爬虫之scrapy框架

时间 2019-11-09

原文原文链接

解析

　　Scrapy解释

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其能够应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来讲, 网络抓取 )所设计的，也能够应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途普遍，能够用于数据挖掘、监测和自动化测试。html

Scrapy 使用了 Twisted异步网络库来处理网络通信。总体架构大体以下python

　　Scrapy组件

　　①引擎(Scrapy)正则表达式

用来处理整个系统的数据流处理, 触发事务(框架核心)

　　②调度器(Scheduler)数据库

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 能够想像成一个URL（抓取网页的网址或者说是连接）的优先队列, 
由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

　　③下载器(Downloader)json

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是创建在twisted这个高效的异步模型上的)

　　④爬虫(Spiders)windows

爬虫是主要干活的, 用于从特定的网页中提取本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,让Scrapy继续抓取下一个页面

　　⑤项目管道(Pipeline)api

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后，
将被发送到项目管道，并通过几个特定的次序处理数据。

　　⑥下载器中间件(Downloader Middlewares)cookie

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

　　⑦爬虫中间件(Spider Middlewares)网络

介于Scrapy引擎和爬虫之间的框架，主要工做是处理蜘蛛的响应输入和请求输出。

　　⑧调度中间件(Scheduler Middewares)架构

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

　　Scrapy运行流程

引擎从调度器中取出一个连接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是连接（URL）,则把URL交给调度器等待抓取

安装

在python3并不能彻底支持Scrapy，所以为了完美运行Scrapy，咱们使用python2.7来编写和运行Scrapy。

pip install Scrapy

　　注：windows平台须要依赖pywin32，请根据本身系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

　　　　其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi

依赖包下载：http://pan.baidu.com/s/1eSdVdx4

使用

　　建立项目

运行命令:

scrapy startproject fuck  # fuck这是我起的项目名

项目建立后会自动建立几个目录

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：通常结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：建立文件，编写爬虫规则

注意：通常建立爬虫文件时，以网站域名命名

　　编写爬虫

在spiders目录中新建一系列的定义规则的 xxx.py 文件（文件名本身写）；

示例代码：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s1"
    # allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/hua/",
    ]

    def parse(self, response):
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())

        current_url = response.url  # 爬取时请求的url
        body = response.body  # 返回的html
        unicode_body = response.body_as_unicode()  # 返回的html unicode编码
        print body

注意：

1.爬虫文件须要定义一个类，并继承scrapy.spiders.Spider
2.必须定义name，即爬虫名，若是没有name，会报错。
3.编写函数parse，这里须要注意的是，该函数名不能改变，由于Scrapy源码中默认callback函数的函数名就是parse；
4.定义须要爬取的url，放在列表中，由于能够爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html

　　运行

在PyCharm中有至关方便的地方，很好的解决了咱们多余的操做。

运行命令：

scrapy crawl s1 --nolog  # s1是项目名，见上面的代码s1在哪。

格式：scrapy crawl 项目名 --nolog nolog意思是不显示日志

　　Scrapy查询

Scrapy内部支持更简单的查询语法，帮助咱们在html中查询咱们须要的标签和标签内容以及标签属性。

下面以div标签为例：

//div  表示查询某个标签的全部div标签
/div   表示查询某个标签的儿子
//div[@class='item_list']   表示找到全部的div下属性为class='item_list'的
//div[@class='item_list']/div  表示找到这个div的全部儿子
//div[@class='item_list']//span  表示找在这个div下的子子孙孙中的全部span标签
//div[@class='item_list']//a/text()  表示找在这个div下的子子孙孙中的全部a标签并得到全部a标签的内容
//div[@class='item_list']//img/@src  表示找在这个div下的子子孙孙中的全部img标签并得到全部img标签的src属性

示例：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os


class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到全部的a标签，再访问其余a标签，一层一层的搞下去

        hxs = HtmlXPathSelector(response)  # 建立查询对象

        # 若是url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到全部的div
            for i in range(len(items)):
                # 查询全部img标签的src属性，即获取校花图片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()  
                # 获取span的文本内容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract() 
                # 获取a的文本内容，即学校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()  
                if srcs and names and schools:  # 拿到第一个学校的校花图片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接绝对路径；就是要爬的url的地址
                    
