网络爬虫第五章之Scrapy框架

时间 2019-11-09

原文原文链接

第一节：Scrapy框架架构

Scrapy框架介绍

写一个爬虫，须要作不少的事情。好比：发送网络请求、数据解析、数据存储、反反爬虫机制（更换ip代理、设置请求头等）、异步请求等。这些工做若是每次都要本身从零开始写的话，比较浪费时间。所以Scrapy把一些基础的东西封装好了，在他上面写爬虫能够变的更加的高效（爬取效率和开发效率）。所以真正在公司里，一些上了量的爬虫，都是使用Scrapy框架来解决。css

Scrapy架构图：

流程图（1）：

html

Scrapy框架模块功能：

Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通讯、传递数据等。
Spider（爬虫）：发送须要爬取的连接给引擎，最后引擎把其余模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是咱们开发者本身写的，由于要爬取哪些连接，页面中的哪些数据是咱们须要的，都是由程序员本身决定。
Scheduler（调度器）：负责接收引擎发送过来的请求，并按照必定的方式进行排列和整理，负责调度请求的顺序等。
Downloader（下载器）：负责接收引擎传过来的下载请求，而后去网络上下载对应的数据再交还给引擎。
Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者本身的需求。
Downloader Middlewares（下载中间件）：能够扩展下载器和引擎之间通讯功能的中间件。
Spider Middlewares（Spider中间件）：能够扩展引擎和爬虫之间通讯功能的中间件。

第二节：Scrapy快速入门

安装和文档：

安装：经过pip install scrapy便可安装。
Scrapy官方文档：http://doc.scrapy.org/en/latest
Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

注意：python

在ubuntu上安装scrapy以前，须要先安装如下依赖：
sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev，而后再经过pip install scrapy安装。

若是在windows系统下，提示这个错误ModuleNotFoundError: No module named 'win32api'，那么使用如下命令能够解决：pip install pypiwin32。

快速入门：

建立项目：

要使用Scrapy框架建立项目，须要经过命令来建立。首先进入到你想把这个项目存放的目录。而后使用如下命令建立：程序员

scrapy startproject [项目名称]

目录结构介绍：

如下介绍下主要文件的做用：正则表达式

items.py：用来存放爬虫爬取下来数据的模型。
middlewares.py：用来存放各类中间件的文件。
pipelines.py：用来将items的模型存储到本地磁盘中。
settings.py：本爬虫的一些配置信息（好比请求头、多久发送一次请求、ip代理池等）。
scrapy.cfg：项目的配置文件。
spiders包：之后全部的爬虫，都是存放到这个里面。

使用Scrapy框架爬取糗事百科段子：

使用命令建立一个爬虫：

scrapy gensipder qsbk "qiushibaike.com"

建立了一个名字叫作qsbk的爬虫，而且能爬取的网页只会限制在qiushibaike.com这个域名下。shell

爬虫代码解析：

import scrapy

class QsbkSpider(scrapy.Spider):
    name = 'qsbk'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['http://qiushibaike.com/']

    def parse(self, response):
        pass

其实这些代码咱们彻底能够本身手动去写，而不用命令。只不过是不用命令，本身写这些代码比较麻烦。
要建立一个Spider，那么必须自定义一个类，继承自scrapy.Spider，而后在这个类中定义三个属性和一个方法。 json

name：这个爬虫的名字，名字必须是惟一的。
allow_domains：容许的域名。爬虫只会爬取这个域名下的网页，其余不是这个域名下的网页会被自动忽略。
start_urls：爬虫从这个变量中的url开始。
parse：引擎会把下载器下载回来的数据扔给爬虫解析，爬虫再把数据传给这个parse方法。这个是个固定的写法。这个方法的做用有两个，第一个是提取想要的数据。第二个是生成下一个请求的url。

修改`settings.py`代码：

在作一个爬虫以前，必定要记得修改setttings.py中的设置。两个地方是强烈建议设置的。 ubuntu

ROBOTSTXT_OBEY设置为False。默认是True。即遵照机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，若是没有找到。则直接中止爬取。
DEFAULT_REQUEST_HEADERS添加User-Agent。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。

完成的爬虫代码：

爬虫部分代码：小程序

import scrapy
 from abcspider.items import QsbkItem

 class QsbkSpider(scrapy.Spider):
     name = 'qsbk'
     allowed_domains = ['qiushibaike.com']
     start_urls = ['https://www.qiushibaike.com/text/']

     def parse(self, response):
         outerbox = response.xpath("//div[@id='content-left']/div")
         items = []
         for box in outerbox:
             author = box.xpath(".//div[contains(@class,'author')]//h2/text()").extract_first().strip()
             content = box.xpath(".//div[@class='content']/span/text()").extract_first().strip()
             item = QsbkItem()
             item["author"] = author
             item["content"] = content
             items.append(item)
         return items

items.py部分代码：windows

 import scrapy
 class QsbkItem(scrapy.Item):
     author = scrapy.Field()
     content = scrapy.Field()

pipeline部分代码：

import json

 class AbcspiderPipeline(object):
     def __init__(self):

         self.items = []

     def process_item(self, item, spider):
         self.items.append(dict(item))
         print("="*40)
         return item

     def close_spider(self,spider):
         with open('qsbk.json','w',encoding='utf-8') as fp:
             json.dump(self.items,fp,ensure_ascii=False)

