自上一篇文章 Z Story : Using Django with GAE Python 后臺抓取多個網站的頁面全文 后，大體的進度如下：

1.增加了Cron： 用來告訴程序每隔30分鐘 讓一個task 醒來， 跑到指定的那幾個博客上去爬取最新的更新

2.用google 的 Datastore 來存貯每次爬蟲爬下來的內容。。只存貯新的內容。。

就像上次說的那樣，這樣以來 性能有了大幅度的提高： 原來的每次請求后， 爬蟲才被喚醒 所以要花大約17秒的時間才能從后臺輸出到前臺而現在只需要2秒不到

3.對爬蟲進行了優化

1. Cron.yaml 來安排每個程序醒來的時間

經過翻文檔， 問問題終于弄明白google的cron的工作原理－－實際上只是google每隔指定的時間虛擬地訪問一個我們自己指定的url…

因此在Django 下， 根本不需要寫一個純的python 程序 一定不要寫：

if __name__=="__main__":

只需要自己配置一個url 放在views.py里：

def updatePostsDB(request):

#deleteAll()

SiteInfos=[]

SiteInfo={}

SiteInfo['PostSite']="L2ZStory"

SiteInfo['feedurl']="feed://l2zstory.wordpress.com/feed/"

SiteInfo['blog_type']="wordpress"

SiteInfos.append(SiteInfo)

SiteInfo={}

SiteInfo['PostSite']="YukiLife"

SiteInfo['feedurl']="feed://blog.sina.com.cn/rss/1583902832.xml"

SiteInfo['blog_type']="sina"

SiteInfos.append(SiteInfo)

SiteInfo={}

SiteInfo['PostSite']="ZLife"

SiteInfo['feedurl']="feed://ireallife.wordpress.com/feed/"

SiteInfo['blog_type']="wordpress"

SiteInfos.append(SiteInfo)

SiteInfo={}

SiteInfo['PostSite']="ZLife_Sina"

SiteInfo['feedurl']="feed://blog.sina.com.cn/rss/1650910587.xml"

SiteInfo['blog_type']="sina"

SiteInfos.append(SiteInfo)

try:

for site in SiteInfos:

feedurl=site['feedurl']

blog_type=site['blog_type']

PostSite=site['PostSite']

PostInfos=getPostInfosFromWeb(feedurl,blog_type)

recordToDB(PostSite,PostInfos)

Msg="Cron Job Done..."

except Exception,e:

Msg=str(e)

return HttpResponse(Msg)

cron.yaml 要放在跟app.yaml同一個級別上：

cron:

- description: retrieve newest posts

url: /task_updatePosts/

schedule: every 30 minutes

在url.py 里只要指向這個把task_updatePostsDB 指向url就好了

調試這個cron的過程可以用慘烈來形容。。。在stackoverflow上有很多很多人在問為什么自己的cron不能工作。。。我一開始也是滿頭是汗，找不著頭腦。。。最后僥幸弄好了，大體步驟也是空泛的很。。但是很樸實：

首先，一定要確保自己的程序沒有什么syntax error….然后可以自己試著手動訪問一下那個url 如果cron 正常的話，這個時候任務應該已經被執行了 最后實在不行的話多看看log…

2. Datastore的配置和利用－－Using Datastore with Django

我的需求在這里很簡單－－沒有join…所以我就直接用了最簡陋的django-helper..

