爬虫--Scrapy

时间  2019-11-12
标签 爬虫 scrapy 栏目 网络爬虫 繁體版
原文   原文链接

Scrapy

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框架python

Scrapy 使用了 Twisted异步网络库来处理网络通信。
json

Scrapy组件

  • 引擎(Scrapy)
    用来处理整个系统的数据流处理, 触发事务(框架核心)windows

  • 调度器(Scheduler)
    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api

  • 下载器(Downloader)
    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)网络

  • 爬虫(Spiders)
    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并发

  • 项目管道(Pipeline)
    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。app

  • 下载器中间件(Downloader Middlewares)
    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。框架

  • 爬虫中间件(Spider Middlewares)
    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。dom

  • 调度中间件(Scheduler Middewares)
    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

  1. 引擎从调度器中取出一个连接(URL)用于接下来的抓取

  2. 引擎把URL封装成一个请求(Request)传给下载器

  3. 下载器把资源下载下来，并封装成应答包(Response)

  4. 爬虫解析Response

  5. 解析出实体（Item）,则交给实体管道进行进一步的处理

  6. 解析出的是连接（URL）,则把URL交给调度器等待抓取


安装

1
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/


基本使用

一、建立项目

运行命令:

1
scrapy startproject your_project_name

自动建立了目录：

1
2
3
4
5
6
7
8
9
project_name/
    scrapy.cfg
    project_name/
        __init__.py
        items.py
        pipelines.py
        settings.py
        spiders/
            __init__.py

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


二、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

xiaohuar_spider.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
  
class XiaoHuarSpider(scrapy.spiders.Spider):
     name = "xiaohuar"    #spider_name，下面运行时用这个名字
     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
         body = response.body
         unicode_body = response.body_as_unicode()

 

三、运行

进入project_name目录，运行命令：

1
scrapy crawl spider_name - - nolog

仅仅下载了初始url


四、递归的访问

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

xiaohuar_spider.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
#!/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)    #格式化HTML源码，选择器，如选择某个div下的a标签
  
         # 当前页面！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' )    #找到校花列表下的全部div，一个div一个校花
             for i in range ( len (items)):
                 src = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                 name = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
                 school = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                 if src:    #保存图片
                     ab_src = "http://www.xiaohuar.com" + src[ 0 ]
                     file_name = "%s_%s.jpg" % (school[ 0 ].encode( 'utf-8' ), name[ 0 ].encode( 'utf-8' ))
                     file_path = os.path.join( "/Users/wupeiqi/PycharmProjects/beauty/pic" , file_name)
                     urllib.urlretrieve(ab_src, file_path)
  
         # 递归页面！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)    #yield，递归的往下找

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。

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


五、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。看下面的实例：

在items.py中建立类：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# -*- 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：

spiders/jieyicai.py​

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

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）

piplines.py​

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
import json
from twisted.enterprise import adbapi
import MySQLdb.cursors
import re
 
mobile_re = re. compile (r '(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}' )
phone_re = re. compile (r '(\d+-\d+|\d+)' )
 
class JsonPipeline( object ):
 
     def __init__( self ):
         self . file = open ( '/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json' , 'wb' )
 
 
     def process_item( self , item, spider):
         line = "%s  %s\n" % (item[ 'company' ][ 0 ].encode( 'utf-8' ), item[ 'title' ][ 0 ].encode( 'utf-8' ))
         self . file .write(line)
         return item
 
class DBPipeline( object ):
 
     def __init__( self ):
         self .db_pool = adbapi.ConnectionPool( 'MySQLdb' ,
                                              db = 'DbCenter' ,
                                              user = 'root' ,
                                              passwd = '123' ,
                                              cursorclass = MySQLdb.cursors.DictCursor,
                                              use_unicode = True )
 
     def process_item( self , item, spider):
         query = self .db_pool.runInteraction( self ._conditional_insert, item)
         query.addErrback( self .handle_error)
         return item
 
     def _conditional_insert( self , tx, item):
         tx.execute( "select nid from company where company = %s" , (item[ 'company' ][ 0 ], ))
         result = tx.fetchone()
         if result:
             pass
         else :
             phone_obj = phone_re.search(item[ 'info' ][ 0 ].strip())
             phone = phone_obj.group() if phone_obj else ' '
 
             mobile_obj = mobile_re.search(item[ 'info' ][ 1 ].strip())
             mobile = mobile_obj.group() if mobile_obj else ' '
 
             values = (
                 item[ 'company' ][ 0 ],
                 item[ 'qq' ][ 0 ],
                 phone,
                 mobile,
                 item[ 'info' ][ 2 ].strip(),
                 item[ 'more' ][ 0 ])
             tx.execute( "insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)" , values)
 
     def handle_error( self , e):
         print 'error' ,e

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，固然须要先配置了，否则Scapy就蒙逼了。。。

在settings.py中作以下配置：

1
2
3
4
5
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。


更多请参见Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html



选择器规则

demo

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

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





















相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程