薛景三
大体的进度如下：增加了Cron： 用来告诉程序每隔30分钟 让一个task 醒来， 跑到指定的那几个博客上去爬取最新的更新用google 的 Datastore 来存贮每次爬虫爬下来的内容。。只存贮新的内容。。就像上次说的那样，这样以来 性能有了大幅度的提高： 原来的每次请求后， 爬虫才被唤醒 所以要花大约17秒的时间才能从后台输出到前台而现在只需要2秒不到对爬虫进行了优化 Cyaml 来安排每个程序醒来的时间经过翻文档， 问问题终于弄明白google的cron的工作原理－－实际上只是google每隔指定的时间虚拟地访问一个我们自己指定的url…因此在Django 下， 根本不需要写一个纯的python 程序 一定不要写：if __name__=="__main__": 只需要自己配置一个url 放在py里：def updatePostsDB(request): #deleteAll() SiteInfos=[] SiteInfo={} SiteInfo['PostSite']="L2ZStory" SiteInfo['feedurl']="feed" SiteInfo['blog_type']="wordpress" SiteIappend(SiteInfo) SiteInfo={} SiteInfo['PostSite']="YukiLife" SiteInfo['feedurl']="feed" SiteInfo['blog_type']="sina" SiteIappend(SiteInfo) SiteInfo={} SiteInfo['PostSite']="ZLife" SiteInfo['feedurl']="feed" SiteInfo['blog_type']="wordpress" SiteIappend(SiteInfo) SiteInfo={} SiteInfo['PostSite']="ZLife_Sina" SiteInfo['feedurl']="feed" SiteInfo['blog_type']="sina" SiteIappend(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 D" except Exception，e: Msg=str(e) return HttpResponse(Msg)yaml 要放在跟yaml同一个级别上：cron:- description: retrieve newest postsurl: /task_updatePosts/schedule: every 30 minutes在py 里只要指向这个把task_updatePostsDB 指向url就好了调试这个cron的过程可以用惨烈来形容。。。在stackoverflow上有很多很多人在问为什么自己的cron不能工作。。。我一开始也是满头是汗，找不着头脑。。。最后侥幸弄好了，大体步骤也是空泛的很。。但是很朴实：首先，一定要确保自己的程序没有什么syntax error…然后可以自己试着手动访问一下那个url 如果cron 正常的话，这个时候任务应该已经被执行了 最后实在不行的话多看看log… Datastore的配置和利用－－Using Datastore with Django我的需求在这里很简单－－没有join…所以我就直接用了最简陋的django-这个py 是个重点：复制代码代码如下:from appengine_dels import BaseModelfrom xt import dbclassPostsDB(BaseModel):link=LinkProperty()title=StringProperty()author=StringProperty()date=DateTimeProperty()description=TextProperty()postSite=StringProperty()前两行是重点中的重点。。。。我一开始天真没写第二行。。。结果我花了2个多小时都没明白是怎么回事。。得不偿失。。。读写的时候， 千万别忘了。。。PostDBput()一开始的时候，我为了省事，就直接每次cron被唤醒， 就删除全部的数据， 然后重新写入新爬下来的数据。。。结果。。。一天过后。。。有4万条读写纪录。。。。而每天免费的只有5万条。。。。所以就改为在插入之前先看看有没有更新， 有的话就写，没的话就不写。。总算把数据库这部分搞好了。。。爬虫的改进：一开始的时候，爬虫只是去爬feed里给的文章。。这样一来，如果一个博客有24＊30篇文章的话。。。最多只能拿到10篇。。。。这次，改进版能爬所有的文章。。我分别拿孤独川陵， 韩寒， Yuki和Z的博客做的试验。。成功的很。。。其中孤独川陵那里有720＋篇文章。。。无遗漏掉的被爬下来了。。import urllib#from BeautifulSoup import BeautifulSoupfrom pyquery import PyQuery as pqdef getArticleList(url): lstArticles=[] url_prefix=url[:-6] Cnt=1 response=urlopen(url) html=ad() d=pq(html) try: pageCnt=d("SG_pages")find('span') pageCnt=int(d(pageCnt)xt()[1:-1]) except: pageCnt=1 for i in range(1，pageCnt+1): url=url_prefix+str(i)+"html" #print url response=urlopen(url) html=ad() 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)xt() article['date']=d(dateObj)xt() article['desc']=getPageContent(article['link']) lstAappend(article) return lstArticles def getPageContent(url): #get Page Content response=urlopen(url) html=ad() d=pq(html) pageContent=d("articalContent")xt() #print pageContent return pageContentdef main(): url='_1191258123_0_html'#Han Han url="_1225833283_0_html"#Gu Du Chuan Ling url="_1650910587_0_html"#Feng url="_1583902832_0_html"#Yuki lstArticles=getArticleList(url) for article in lstArticles: f=open("blogs/"+article['date']+"_"+article['title']+"xt"，'w') write(article['desc']de('utf-8')) ＃特别注意对中文的处理 lose() #print article['desc'] if __name__=='__main__': main()对PyQuery的推荐。。很遗憾的说， BueautifulSoup让我深深的失望了。。。在我写上篇文章的时候，当时有个小一直找不到原因。。在我回家后，又搭上了很多时间试图去弄明白为什么BueautifulSoup一直不能抓到我想要的内容。。。后来大体看了看它selector部分的源代码觉得应该是它对于很多还有