                    # 文件名，以本身的名字命名；由于python27默认编码格式是unicode编码，所以咱们须要编码成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))  
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下载图片的路径；E:\\picture是我本地存放路径
                    urllib.urlretrieve(ab_src, file_path)

　　递归访问

以上的爬虫仅仅是爬去初始页，而咱们爬虫是须要源源不断的执行下去，直到全部的网页被执行完毕

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os


class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到全部的a标签，再访问其余a标签，一层一层的搞下去

        hxs = HtmlXPathSelector(response)  # 建立查询对象

        # 若是url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到全部的div
            for i in range(len(items)):
                # 查询全部img标签的src属性，即获取校花图片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                # 获取span的文本内容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract()
                # 获取a的文本内容，即学校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                if srcs and names and schools:  # 拿到第一个学校的校花图片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接绝对路径；就是要爬的url的地址

                    # 文件名，以本身的名字命名；由于python27默认编码格式是unicode编码，所以咱们须要编码成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下载图片的路径
                    urllib.urlretrieve(ab_src, file_path)

        # 获取全部的url，继续访问，并在其中寻找相同的url
        all_urls = hxs.select('//a/@href').extract()
        for url in all_urls:
            if url.startswith('http://www.xiaohuar.com/list-1-'):
                yield Request(url, callback=self.parse)  # 递归的找下去

以上代码将符合规则的页面中的图片保存在指定目录，而且在HTML源码中找到全部的其余 a 标签的href属性，从而“递归”的执行下去，直到全部的页面都被访问过为止。

以上代码之因此能够进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

即经过yield生成器向每个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：能够修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

　　正则选择

语法规则：Selector(response=response查询对象).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()，

即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是"item-\d*"，而后获取该标签的href属性。

 1 from scrapy.selector import Selector
 2 from scrapy.http import HtmlResponse
 3 html = """<!DOCTYPE html>
 4 <html>
 5 <head lang="en">
 6     <meta charset="UTF-8">
 7     <title></title>
 8 </head>
 9 <body>
10     <li class="item-"><a href="link.html">first item</a></li>
11     <li class="item-0"><a href="link1.html">first item</a></li>
12     <li class="item-1"><a href="link2.html">second item</a></li>
13 </body>
14 </html>
15 """
16 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
17 ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
18 print(ret)

正则选择器

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 
 4 import scrapy
 5 import hashlib
 6 from tutorial.items import JinLuoSiItem
 7 from scrapy.http import Request
 8 from scrapy.selector import HtmlXPathSelector
 9 
10 
11 class JinLuoSiSpider(scrapy.spiders.Spider):
12     count = 0
13     url_set = set()
14 
15     name = "jluosi"
16     domain = 'http://www.jluosi.com'
17     allowed_domains = ["jluosi.com"]
18 
19     start_urls = [
20         "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
21     ]
22 
23     def parse(self, response):
24         md5_obj = hashlib.md5()
25         md5_obj.update(response.url)
26         md5_url = md5_obj.hexdigest()
27         if md5_url in JinLuoSiSpider.url_set:
28             pass
29         else:
30             JinLuoSiSpider.url_set.add(md5_url)
31             hxs = HtmlXPathSelector(response)
32             if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
33                 item = JinLuoSiItem()
34                 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
35                 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
36                 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
37                 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()
38 
39                 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()
40 
41                 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
42                 product_list = []
43                 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
44                 for i in range(2,len(product_tr)):
45                     temp = {
46                         'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
47                         'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
48                     }
49                     product_list.append(temp)
50 
51                 item['product_list'] = product_list
52                 yield item
53 
54             current_page_urls = hxs.select('//a/@href').extract()
55             for i in range(len(current_page_urls)):
56                 url = current_page_urls[i]
57                 if url.startswith('http://www.jluosi.com'):
58                     url_ab = url
59                     yield Request(url_ab, callback=self.parse)

选择器规则--Demo

def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)

获取响应--Cookies

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

　　格式化处理

上述实例只是简单的图片处理，因此在parse方法中直接处理。若是对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则能够利用Scrapy的items将数据格式化，而后统一交由pipelines来处理。

在items.py中建立类：

# -*- coding: utf-8 -*-
 
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class JieYiCaiItem(scrapy.Item):
 
    company = scrapy.Field()
    title = scrapy.Field()
    qq = scrapy.Field()
    info = scrapy.Field()
    more = scrapy.Field()

