本文由
伯乐在线 -
木羊 翻译，
xianhu 校稿。未经许可，禁止转载！英文出处：
realpython.com。欢迎加入
翻译小组。
这篇文章将根据真实的兼职需求编写一个爬虫，用户想要一个Python程序从Stack Overflow抓取数据，获取新的问题（问题标题和URL）。抓取的数据应当存入MongoDB。值得注意的是，Stack Overflow已经提供了可用于读取同样数据的API。但是用户想要一个爬虫，那就给他一个爬虫。像往常一样，在开始任何抓取工作前，一定要先查看该网站的使用/服务条款，要尊重 robots.txt 文件。抓取行为应该遵守道德，不要在很短时间内发起大量请求，从而导致网站遭受泛洪攻击。对待那些你要抓取的网站，要像对待自己的一样。
安装
我们需要Scrapy库(v0.24.4)，以及用于在MongoDB中存储数据的PyMongo库(v2.7.2)。同样需要安装MongoDB。
Scrapy
如果使用OSX或某种Linux，使用pip安装Scrapy（激活命令行）：
如果使用Windows的机器，你需要手动安装一堆依赖库（木羊吐槽：Win下也是有pip的po主你不要黑她，经测可以用上面命令直接安装成功）。请参考官方文档详细说明以及我创建的Youtube视频。一旦Scrapy安装完毕，可在Python命令行中使用这个命令验证：
如果没有出错，安装就完成了。
PyMongo
下一步，使用pip安装PyMongo：
现在可以开始构建爬虫了。
Scrapy工程
先创建一个新的Scrapy工程：
这条命令创建了许多文件和文件夹，其中包含一套有助于你快速开始的基本模板：
提取数据
items.py文件用于定义存储“容器”，用来存储将要抓取的数据。StackItem()类继承自Item (
文档)，主要包含一些Scrapy已经为我们创建好的预定义对象：
添加一些想要收集的项。用户想要每条问题的标题和URL。那么，照这样更新items.py：
创建蜘蛛
在“spiders”目录下建立一个名为stack_spider.py的文件。这里是见证奇迹发生的地方—-比如在这里告诉Scrapy怎么去找到我们想要的指定数据。正如你想的那样，对于每一个独立的网页，stack_spider.py都是不同的。我们从定义一个类开始，这个类继承Scrapy的Spider，并添加一些必须的属性：
最初一些变量的含义很容易理解（
文档）：定义蜘蛛的名字。
allowed_domains
包含构成许可域的基础URL，供蜘蛛去爬。
start_urls
是一个URL列表，蜘蛛从这里开始爬。蜘蛛从start_urls中的URL下载数据，所有后续的URL将从这些数据中获取。
XPath选择器
接下来，Scrapy使用XPath选择器在一个网站上提取数据。也就是说，我们可以通过一个给定的XPath选择HTML数据的特定部分。正如Scrapy所称，“XPath是一种选择XML节点的语言，也可以用于HTML。”使用Chrome的开发者工具，可以很容易找到一个特定的Xpath。简单地检查一个特定的HTML元素，复制XPath，然后修改（如有需要）。
开发者工具同时为用户提供在JavaScript控制台测试XPath选择器的功能，使用$x，如
$x("//img"):
继续，通过定义的XPath告诉Scrapy去哪里寻找信息。在Chrom中导航至Stack Overflow网址，寻找XPath选择器。
右键点击第一条问题，选择“插入元素”：现在从
<div class="summary">, //*[@id="question-summary-27624141"]/div[2]
中抓取XPath，然后在JavaScript控制台测试它：
也许你会说，这只选择了一条问题。现在需要改变XPath去抓取所有的问题。有什么想法？很简单：
//div[@class="summary"]/h3
。什么意思呢？本质上，这条XPath是说：抓取
<div>
的子树中所有这一类
<h3>
元素的总集。在JavaScript控制台中测试XPath。请注意我们不会使用Chrome开发者工具的实际输出。在大多数案例中，这些输出仅仅是一个参考，便于直接找到能用的XPath。现在更新stack_spider.py脚本：
提取数据
我们仍然需要解析和抓取想要的数据，它符合
<div class="summary"><h3>
。继续，像这样更新stack_spider.py：
我们将遍历问题，从抓取的数据中分配标题和URL的值。一定要利用Chrome开发者工具的JavaScript控制台测试XPath的选择器，例如
$x('//div[@class="summary"]/h3/a[@class="question-hyperlink"]/text()') 和
$x('//div[@class="summary"]/h3/a[@class="question-hyperlink"]/@href')。
测试
准备好第一次测试了吗？只要简单地在“stack”目录中运行下面命令：
随着Scrapy堆栈跟踪，你应该看到50条问题的标题和URL输出。你可以用下面这条小命令输出一个JSON文件：
我们已经基于要寻找的数据实现了爬虫。现在需要将抓取的数据存入MongoDB。
在MongoDB中存储数据
每当有一项返回，我们想验证数据，然后添加进一个Mongo集合。第一步是创建一个我们计划用来保存所有抓取数据的数据库。打开settings.py，指定管道然后加入数据库设置：
管道管理我们建立了爬虫去抓取和解析HTML，而且已经设置了数据库配置。现在要在pipelines.py中通过一个管道连接两个部分。连接数据库首先，让我们定义一个函数去连接数据库：
这里，我们创建一个类，MongoDBPipeline()，我们有一个构造函数初始化类，它定义Mongo的设置然后连接数据库。处理数据下一步，我们需要定义一个函数去处理被解析的数据：
我们建立一个数据库连接，解包数据，然后将它存入数据库。现在再测试一次！
测试
再次，在“stack”目录下运行下面命令：
万岁！我们已经成功将我们爬下了的数据存入数据库：
总结
这是一个用Scrapy爬取网页的简单示例。真实兼职工作需要能跟踪分页链接的脚本，用CrawlSpider（
文档）抓取每一个页面，非常容易实现。自己动手实现下，在下面Github仓库链接中写一个评论，快速查看代码。需要帮助？从
这个脚本开始，它已经很接近完成了。然后查看第二部分，它包含完整的解决方案。你可以从Github repo中下载完整的代码。如果有问题请跟贴评论。谢谢阅读！新年快乐
关于作者：
木羊
