爬蟲--Scrapy

時間  2019-11-12
標籤 爬蟲 scrapy 欄目 網絡爬蟲 简体版
原文   原文鏈接

Scrapy

Scrapy是一個爲了爬取網站數據，提取結構性數據而編寫的應用框架。 其能夠應用在數據挖掘，信息處理或存儲歷史數據等一系列的程序中。其最初是爲了頁面抓取 (更確切來講, 網絡抓取 )所設計的， 也能夠應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。Scrapy用途普遍，能夠用於數據挖掘、監測和自動化測試。html


Scrapy框架python

Scrapy 使用了 Twisted異步網絡庫來處理網絡通信。
json

Scrapy組件

  • 引擎(Scrapy)
    用來處理整個系統的數據流處理, 觸發事務(框架核心)windows

  • 調度器(Scheduler)
    用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 能夠想像成一個URL（抓取網頁的網址或者說是連接）的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址api

  • 下載器(Downloader)
    用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是創建在twisted這個高效的異步模型上的)網絡

  • 爬蟲(Spiders)
    爬蟲是主要幹活的, 用於從特定的網頁中提取本身須要的信息, 即所謂的實體(Item)。用戶也能夠從中提取出連接,讓Scrapy繼續抓取下一個頁面併發

  • 項目管道(Pipeline)
    負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證明體的有效性、清除不須要的信息。當頁面被爬蟲解析後，將被髮送到項目管道，並通過幾個特定的次序處理數據。app

  • 下載器中間件(Downloader Middlewares)
    位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。框架

  • 爬蟲中間件(Spider Middlewares)
    介於Scrapy引擎和爬蟲之間的框架，主要工做是處理蜘蛛的響應輸入和請求輸出。dom

  • 調度中間件(Scheduler Middewares)
    介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。


Scrapy運行流程

  1. 引擎從調度器中取出一個連接(URL)用於接下來的抓取

  2. 引擎把URL封裝成一個請求(Request)傳給下載器

  3. 下載器把資源下載下來，並封裝成應答包(Response)

  4. 爬蟲解析Response

  5. 解析出實體（Item）,則交給實體管道進行進一步的處理

  6. 解析出的是連接（URL）,則把URL交給調度器等待抓取


安裝

1
pip install Scrapy

注：windows平臺須要依賴pywin32，請根據本身系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/


基本使用

一、建立項目

運行命令:

1
scrapy startproject your_project_name

自動建立了目錄：

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

文件說明：

  • scrapy.cfg  項目的配置信息，主要爲Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）

  • items.py    設置數據存儲模板，用於結構化數據，如：Django的Model

  • pipelines    數據處理行爲，如：通常結構化的數據持久化

  • settings.py 配置文件，如：遞歸的層數、併發數，延遲下載等

  • spiders      爬蟲目錄，如：建立文件，編寫爬蟲規則

注意：通常建立爬蟲文件時，以網站域名命名


二、編寫爬蟲

在spiders目錄中新建 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，下面運行時用這個名字
     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、運行

進入project_name目錄，運行命令：

1
scrapy crawl spider_name - - nolog

僅僅下載了初始url


四、遞歸的訪問

以上的爬蟲僅僅是爬去初始頁，而咱們爬蟲是須要源源不斷的執行下去，直到全部的網頁被執行完畢

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):
         # 分析頁面
         # 找到頁面中符合規則的內容（校花圖片），保存
         # 找到全部的a標籤，再訪問其餘a標籤，一層一層的搞下去
  
         hxs = HtmlXPathSelector(response)    #格式化HTML源碼，選擇器，如選擇某個div下的a標籤
  
         # 當前頁面！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，一個div一個校花
             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:    #保存圖片
                     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)
  
         # 遞歸頁面！獲取全部的url，繼續訪問，並在其中尋找相同的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，遞歸的往下找

以上代碼將符合規則的頁面中的圖片保存在指定目錄，而且在HTML源碼中找到全部的其餘 a 標籤的href屬性，從而「遞歸」的執行下去，直到全部的頁面都被訪問過爲止。以上代碼之因此能夠進行「遞歸」的訪問相關URL，關鍵在於parse方法使用了 yield Request對象。

注：能夠修改settings.py 中的配置文件，以此來指定「遞歸」的層數，如： DEPTH_LIMIT = 1


五、格式化處理

上述實例只是簡單的圖片處理，因此在parse方法中直接處理。若是對於想要獲取更多的數據（獲取頁面的價格、商品名稱、QQ等），則能夠利用Scrapy的items將數據格式化，而後統一交由pipelines來處理。看下面的實例：

在items.py中建立類：

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()

上述定義模板，之後對於從請求的源碼中獲取的數據贊成按照此結構來獲取，因此在spider中須要有一下操做：

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 = [
         #下面是符合規則的網址,可是不抓取內容,只是提取該頁的連接(這裏網址是虛構的,實際使用時請替換)
         #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
         #下面是符合規則的網址,提取內容,(這裏網址是虛構的,實際使用時請替換)
         #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)

此處代碼的關鍵在於：

  • 將獲取的數據封裝在了Item對象中

  • yield Item對象 （一旦parse中執行yield Item對象，則自動將該對象交個pipelines的類來處理）

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中有多個類，到底Scapy會自動執行那個？哈哈哈哈，固然須要先配置了，否則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 ,
}
# 每行後面的整型值，肯定了他們運行的順序，item按數字從低到高的順序，經過pipeline，一般將這些數字定義在0-1000範圍內。


更多請參見Scrapy文檔：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html



選擇器規則

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)

更多選擇器規則：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html





















相關文章
相關標籤/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。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 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