上述定义模板，之后对于从请求的源码中获取的数据赞成按照此结构来获取，因此在spider中须要有一下操做：

 1 #!/usr/bin/env python
 2 # -*- coding:utf-8 -*-
 3 
 4 import scrapy
 5 import hashlib
 6 from beauty.items import JieYiCaiItem
 7 from scrapy.http import Request
 8 from scrapy.selector import HtmlXPathSelector
 9 from scrapy.spiders import CrawlSpider, Rule
10 from scrapy.linkextractors import LinkExtractor
11 
12 
13 class JieYiCaiSpider(scrapy.spiders.Spider):
14     count = 0
15     url_set = set()
16 
17     name = "jieyicai"
18     domain = 'http://www.jieyicai.com'
19     allowed_domains = ["jieyicai.com"]
20 
21     start_urls = [
22         "http://www.jieyicai.com",
23     ]
24 
25     rules = [
26         #下面是符合规则的网址,可是不抓取内容,只是提取该页的连接(这里网址是虚构的,实际使用时请替换)
27         #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
28         #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
29         #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
30     ]
31 
32     def parse(self, response):
33         md5_obj = hashlib.md5()
34         md5_obj.update(response.url)
35         md5_url = md5_obj.hexdigest()
36         if md5_url in JieYiCaiSpider.url_set:
37             pass
38         else:
39             JieYiCaiSpider.url_set.add(md5_url)
40             
41             hxs = HtmlXPathSelector(response)
42             if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
43                 item = JieYiCaiItem()
44                 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
45                 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
46                 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
47                 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
48                 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
49                 yield item
50 
51             current_page_urls = hxs.select('//a/@href').extract()
52             for i in range(len(current_page_urls)):
53                 url = current_page_urls[i]
54                 if url.startswith('/'):
55                     url_ab = JieYiCaiSpider.domain + url
56                     yield Request(url_ab, callback=self.parse)

spider

此处代码的关键在于：

将获取的数据封装在了Item对象中
yield Item对象（一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

 1 # -*- coding: utf-8 -*-
 2 
 3 # Define your item pipelines here
 4 #
 5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
 7 
 8 import json
 9 from twisted.enterprise import adbapi
10 import MySQLdb.cursors
11 import re
12 
13 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
14 phone_re = re.compile(r'(\d+-\d+|\d+)')
15 
16 class JsonPipeline(object):
17 
18     def __init__(self):
19         self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')
20 
21 
22     def process_item(self, item, spider):
23         line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
24         self.file.write(line)
25         return item
26 
27 class DBPipeline(object):
28 
29     def __init__(self):
30         self.db_pool = adbapi.ConnectionPool('MySQLdb',
31                                              db='DbCenter',
32                                              user='root',
33                                              passwd='123',
34                                              cursorclass=MySQLdb.cursors.DictCursor,
35                                              use_unicode=True)
36 
37     def process_item(self, item, spider):
38         query = self.db_pool.runInteraction(self._conditional_insert, item)
39         query.addErrback(self.handle_error)
40         return item
41 
42     def _conditional_insert(self, tx, item):
43         tx.execute("select nid from company where company = %s", (item['company'][0], ))
44         result = tx.fetchone()
45         if result:
46             pass
47         else:
48             phone_obj = phone_re.search(item['info'][0].strip())
49             phone = phone_obj.group() if phone_obj else ' '
50 
51             mobile_obj = mobile_re.search(item['info'][1].strip())
52             mobile = mobile_obj.group() if mobile_obj else ' '
53 
54             values = (
55                 item['company'][0],
56                 item['qq'][0],
57                 phone,
58                 mobile,
59                 item['info'][2].strip(),
60                 item['more'][0])
61             tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)
62 
63     def handle_error(self, e):
64         print 'error',e
65 
66 pipelines

pipelines

上述代码中多个类的目的是，能够同时保存在文件和数据库中，保存的优先级能够在配置文件settings中定义。

ITEM_PIPELINES = {
    'beauty.pipelines.DBPipeline': 300,
    'beauty.pipelines.JsonPipeline': 100,
}
# 每行后面的整型值，肯定了他们运行的顺序，item按数字从低到高的顺序，经过pipeline，一般将这些数字定义在0-1000范围内。

更多详见：http://www.cnblogs.com/wupeiqi/articles/5354900.html