07-倍速的房产爬虫
5.3 30倍速的房产爬虫
有这样一种趋势,当你开始使用一个框架时,做任何事情都可能会使用最复杂的方式。你在使用Scrapy时也会发现自己在做这样的事情。在疯狂于XPath等技术之前,值得停下来想一想:我选择的方式是从网站中抽取数据最简单的方式吗?
如果你能从索引页中抽取出基本相同的信息,就可以避免抓取每个房源页,从而得到数量级的提升。
请记住,很多网站在其索引页中提供了不同的项目数量选择。比如,一个网站可能允许你通过调整参数指定每个索引页显示的房源数是10、50还是100,如 `&show=50` 。显然,如果是这样的情况,就可以将该参数设置为允许的最大值。
比如,在房产示例中,我们所需要的所有信息都存在于索引页中,包括标题、描述、价格和图片。这就意味着只抓取一个索引页,就能抽取其中的30个条目以及前往下一页的链接。通过爬取100个索引页,我们只需要100个请求,而不是3000个请求,就能够得到3000个条目。太棒了!
在真实的Gumtree网站中,索引页的描述信息要比列表页中完整的描述信息稍短一些。不过此时这种抓取方式可能也是可行的,甚至也能令人满意。
在许多情况下,我们将不得不权衡数据质量与请求数量的关系。很多源都会限制大量的请求(后续章节会遇到更多此类问题),因此在索引中获取也可能帮助我们解决其他难题。
在我们的例子中,当查看任何一个索引页的HTML代码时,就会发现索引页中的每个房源都有其自己的节点,并使用 itemtype="http://schema.org/Product"
来表示。在该节点中,我们拥有与详情页完全相同的方式为每个属性注解的所有信息,如图5.4所示。
我们在Scrapy shell中加载第一个索引页,并使用XPath表达式进行测试。
$ scrapy shell http://web:9312/properties/index_00000.html
在Scrapy shell中,尝试选取所有带有Product标签的内容:
>>> p=response.xpath('//*[@itemtype="http://schema.org/Product"]')
>>> len(p)
30
>>> p
[<Selector xpath='//*[@itemtype="http://schema.org/Product"]' data=u'<li
class="listing-maxi" itemscopeitemt'...]
可以看到我们得到了一个包含30个 Selector
对象的列表,每个对象指向一个房源。在某种意义上, Selector
对象与 Response
对象有些相似,我们可以在其中使用XPath表达式,并且只从它们指向的地方获取信息。唯一需要说明的是,这些表达式应该是相对XPath表达式。相对XPath表达式与我们之前看到的基本一样,不过在前面增加了一个'.'点号。举例说明,让我们看一下使用 .//*[@itemprop="name"][1]/text()
这个相对XPath表达式,从第4个房源抽取标题时是如何工作的。
>>> selector = p[3]
>>> selector
<Selector xpath='//*[@itemtype="http://schema.org/Product"]' ... '>
>>> selector.xpath('.//*[@itemprop="name"][1]/text()').extract()
[u'l fun broadband clean people brompton european']
可以在 Selector
对象的列表中使用 for
循环,抽取索引页中全部30个条目的信息。
为了实现该目的,我们再一次从第3章的 manual.py
着手,将爬虫重命名为"fast",并重命名文件为 fast.py
。我们将复用大部分代码,只在 parse()
和 parse_items()
方法中进行少量修改。最新方法的代码如下。
def parse(self, response):
# Get the next index URLs and yield Requests
next_sel = response.xpath('//*[contains(@class,"next")]//@href')
for url in next_sel.extract():
yield Request(urlparse.urljoin(response.url, url))
# Iterate through products and create PropertiesItems
selectors = response.xpath(
'//*[@itemtype="http://schema.org/Product"]')
for selector in selectors:
yield self.parse_item(selector, response)
在代码的第一部分中,对前往下一个索引页的 Request
的 yield
操作的代码没有变化。唯一改变的内容在第二部分,不再使用 yield
为每个详情页创建请求,而是迭代选择器并调用 parse_item()
。其中, parse_item()
的代码也和原始代码非常相似,如下所示。
def parse_item(self, selector, response):
# Create the loader using the selector
l = ItemLoader(item=PropertiesItem(), selector=selector)
# Load fields using XPath expressions
l.add_xpath('title', './/*[@itemprop="name"][1]/text()',
MapCompose(unicode.strip, unicode.title))
l.add_xpath('price', './/*[@itemprop="price"][1]/text()',
MapCompose(lambda i: i.replace(',', ''), float),
re='[,.0-9]+')
l.add_xpath('description',
'.//*[@itemprop="description"][1]/text()',
MapCompose(unicode.strip), Join())
l.add_xpath('address',
'.//*[@itemtype="http://schema.org/Place"]'
'[1]/*/text()',
MapCompose(unicode.strip))
make_url = lambda i: urlparse.urljoin(response.url, i)
l.add_xpath('image_urls', './/*[@itemprop="image"][1]/@src',
MapCompose(make_url))
# Housekeeping fields
l.add_xpath('url', './/*[@itemprop="url"][1]/@href',
MapCompose(make_url))
l.add_value('project', self.settings.get('BOT_NAME'))
l.add_value('spider', self.name)
l.add_value('server', socket.gethostname())
l.add_value('date', datetime.datetime.now())
return l.load_item()
我们所做的细微变更如下所示。
ItemLoader
现在使用selector
作为源,而不再是Response
。这是ItemLoader
API一个非常便捷的功能,能够让我们从当前选取的部分(而不是整个页面)抽取数据。- XPath表达式通过使用前缀点号(.)转为相对XPath。
比较巧合的是,在我们的例子中,索引页和详情页中的XPath表达式是一样的。实际情况并不总是这样,你可能需要重新开发XPath表达式,以匹配索引页的结构。
- 我们必须自己编辑
Item
的URL。之前,response.url
已经给出了房源页的URL。而现在,它给出的是索引页的URL,因为该页面才是我们要爬取的。我们需要使用熟悉的.//*[@itemprop="url"][1]/@href
这个XPath表达式抽取出房源的URL,然后使用MapCompose
处理器将其转换为绝对URL。
小的改变能够节省巨大的工作量。现在,我们可以使用如下代码运行该爬虫。
$ scrapy crawl fast -s CLOSESPIDER_PAGECOUNT=3
...
INFO: Dumping Scrapy stats:
'downloader/request_count': 3, ...
'item_scraped_count': 90,...
和预期一样,只用了3个请求,就抓取了90个条目。如果我们没有在索引页中获取到的话,则需要93个请求。这种方式太明智了!
如果你想使用 scrapy parse
进行调试,那么现在必须设置 spider
参数,如下所示。
$ scrapy parse --spider=fast http://web:9312/properties/index_00000.html
...
>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items --------------------------------------------
[{'address': [u'Angel, London'],
... 30 items...
# Requests ---------------------------------------------------
[<GET http://web:9312/properties/index_00001.html>]
正如期望的那样, parse()
返回了 30
个 Item
以及一个前往下一索引页的 Request
。请使用 scrapy parse
随意试验,比如传输 --depth=2
。