最近想在工作相關的項目上做技術改進，需要全而準的車型數據，尋尋覓覓而不得，所以就只能自己動手豐衣足食，到網上獲（竊）得（取）數據了。

汽車之家是大家公認的數據做的比較好的汽車網站，所以就用它吧。（感謝汽車之家的大大們這么用心地做數據，仰慕）

俗話說的好，“十爬蟲九python”，作為一只java狗，我顫顫巍巍地拿起了python想要感受一下scrapy的強大。。。

在寫這個爬蟲之前，我用urllib2,BeautifulSoup寫了一個版本，不過效率太差，而且還有內存溢出的問題，作為python小白感覺很無力，所以用scrapy才是正道。

嗯，開搞。

準備工作

安裝python，版本是2.7

安裝scrapy模塊, 版本是1.4.0

參考

汽車之家車型數據爬蟲[https://github.com/LittleLory/codePool/tree/master/python/autohome_spider]：這是我工程的代碼，以下內容需要參照著代碼來理解，就不貼代碼在這里了。

Scrapy中文文檔：這是Scrapy的中文文檔，具體細節可以參照文檔。感謝Summer同學的翻譯。

Xpath教程：解析頁面數據要用到xpath的語法，簡單了解一下，在做的過程中遇到問題去查一下就可以了。

初始化工程

scrapy工程的初始化很方便，在shell中的指定目錄下執行scrapy start startproject 項目名稱，就自動化生成了。

執行這步的時候遇到了一個問題，拋出了異常"TLSVersion.TLSv1_1: SSL.OP_NO_TLSv1_1"，解決方法是執行sudo pip install twisted==13.1.0，應該是依賴庫版本不兼容。

目錄結構

工程初始化后，scrapy中的各個元素就被構建好了，不過構建出來的是一副空殼，需要我們往里邊寫入我們的爬蟲邏輯。

初始化后的目錄結構是這樣的：

spiders:爬蟲目錄，爬蟲的爬取邏輯就放在個目錄下邊

items.py:數據實體類，在這里定義我們爬到的數據結構

middlewares.py:爬蟲中間件（我自己翻譯的哈），在這里定義爬取前、爬取后需要處理的邏輯

pipelines.py:數據管道，爬取后的數據實體會經過數據管道的處理

settings.py:配置文件，可以在這里配置爬蟲的爬取速度，配置中間件、管道是否開啟和先后順序，配置數據輸出的格式等。

了解過這些文件的作用后就可以開始寫爬蟲了。

開始吧！

首先，確定要爬取的目標數據。

我的目標是獲取汽車的品牌、車系、車型數據，先從品牌開始。

在汽車之家的頁面中尋覓一番后，找到了一個爬蟲的切入點，汽車之家車型大全。這個頁面里有所有品牌的數據，正是我的目標。不過在觀察的過程中發現，這個頁面里的品牌數據是在頁面向下滾動的過程中延遲加載的，這樣我們通過請求這個頁面不能獲取到延遲加載的那部分數據。不過不要慌，看一下延遲加載的方式是什么樣的。

打開瀏覽器控制臺的網絡請求面板，滾動頁面來觸發延遲加載，發現瀏覽器發送了一個異步請求：

復制請求的URL看看：

http://www.autohome.com.cn/grade/carhtml/B.html

http://www.autohome.com.cn/grade/carhtml/C.html

http://www.autohome.com.cn/grade/carhtml/D.html

找到規律了，每一次加載的URL，都只是改變了對應的字母，所以對A到Z分別請求一次就取到了所有的品牌數據。

打開http://www.autohome.com.cn/grade/carhtml/B.html看下，發現頁面的數據很規整，是按照品牌-廠商-車系的層級組織的。嗯，正合我意，那就開爬吧。

編寫Spider

在spiders目錄下邊，新建一個brand_spider.py文件，在文件中定義BrandSpider類，這個類繼承了scrapy.Spider類，這就是scrapy的Spider類。在BrandSpider中，需要聲明name變量，這是這個爬蟲的ID；還需要聲明start_urls，這是爬蟲的起點鏈接；再定義一個parse方法，里面實現爬蟲的邏輯。

parse方法的入參中，response就是對start_urls中的鏈接的請求響應數據，我們要爬取的品牌數據就在這里面，我們需要從response中提取出來。從response提取數據需要使用xpath語法，參考上邊的xpath教程。

