Scratch,是抓取的意思,这个Python的爬虫框架叫Scrapy,大概也是这个意思吧,就叫它:小刮刮吧。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

image

Scrapy主要包括了以下组件:

  • 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)
  • 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. 可以想像成一个URL(抓取网页的网址或者说是链接)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
  • 下载器(Downloader)
    用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
  • 爬虫(Spiders)
    爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
  • 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、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
  • 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。
  • 爬虫中间件(Spider Middlewares)
    介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
  • 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运行流程大概如下:

  1. 引擎从调度器中取出一个链接(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. 解析出的是链接(URL),则把URL交给调度器等待抓取

一、安装

因为python3并不能完全支持Scrapy,因此为了完美运行Scrapy,我们使用python2.7来编写和运行Scrapy。


pip install Scrapy

注:windows平台需要依赖pywin32,请根据自己系统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百度下载即可

二、基本使用

1、创建项目

运行命令:

scrapy startproject p1(your_project_name)

2.自动创建目录的结果:

image

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:一般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:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

image

示例代码:


#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

class  XiaoHuarSpider(scrapy.spiders.Spider):

    name  =  "xiaohuar"

    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

备注:

  • 1.爬虫文件需要定义一个类,并继承scrapy.spiders.Spider
  • 2.必须定义name,即爬虫名,如果没有name,会报错。因为源码中是这样定义的:
image
  • 3.编写函数parse,这里需要注意的是,该函数名不能改变,因为Scrapy源码中默认callback函数的函数名就是parse;
  • 4.定义需要爬取的url,放在列表中,因为可以爬取多个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。源码截图:
image
image
image

4、运行

进入p1目录,运行命令


scrapy crawl xiaohau  --nolog

格式:scrapy crawl+爬虫名 –nolog即不显示日志

5.scrapy查询语法:

当我们爬取大量的网页,如果自己写正则匹配,会很麻烦,也很浪费时间,令人欣慰的是,scrapy内部支持更简单的查询语法,帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍:

  • 查询子子孙孙中的某个标签(以div标签为例)://div
  • 查询儿子中的某个标签(以div标签为例):/div
  • 查询标签中带有某个class属性的标签://div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
  • 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签://div[@class=’c1′][@name=’alex’]
  • 查询某个标签的文本内容://div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
  • 查询某个属性的值(例如查询a标签的href属性)://a/@href

示例代码:

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

 # 找到所有的a标签,再访问其他a标签,一层一层的搞下去

 hxs  =  HtmlXPathSelector(response)#创建查询对象

 # 如果url是 http://www.xiaohuar.com/list-1-d+.html

 if  re.match('http://www.xiaohuar.com/list-1-d+.html',  response.url):  #如果url能够匹配到需要爬取的url,即本站url

 items  =  hxs.select('//div[@class="item_list infinite_scroll"]/div')  #select中填写查询目标,按scrapy查询语法书写

 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()#查询所有img标签的src属性,即获取校花图片地址

 name  =  hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'  %  i).extract()  #获取span的文本内容,即校花姓名

 school  =  hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'  %  i).extract()  #校花学校

 if  src:

 ab_src  =  "http://www.xiaohuar.com"  +  src[0]#相对路径拼接

 file_name  =  "%s_%s.jpg"  %  (school[0].encode('utf-8'),  name[0].encode('utf-8'))  #文件名,因为python27默认编码格式是unicode编码,因此我们需要编码成utf-8

 file_path  =  os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic",  file_name)

 urllib.urlretrieve(ab_src,  file_path)

注:urllib.urlretrieve(ab_src, file_path) ,接收文件路径和需要保存的路径,会自动去文件路径下载并保存到我们指定的本地路径。

5.递归爬取网页

上述代码仅仅实现了一个url的爬取,如果该url的爬取的内容中包含了其他url,而我们也想对其进行爬取,那么如何实现递归爬取网页呢?

示例代码:


# 获取所有的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)

即通过yield生成器向每一个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:可以修改settings.py 中的配置文件,以此来指定“递归”的层数,如: DEPTH_LIMIT = 1

6.scrapy查询语法中的正则:


from scrapy.selector import Selector

from scrapy.http import HtmlResponse

html  =  """





    

    





    
  • first item
  • first item
  • second item
  • """ response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8') ret = Selector(response=response).xpath('//li[re:test(@class, "item-d*")]//@href').extract() print(ret)
    • 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”,然后获取该标签的href属性。
    
    #!/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=(?Pd*)&')
    
                    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)
    
    

    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cookie

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

    7、格式化处理

    上述实例只是简单的图片处理,所以在parse方法中直接处理。如果对于想要获取更多的数据(获取页面的价格、商品名称、QQ等),则可以利用Scrapy的items将数据格式化,然后统一交由pipelines来处理。即不同功能用不同文件实现。

    items:即用户需要爬取哪些数据,是用来格式化数据,并告诉pipelines哪些数据需要保存。

    示例items.py文件:

    
    # -*- 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()
    
    

    即:需要爬取所有url中的公司名,title,qq,基本信息info,更多信息more。

    上述定义模板,以后对于从请求的源码中获取的数据同样按照此结构来获取,所以在spider中需要有一下操作:

    
    #!/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,但是不抓取内容,只是提取该页的链接(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=(?Pd*)&')
    
                    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)
    
    spider
    
    

    spider

    上述代码中:对url进行md5加密的目的是避免url过长,也方便保存在缓存或数据库中。

    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)
    
    # -*- coding: utf-8 -*-
    
    # Define your item pipelines here
    
    #
    
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    
    # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
    
    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  %sn"  %  (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
    
    pipelines
    
    

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

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

    总结:

    本文对python爬虫框架Scrapy做了详细分析和实例讲解,如果本文对您有参考价值,欢迎帮小编点下文下方视频教程的的推荐,谢谢!
    居然老师视频教程

    文章来源于互联网:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

    发表评论