python编写网页爬虫脚本并实现APScheduler调度
前段时间自学了python，作为新手就想着自己写个东西能练习一下，了解到python编写爬虫脚本非常方便，且最近又学习了mongodb相关的知识，万事具备只欠东风。
程序的需求是这样的，爬虫爬的页面是京东的电子书网站页面，每天会更新一些免费的电子书，爬虫会把每天更新的免费的书名以第一时间通过邮件发给我，通知我去下载。
一、编写思路：
1.爬虫脚本获取当日免费书籍信息
2.把获取到的书籍信息与数据库中的已有信息作比较，如果书籍存在不做任何操作，书籍不存在，执行插入数据库的操作，把数据的信息存入mongodb
3.执行数据库插入操作时，把更新的数据以邮件的形式发送出来
4.用apscheduler调度框架完成python脚本调度
二、脚本的主要知识点：
1.python简单爬虫
本次用到的模块有urllib2用来抓取页面，导入模块如下：
import urllib2 from sgmllib import sgmlparser
urlopen()方法获取网页html源码，都存储在content中，listhref()类主要的功能是解析html代码，处理html类型的半结构化文档。
content = urllib2.urlopen('http://sale.jd.com/act/yufbrhztjx6jtv.html').read()
listhref = listhref()
listhref.feed(content)
listhref()类代码可以在下面全部代码中查询到，这里只说几个关键点：
listhref()类继承了sgmlparser 类并重写了其中的内部方法。sgmlparser 将html分解成有用的片段，比如开始标记和结束标记。一旦成功地分解出某个数据为一个有用的片段，它会根据所发现的数据，调用一个自身内部的方法。为了使用这个分析器，您需要子类化 sgmlparser类，并且重写父类的这些方法。
sgmlparser 将 html 分析成不同类数据及标记，然后对每一类调用单独的方法:
开始标记 (start_tag)
是一个开始一个块的 html 标记，像 <html>，<head>，<body> , <pre> 等，或是一个独一的标记，象 <br> 或 <img> 等。本例当它找到一个开始标记<a>，sgmlparser将查找名为 start_a或do_a的方法。如果找到了，sgmlparser会使用这个标记的属性列表来调用这个方法；否则，它用这个标记的名字和属性列表来调用unknown_starttag方法。
结束标记 (end_tag)
是结束一个块的html标记，像 </html>，</head>，</body> 或 </pre> 等。本例中当找到一个结束标记时，sgmlparser 将查找名为end_a的方法。如果找到，sgmlparser调用这个方法，否则它使用标记的名字来调用unknown_endtag。
文本数据(text data)
获取文本块，当不满足其它各类别的任何标记时，调用handle_data获取文本。
以下的几类在本文中没有用到
字符引用 (character reference)
用字符的十进制或等同的十六进制来表示的转义字符，当找到该字符，sgmlparser用字符调用 handle_charref 。
实体引用 (entity reference)
html实体，像&ref，当找到该实体，sgmlparser实体的名字调用handle_entityref。
注释 (comment)
html注释, 包括在 <!-- ... -->之间。当找到，sgmlparser用注释内容调用handle_comment。
处理指令 (processing instruction)
html处理指令，包括在 <? ... > 之间。当找到，sgmlparser用指令内容调 handle_pi。
声明 (declaration)
html声明，如doctype，包括在 <! ... >之间。当找到，sgmlparser用声明内容调用handle_decl。
具体的说明参考api：http://docs.python.org/2/library/sgmllib.html?highlight=sgmlparser#sgmllib.sgmlparser
2.python操作mongodb数据库
首先要安装python对mongodb的驱动pymongo,下载地址：https://pypi.python.org/pypi/pymongo/2.5
导入模块
import pymongo
连接数据库服务器127.0.0.1和切换到所用数据库mydatabase
mongocon=pymongo.connection(host="127.0.0.1",port=27017) db= mongocon.mydatabase
查找数据库相关书籍信息，book为查找的collection
bookinfo = db.book.find_one({"href":bookitem.href})
为数据库插入书籍信息，python支持中文，但是对于中文的编码和解码还是比较复杂，相关解码和编码请参考http://blog.csdn.net/mayflowers/article/details/1568852
b={
"bookname":bookitem.bookname.decode('gbk').encode('utf8'),
"href":bookitem.href,
"date":bookitem.date
}
db.book.insert(b,safe=true)
关于pymongo请参考api文档http://api.mongodb.org/python/2.0.1/
3.python发送邮件
导入邮件模块
# import smtplib for the actual sending function import smtplib from email.mime.text import mimetext
"localhost"为邮件服务器地址
msg = mimetext(context) #文本邮件的内容
msg['subject'] = sub #主题
msg['from'] = "my@vmail.cn" #发信人
msg['to'] = commaspace.join(mailto_list) #收信人列表
def send_mail(mailto_list, sub, context): commaspace = ',' mail_host = "localhost" me = "my@vmail.cn" # create a text/plain message msg = mimetext(context) msg['subject'] = sub msg['from'] = "my@vmail.cn" msg['to'] = commaspace.join(mailto_list) send_smtp = smtplib.smtp(mail_host) send_smtp.sendmail(me, mailto_list, msg.as_string()) send_smtp.close()
应用文档：http://docs.python.org/2/library/email.html?highlight=smtplib#
4.python调度框架apscheduler
下载地址https://pypi.python.org/pypi/apscheduler/2.1.0
官方文档：http://pythonhosted.org/apscheduler/#faq
api：http://pythonhosted.org/apscheduler/genindex.html
安装方法：下载之后解压缩，然后执行python setup.py install，导入模块
