riverwoo / scrapy_douban

文件夹说明

flask内为网站的运行文件 其他的几个文件夹均为不同类库的尝试与制作的DEMO

为什么不使用scrapy：

scrapy天生就是网络爬虫看。虽然强大，但依赖C++组件，并且很难把它抽象为类，实例化使用。 目前有一个解决方案，但这个方案要使用到多线程，介于这个工具部署在免费的Paas平台上，线程的使用时禁止的。所以抛弃scrapy

如何运行scrapy(二选一)

• python run.py
• scrapy crawler douban

幸运的是我要抓取的数据非常简单，关键在于解析HTML就够了，beautifulSoup4就可以满足

requirement

• Flask==0.10.1
• beautifulsoup4==4.2.1
• pymongo==2.5.2 (可选)

推荐使用virtualenv来配置虚拟环境并且运行程序：

在本机安装好 virtualenv 后

1. 切换至工程文件夹 $ cd project
2. 创建虚拟环境 $ virtualenv venv
3. 使用虚拟环境(Windows) $ venv\scripts\activate
4. 退出虚拟环境 $ deactivate

注意：

• 在windows下务必使用自带cmd为命令行工具，不可使用git bash，否则无法进入虚拟环境
• repo克隆在不同pc上时务必重新运行 $ virtualenv venv 命令，重新部署环境

关于运行

运行 python run.py 即可 注意，run.py 是把数据存储在一个变量（内存）中。但基于flask框架不稳定，推荐运行run_mongo.py 版本。将数据存储在mongoDB中（你需要在本地安装mongoDB和在python 中安装pymongo）

参数设置

run.py:

• EXPIRE_TIME：更新时间间隔，以秒为单位

info.py:

• FETCH_URLS: 要抓取的豆瓣小组链接
• PAGE_NUM: 每个小组要抓取的页数
• PAUSE_SECOND: 每一条链接抓取之间的时间间隔