的項(xiàng)目保存到數(shù)據(jù)庫(kù)中，然后再使用框架編寫一個(gè)服務(wù)器講數(shù)據(jù)庫(kù)中的數(shù)據(jù)讀出來(lái)，最后用編寫一個(gè)應(yīng)用將數(shù)據(jù)顯示出來(lái)。實(shí)現(xiàn)爬蟲實(shí)現(xiàn)上圖是的文檔結(jié)構(gòu)，下面主要介紹幾個(gè)文件。

使用爬蟲爬取網(wǎng)站page，并按事先的要求將需要的項(xiàng)目保存到數(shù)據(jù)庫(kù)中，然后再使用python flask框架編寫一個(gè)web 服務(wù)器講數(shù)據(jù)庫(kù)中的數(shù)據(jù)讀出來(lái)，最后用swift編寫一個(gè)應(yīng)用將數(shù)據(jù)顯示出來(lái)。我這里選區(qū)的所要爬取的網(wǎng)站是豆瓣電影網(wǎng)。

爬蟲：使用python的scrapy爬蟲
數(shù)據(jù)庫(kù)：使用mongoDB，存儲(chǔ)網(wǎng)頁(yè)只需要key和value形式進(jìn)行存儲(chǔ)就好了，所以在這里選擇mongoDB這種NOSQL數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)
服務(wù)器：使用python的flask框架，用了你就知道幾行代碼就能完成很多事情，當(dāng)然特別是flask可以根據(jù)需要組裝空間，超輕量級(jí)。

scrapy爬蟲實(shí)現(xiàn)

上圖是scrapy的文檔結(jié)構(gòu)，下面主要介紹幾個(gè)文件。

a. items.py

from scrapy.item import Item, Field
import scrapy
class TopitmeItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = Field()
    dataSrc = Field()
    dataId = Field()
    filmReview = Field()
    startCount = Field()
這里可以把items.py看作是mvc中的model，在items里我們定義了自己需要的模型。

b. pipelines.py

import pymongo
from scrapy.conf import settings
from scrapy.exceptions import DropItem
from scrapy import log
class MongoDBPipeline(object):
    def __init__(self):
        connection = pymongo.MongoClient(
            settings["MONGODB_SERVER"],
            settings["MONGODB_PORT"]
        )
        db = connection[settings["MONGODB_DB"]]
        self.collection = db[settings[‘MONGODB_COLLECTION’]]
    def process_item(self, item, spider):
        valid = True
        for data in item:
            if not data:
                valid = False
                raise DropItem("Missing {0}!".format(data))
        if valid:
            self.collection.insert(dict(item))
            log.msg("Beauty added to MongoDB database!",
                    level=log.DEBUG, spider=spider)
        return item

俗稱管道，這個(gè)文件主要用來(lái)把我們獲取的item類型存入mongodb

c. settings.py

BOT_NAME = "topitme"
SPIDER_MODULES = ["topitme.spiders"]
NEWSPIDER_MODULE = "topitme.spiders"
BOT_NAME = "topitme"
ITEM_PIPELINES = ["topitme.pipelines.MongoDBPipeline",]
MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "topitme"
MONGODB_COLLECTION = "beauty"
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = "topitme (+http://www.yourdomain.com)"

這里需要設(shè)置一些常量，例如mongodb的數(shù)據(jù)庫(kù)名，數(shù)據(jù)庫(kù)地址和數(shù)據(jù)庫(kù)端口號(hào)等等

d. topitme_scrapy.py

from scrapy import Spider
from scrapy.selector import Selector
from topitme.items import TopitmeItem