from apscheduler.scheduler import scheduler
apscheduler配置比较简单，本例中只用到了add_interval_job方法，在每间隔一段时间后执行任务脚本，本例中的间隔是30分钟。可参考实例文章http://flykite.blog.51cto.com/4721239/832036
# start the scheduler sched = scheduler() sched.daemonic = false sched.add_interval_job(job,minutes=30) sched.start()
关于daemonic参数：
apscheduler会创建一个线程，这个线程默认是daemon=true，也就是默认的是线程守护的。
在上面的代码里面，要是不加上sched.daemonic=false的话，这个脚本就不会按时间运行。
因为脚本要是没有sched.daemonic=false，它会创建一个守护线程。这个过程中，会创建scheduler的实例。但是由于脚本运行速度很快，主线程mainthread会马上结束，而此时定时任务的线程还没来得及执行，就跟随主线程结束而结束了。（守护线程和主线程之间的关系决定的）。要让脚本运行正常，必须设置该脚本为非守护线程。sched.daemonic=false
附：全部脚本代码
all code
#-*- coding: utf-8 -*-
import urllib2
from sgmllib import sgmlparser
import pymongo
import time
# import smtplib for the actual sending function
import smtplib
from email.mime.text import mimetext
from apscheduler.scheduler import scheduler
#get freebook hrefs
class listhref(sgmlparser):
def __init__(self):
sgmlparser.__init__(self)
self.is_a = ""
self.name = []
self.freehref=""
self.hrefs=[]
def start_a(self, attrs):
self.is_a = 1
href = [v for k, v in attrs if k == "href"]
self.freehref=href[0]
def end_a(self):
self.is_a = ""
def handle_data(self, text):
if self.is_a == 1 and text.decode('utf8').encode('gbk')=="限时免费":
self.hrefs.append(self.freehref)
#get freebook info
class freebook(sgmlparser):
def __init__(self):
sgmlparser.__init__(self)
self.is_title=""
self.name = ""
def start_title(self, attrs):
self.is_title = 1
def end_title(self):
self.is_title = ""
def handle_data(self, text):
if self.is_title == 1:
self.name=text
#mongo store module
class freebookmod:
def __init__(self, date, bookname ,href):
self.date=date
self.bookname=bookname
self.href=href
def get_book(booklist):
content = urllib2.urlopen('http://sale.jd.com/act/yufbrhztjx6jtv.html').read()
listhref = listhref()
listhref.feed(content)
for href in listhref.hrefs:
content = urllib2.urlopen(str(href)).read()
listbook=freebook()
listbook.feed(content)
name = listbook.name
n= name.index('》')
#print (name[0:n+2])
freebook=freebookmod(time.strftime('%y-%m-%d',time.localtime(time.time())),name[0:n+2],href)
booklist.append(freebook)
return booklist
def record_book(booklist,context,issendmail):
# database operation
mongocon=pymongo.connection(host="127.0.0.1",port=27017)
db= mongocon.mydatabase
for bookitem in booklist:
bookinfo = db.book.find_one({"href":bookitem.href})
if not bookinfo:
b={
"bookname":bookitem.bookname.decode('gbk').encode('utf8'),
"href":bookitem.href,
"date":bookitem.date
}
db.book.insert(b,safe=true)
issendmail=true
context=context+bookitem.bookname.decode('gbk').encode('utf8')+','
return context,issendmail
#send message
def send_mail(mailto_list, sub, context):
commaspace = ','
mail_host = "localhost"
me = "my@vmail.cn"
# create a text/plain message
msg = mimetext(context)
msg['subject'] = sub
msg['from'] = "my@vmail.cn"
msg['to'] = commaspace.join(mailto_list)
send_smtp = smtplib.smtp(mail_host)
send_smtp.sendmail(me, mailto_list, msg.as_string())
send_smtp.close()
#main job for scheduler
def job():
booklist=[]
issendmail=false;
context="today free books are"
mailto_list=["mailto@mail.cn"]
booklist=get_book(booklist)
context,issendmail=record_book(booklist,context,issendmail)
if issendmail==true:
send_mail(mailto_list,"free book is update",context)
if __name__=="__main__":
# start the scheduler
sched = scheduler()
sched.daemonic = false
sched.add_interval_job(job,minutes=30)
sched.start()