提取數據之前，需要先給品牌數據定義一個實體類，因為需要把品牌數據存到數據實體中并落地到磁盤。在items.py文件中定義一個BrandItem類，這個類繼承了scrapy.Item類，類中聲明了爬取到的、要落地的品牌相關數據，這就是scrapy的Item類。

定義好品牌實體后，在parse方法中聲明一個BrandItem實例，然后通過reponse.xpath方法取到想要的品牌ID、品牌url、品牌名稱、圖標url等數據，并設置到BrandItem實例中，最后通過yield來聚合爬取到的各個品牌數據并返回，返回的數據會進入pipeline。

編寫Pipeline

爬取到的數據接著被pipeline.py文件中定義的Pipeline類處理，這個類通常是對傳入的Item實體做數據的清洗、排重等工作，可以定義多個Pipeline，依次對Item處理。由于暫時沒有這方面的需要，就不改寫這個文件，保持默認狀態就好。經過pipeline的處理后，數據進入數據集。

輸出csv格式數據

對于爬取到的車型數據，我想以csv的格式輸出，并且輸出到指定目錄下，此時需要修改settings.py文件。

在settings.py中添加FEED_FORMAT = 'csv'和FEED_URI = 'data/%(name)s_%(time)s.csv'兩項，目的是指定輸出格式為csv，輸出到data目錄下，以”爬蟲名稱_爬取時間.csv“格式命名。

執行爬蟲

品牌數據的爬蟲編寫完成了，在項目根目錄下執行scrapy crawl brand，不出意外的話，在執行了brand爬蟲后，會在data目錄下出現一個新的csv文件，并且裝滿了品牌數據。

小心被屏蔽

不過需要注意一個問題，就是當爬蟲高頻地請求網站接口的時候，有可能會被網站識別出來并且屏蔽掉，因為太高頻的請求會對網站的服務器造成壓力，所以需要對爬蟲限速。

在settings.py中添加DOWNLOAD_DELAY = 3，限制爬蟲的請求頻率為平均3秒一次。

另外，如果爬蟲發送的請求頭中沒有設置user agent也很容易被屏蔽掉，所以要對請求頭設置user agent。

在項目根目錄下新建user_agent_middlewares.py文件，在文件中定義UserAgentMiddleware類，繼承了UserAgentMiddleware類。在UserAgentMiddleware中聲明user_agent_list，存放一些常用的user agent，然后重寫process_request方法，在user_agent_list中隨機選取user agent寫入請求頭中。

車系、車型爬蟲

車系爬蟲與上邊的品牌爬蟲類似，實現在spiders/series_spider.py中。

車型爬蟲稍微復雜一些，實現在spiders/model_spider.py中。車型爬蟲要從頁面中解析出車型數據，同時要解析出更多的URL添加到請求隊列中。而且，車型爬蟲爬取的頁面并不像品牌數據頁面那么規整，所以要根據URL的特征以及頁面中的特征來調整解析策略。因此在這里用到了CrawlSpider和Rules，具體參照Spider文檔。

總結

以上就實現了一個簡單的汽車之家的車型數據爬蟲，其中用到了scrapy中的部分元素，當然還有很多元素沒有涉及到，不過對于一個簡單爬蟲來說足矣。

Tip

在用xpath解析頁面的時候，寫出來的xpath語句很可能與預期不符，而且調試起來很麻煩，我是用以下方式來提高效率的：

使用chrome上的XPath Helper插件。安裝好插件，打開目標頁面，按command+shift+x（mac版的快捷鍵）打開插件面板，在面板里輸入xpath語句，就能看到取到的結果了：

使用scrapy shell調試。在工程目錄下執行scrapy shell http://www.xxxxx.xx，之后就會進入python的交互終端，這時就可以進行調試了。執行print response.xpath('xxxxx')來驗證xpath語句是否符合預期。