Python+MongoDB 爬虫实战

工具准备及爬虫搭建
 
Scrapy(python写成的爬虫框架)
在前一篇 Scrapy爬虫入门 里有写到Scrapy的安装和基本使用，他的特点是每个不同的page都自己定制一个不同的Spider，通过
[java] 
scrapy crawl spidername -o file -t json  
 
的方法运行爬虫程序并且以json形式保存到目标文件里（当然后面 -o -t 两项可以省略）。而且python代码很少，实现很方便。简单看下python的语法就可以轻松上手。
顺便以Java开发者和python小白用户的角度阐述下我对python语法的总结：
句末不带分号
if，while，for不带大括号
变量不用声明，比js声明还简单
三个主要数据结果：字典，列表，元组
没有好的IDE，全靠自己声明：包的导入要自己声明，异常要自己声明
代码短小，给我很强烈的空虚感
MongoDB(带上pymongo和mongo-java-driver)
很早以前就想实践下MongoDB，早早的看过《MongoDB权威指南》，却一直没有机会实战，亏得毕设可以让我有了需求驱动。因为MongoDB以BSON的形式存储对象，所以我觉得蛮适合存储Scrapy的json爬取结果，由pymongo进行交互。爬取到的数据后期会交由solr搭建搜索服务，所以也装上了java的driver看看读取结果。
java-driver的简单操作
pymongo的简单操作
 
数据尝试
以CSDN博客里的数据练手，爬取CSDN各博客内的博文内容数据。先爬取热门文章页面上的一些博主名字和url：
[html] 
{  
    'username' : 'xxx',  
    'url' : 'http://blog.csdn.net/xxx/article/list/n'  
}  
然后爬取该博主所有的文章url链接，再爬取每份url链接里的内容，存到MongoDB里：
[html]  
    'user' : 'xxx',  
    'title' : 'xxxxx',  
    'tag' : ['xx', 'xx', 'xx'],  
    'content' : 'xxxxxxxxxxxxxxxxxxxxxxxx'   
}  
 
总结
有一些技术是由需求驱动才去尝试学习；有一些问题只要具备一定的执行力就能发现。
MongoDB读取性能如何？他的自动分片怎么得以体现？自带的js版mapreduce如何利用？
如何将Scrapy做成一种服务？python语言的各种实践？
今后的数据会设计论文，个人主页，这里的CSDN博客数据只是整条道路的铺垫。不过对整个学习和探索过程我还是充满期待，哈哈。

补充：Web开发 , Python ,