import sys
reload(sys)
sys.setdefaultencoding(‘utf8’)#設(shè)置默認(rèn)編碼格式

class topitmeSpider(Spider):
    name = "topitmeSpider"
    allowed_domin =["movie.douban.com"]
    start_urls = [
        "http://movie.douban.com/review/latest/",
    ]
    def parse(self, response):
        results = Selector(response).xpath("http://ul[@class="tlst clearfix"]")
        for result in results:
            item = TopitmeItem()
            # item["title"] = result.xpath("li[@class="ilst"]/a/@src").extract()[0]
            item["title"] = result.xpath("li[@class="ilst"]/a/@title").extract()[0].encode("utf-8")
            item["dataSrc"] = result.xpath("li[@class="ilst"]/a/img/@src").extract()[0]
            item["filmReview"] = result.xpath("li[@class="clst report-link"]/div[@class="review-short"]/span/text()").extract()[0].encode("utf-8")
            item["dataId"] = result.xpath("li[@class="clst report-link"]/div[@class="review-short"]/@id").extract()[0]
            item["dataId"] = result.xpath("li[@class="nlst"]/h3/a/@title").extract()[0]
            item["startCount"] = 0
            yield item

# ul[@class="tlst clearfix"]/li[3]/div[1]
# //ul[@class="tlst clearfix"]/li[@class="ilst"]/a/img/@src

這個(gè)文件是爬蟲程序的主要代碼，首先我們定義了一個(gè)類名為topitmeSpider的類，繼承自Spider類，然后這個(gè)類有3個(gè)基礎(chǔ)的屬性，name表示這個(gè)爬蟲的名字，等一下我們?cè)诿钚袪顟B(tài)啟動(dòng)爬蟲的時(shí)候，爬蟲的名字就是name規(guī)定的。
allowed_domin意思就是指在movie.douban.com這個(gè)域名爬東西。
start_urls是一個(gè)數(shù)組，里面用來(lái)保存需要爬的頁(yè)面，目前我們只需要爬首頁(yè)。所以只有一個(gè)地址。
然后def parse就是定義了一個(gè)parse方法（肯定是override的，我覺(jué)得父類里肯定有一個(gè)同名方法），然后在這里進(jìn)行解析工作，這個(gè)方法有一個(gè)response參數(shù)，你可以把response想象成，scrapy這個(gè)框架在把start_urls里的頁(yè)面下載了，然后response里全部都是html代碼和css代碼。這之中最主要的是涉及一個(gè)xpath的東西，XPath即為XML路徑語(yǔ)言，它是一種用來(lái)確定XML（標(biāo)準(zhǔn)通用標(biāo)記語(yǔ)言的子集）文檔中某部分位置的語(yǔ)言?？梢酝ㄟ^(guò)xpath定位到我們想要獲取的元素。

服務(wù)器

使用python的flask框架實(shí)現(xiàn)

from flask import Flask, request
import json
from bson import json_util
from bson.objectid import ObjectId
import pymongo

app = Flask(__name__)

client = pymongo.MongoClient()
db = client["topitme"]
def toJson(data):
    return json.dumps(data, default=json_util.default)

@app.route("/FilmReview", methods=["GET"])

def findMovie():
    if request.method == "GET":
        json_results = []
        for result in results:
            json_results.append(result)
        return toJson(json_results)

if __name__ == "__main__":
    app.run(debug=True)



首先可以看到代碼，client，db兩個(gè)參量是為了取得數(shù)據(jù)庫(kù)連接。
findMovie函數(shù)響應(yīng)http request，然后返回?cái)?shù)據(jù)庫(kù)數(shù)據(jù)，以JSON形式返回

swift

ios的實(shí)現(xiàn)就不詳細(xì)介紹了，這里寫這部分只是為了，驗(yàn)證結(jié)果。

起服務(wù)器：

起數(shù)據(jù)庫(kù)：

運(yùn)行爬蟲：

訪問(wèn)服務(wù)器：http://localhost:5000/FileReview 可以看到數(shù)據(jù)已經(jīng)存儲(chǔ)到數(shù)據(jù)庫(kù)中了

ios運(yùn)行情況：

下面是原網(wǎng)站網(wǎng)頁(yè)展示，可以看到所要的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫(kù)，并且正常顯示出來(lái)