运行scrapy项目：

运行scrapy项目。须要在终端，进入项目所在的路径，而后scrapy crawl [爬虫名字]便可运行指定的爬虫。若是不想每次都在命令行中运行，那么能够把这个命令写在一个文件中。之后就在pycharm中执行运行这个文件就能够了。好比如今新建立一个文件叫作start.py，而后在这个文件中填入如下代码：

from scrapy import cmdline

cmdline.execute("scrapy crawl qsbk".split())

第三节：CrawlSpider

在上一个糗事百科的爬虫案例中。咱们是本身在解析完整个页面后获取下一页的url，而后从新发送一个请求。有时候咱们想要这样作，只要知足某个条件的url，都给我进行爬取。那么这时候咱们就能够经过CrawlSpider来帮咱们完成了。CrawlSpider继承自Spider，只不过是在以前的基础之上增长了新的功能，能够定义爬取的url的规则，之后scrapy碰到知足条件的url都进行爬取，而不用手动的yield Request。

CrawlSpider爬虫：

建立CrawlSpider爬虫：

以前建立爬虫的方式是经过scrapy genspider [爬虫名字] [域名]的方式建立的。若是想要建立CrawlSpider爬虫，那么应该经过如下命令建立：

scrapy genspider -t crawl [爬虫名字] [域名]

LinkExtractors连接提取器：

使用LinkExtractors能够不用程序员本身提取想要的url，而后发送请求。这些工做均可以交给LinkExtractors，他会在全部爬的页面中找到知足规则的url，实现自动的爬取。如下对LinkExtractors类作一个简单的介绍：

class scrapy.linkextractors.LinkExtractor(
    allow = (),
    deny = (),
    allow_domains = (),
    deny_domains = (),
    deny_extensions = None,
    restrict_xpaths = (),
    tags = ('a','area'),
    attrs = ('href'),
    canonicalize = True,
    unique = True,
    process_value = None
)

主要参数讲解：

allow：容许的url。全部知足这个正则表达式的url都会被提取。
deny：禁止的url。全部知足这个正则表达式的url都不会被提取。
allow_domains：容许的域名。只有在这个里面指定的域名的url才会被提取。
deny_domains：禁止的域名。全部在这个里面指定的域名的url都不会被提取。
restrict_xpaths：严格的xpath。和allow共同过滤连接。

Rule规则类：

定义爬虫的规则类。如下对这个类作一个简单的介绍：

class scrapy.spiders.Rule(
    link_extractor, 
    callback = None, 
    cb_kwargs = None, 
    follow = None, 
    process_links = None, 
    process_request = None
)

主要参数讲解：

link_extractor：一个LinkExtractor对象，用于定义爬取规则。
callback：知足这个规则的url，应该要执行哪一个回调函数。由于CrawlSpider使用了parse做为回调函数，所以不要覆盖parse做为回调函数本身的回调函数。
follow：指定根据该规则从response中提取的连接是否须要跟进。
process_links：从link_extractor中获取到连接后会传递给这个函数，用来过滤不须要爬取的连接。

第四节：Scrapy Shell

咱们想要在爬虫中使用xpath、beautifulsoup、正则表达式、css选择器等来提取想要的数据。可是由于scrapy是一个比较重的框架。每次运行起来都要等待一段时间。所以要去验证咱们写的提取规则是否正确，是一个比较麻烦的事情。所以Scrapy提供了一个shell，用来方便的测试规则。固然也不只仅局限于这一个功能。

打开Scrapy Shell：

打开cmd终端，进入到Scrapy项目所在的目录，而后进入到scrapy框架所在的虚拟环境中，输入命令scrapy shell [连接]。就会进入到scrapy的shell环境中。在这个环境中，你能够跟在爬虫的parse方法中同样使用了。

第五节：Request 和Response

第六节：下载文件和图片

第七节：Downloader Middlewares(下载器中间件)：

from scrapy import signals
import random

class UserAgentDownloadMiddleware(object):
    USER_AGENTS = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1'
　　　　　'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)'
　　　　　'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50'
    ]
    def process_request(self,request,spider):
        user_agent = random.choice(self.USER_AGENTS) # 随机选择一个请求头
        request.headers['User-Agent'] = user_agent

请求头获取网站：www.useragentstring.com 或者 http://www.jsons.cn/useragent/

ip代理池中间件

在如下代理商中购买代理：

1，芝麻代理：http://http.zhimadaili.com/

2，太阳代理：http://http.taiyangdaili.com/

3，快代理：http://http.kuaidaili.com/

4，讯代理：http://http.xdaili.com/

5，蚂蚁代理:http://http.mayidaili.com/

等购买代理。

使用ip代理池：

示例代码以下：

# 开放代理池设置
class IPProxyDownloadMiddleware(object):
    PROXIES = ["178.44.170.153:8080", "110.44.113.182:8080",
               "209.126.124.73:8888"]

    def process_request(self, request, spider):
        proxy = random.choice(self.PROXIES)
        request.meta['proxy'] = proxy

import base64

#独享代理池设置
class IPProxyDownloadMiddleware(object):

    def process_request(self, request, spider):
        proxy = '121.199.6.124:16816'
        user_password = "970138074:rxcd35fd"
        request.meta['proxy'] = proxy
        #bytes
        b64_user_password = base64.b64encode(user_password.encode('utf-8'))
        request.headers['Proxy-Authorization'] = 'basic ' + b64_user_password.decode('utf-8')