這個models.py 是個重點：

from appengine_django.models import BaseModel

from google.appengine.ext import db

classPostsDB(BaseModel):

link=db.LinkProperty()

title=db.StringProperty()

author=db.StringProperty()

date=db.DateTimeProperty()

description=db.TextProperty()

postSite=db.StringProperty()

前兩行是重點中的重點。。。。我一開始天真沒寫第二行。。。結果我花了2個多小時都沒明白是怎么回事。。得不償失。。。

讀寫的時候， 千萬別忘了。。。PostDB.put()

一開始的時候，我為了省事，就直接每次cron被喚醒， 就刪除全部的數據， 然后重新寫入新爬下來的數據。。。

結果。。。一天過后。。。有4萬條讀寫紀錄。。。。而每天免費的只有5萬條。。。。

所以就改為在插入之前先看看有沒有更新， 有的話就寫，沒的話就不寫。。總算把數據庫這部分搞好了。。。

3.爬蟲的改進：

一開始的時候，爬蟲只是去爬feed里給的文章。。這樣一來，如果一個博客有24＊30篇文章的話。。。最多只能拿到10篇。。。。

這次，改進版能爬所有的文章。。我分別拿孤獨川陵， 韓寒， Yuki和Z的博客做的試驗。。成功的很。。。其中孤獨川陵那里有720＋篇文章。。。無遺漏掉的被爬下來了。。

import urllib

#from BeautifulSoup import BeautifulSoup

from pyquery import PyQuery as pq

def getArticleList(url):

lstArticles=[]

url_prefix=url[:-6]

Cnt=1

response=urllib.urlopen(url)

html=response.read()

d=pq(html)

try:

pageCnt=d("ul.SG_pages").find('span')

pageCnt=int(d(pageCnt).text()[1:-1])

except:

pageCnt=1

for i in range(1,pageCnt+1):

url=url_prefix+str(i)+".html"

#print url

response=urllib.urlopen(url)

html=response.read()

d=pq(html)

title_spans=d(".atc_title").find('a')

date_spans=d('.atc_tm')

for j in range(0,len(title_spans)):

titleObj=title_spans[j]

dateObj=date_spans[j]

article={}

article['link']= d(titleObj).attr('href')

article['title']= d(titleObj).text()

article['date']=d(dateObj).text()

article['desc']=getPageContent(article['link'])

lstArticles.append(article)

return lstArticles

def getPageContent(url):

#get Page Content

response=urllib.urlopen(url)

html=response.read()

d=pq(html)

pageContent=d("div.articalContent").text()

#print pageContent

return pageContent

def main():

url='http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html'#Han Han

url="http://blog.sina.com.cn/s/articlelist_1225833283_0_1.html"#Gu Du Chuan Ling

url="http://blog.sina.com.cn/s/articlelist_1650910587_0_1.html"#Feng

url="http://blog.sina.com.cn/s/articlelist_1583902832_0_1.html"#Yuki

lstArticles=getArticleList(url)

for article in lstArticles:

f=open("blogs/"+article['date']+"_"+article['title']+".txt",'w')

f.write(article['desc'].encode('utf-8')) ＃特別注意對中文的處理

f.close()

#print article['desc']

if __name__=='__main__':

main()

對PyQuery的推薦。。很遺憾的說， BueautifulSoup讓我深深的失望了。。。在我寫上篇文章的時候，當時有個小bug..一直找不到原因。。在我回家后，又搭上了很多時間試圖去弄明白為什么BueautifulSoup一直不能抓到我想要的內容。。。后來大體看了看它selector部分的源代碼覺得應該是它對于很多還有

我放棄了這個庫， 又試了lxml..基于xpath 很好用。。但是xpath的東西我老是需要查文檔。。。所以我又找了個庫PyQuery…可以用jQuery選擇器的工具。。。非常非常非常好用。。。。具體的用法就看上面吧。。。這個庫有前途。。。

隱憂因為pyquery基于lxml…而lxml的底層又是c…所以估計在gae上用不了。。。我這個爬蟲只能現在在我的電腦上爬好東西。。。然后push到server上。。。

總結

一句話， 我愛死Python了

兩句話， 我愛死Python了，我愛死Django了

三句話， 我愛死Python了，我愛死Django了，我愛死jQuery了。。。

四句號， 我愛死Python了，我愛死Django了，我愛死jQuery了，我愛死pyQuery了。。。

總結

以上是生活随笔為你收集整理的python爬虫搜特定内容的论文_Python 爬虫爬取指定博客的所有文章的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。