Python scrapy 安裝與開發

Scrapy是採用Python開發的一個快速、高層次的屏幕抓取和web抓取框架，用於抓取採集web站點信息並從頁面中提取結構化的數據。

Scrapy用途廣泛，可以用於數據挖掘、監測和自動化測試等。

Scrapy吸引人的地方在於它是一個框架，任何人都可以根據需求方便的修改。

它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持。

Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages.

It can be used for a wide range of purposes, from data mining to monitoring and automated testing.

For more information including a list of features check the Scrapy homepage at: http://scrapy.org

Scrapy 官網：https://scrapy.org

Scrapy 插件：https://pypi.python.org/pypi/Scrapy

 

Scratch，是抓取的意思，這個Python的爬蟲框架叫Scrapy，大概也是這個意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊，其設計整體架構大致如下圖：

Scrapy主要包括了以下組件：

1. 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)
2. 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. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）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
3. 下載器(Downloader)
   用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)
4. 爬蟲(Spiders)
   爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
5. 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、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後，將被髮送到項目管道，並經過幾個特定的次序處理數據。
6. 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。
7. 爬蟲中間件(Spider Middlewares)
   介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。
8. 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運行流程大概如下：

1. 引擎從調度器中取出一個鏈接(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. 解析出的是鏈接（URL）,則把URL交給調度器等待抓取

 

Scrapy 安裝

因爲python3並不能完全支持Scrapy，因此爲了完美運行Scrapy，我們使用python2.7來編寫和運行Scrapy。

pip install Scrapy          # python2.7
pip3 install Scrapy        # python3.6

驗證安裝成功：

1 2 3 4 5 6 7

$ python Python 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 12:39:47) [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin Type "help" , "copyright" , "credits" or "license" for more information. >>> import scrapy >>> scrapy <module 'scrapy' from '/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/scrapy/__init__.pyc' >

 

Scrapy 使用

1、創建項目 mimvp_proxy_python_scrapy

運行命令:

1 2 3 4 5

$ which scrapy /Library/Frameworks/Python .framework /Versions/3 .6 /bin/scrapy $ $ cd MimvpProxyDemo /PythonScrapy/ $ scrapy startproject mimvp_proxy_python_scrapy

 

2、查看目錄結構

1 2 3 4 5 6 7 8 9 10 11 12 13 14

$ tree . |____mimvp_proxy_python_scrapy | |____mimvp_proxy_python_scrapy | | |______init__.py | | |______pycache__ | | |____items.py | | |____middlewares.py | | |____pipelines.py | | |____settings.py | | |____spiders | | | |______init__.py | | | |______pycache__ | |____scrapy.cfg

 

導入Eclipse，查看自動創建的目錄結構：

目錄文件說明：

• 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
• 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：一般結構化的數據持久化
• settings.py 配置文件，如：遞歸的層數、併發數，延遲下載等爬蟲相關的配置
• spiders      爬蟲目錄，如：創建文件、編寫爬蟲規則

注意：一般創建爬蟲文件時，以網站域名命名

 

3、Scrapy 編寫爬蟲

在spiders目錄中新建 mimvp_spider.py 文件

示例代碼：

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

#!/usr/bin/env python # -*- coding:utf-8 -*- # # mimvp.com # 2009.10.1     import scrapy    class MimvpSpider(scrapy.spiders.Spider):      name = "mimvp"      allowed_domains = [ "mimvp.com" ]      start_urls = [          "http://mimvp.com" ,      ]         def parse( self , response):          # print(response, type(response))          # from scrapy.http.response.html import HtmlResponse          # print(response.body_as_unicode())             mimvp_url = response.url                    # 爬取時請求的url          body = response.body                        # 返回網頁內容          unicode_body = response.body_as_unicode()   # 返回的html unicode編碼                    print ( "mimvp_url : " + str (mimvp_url))          print ( "body : " + str (body))          print ( "unicode_body : " + str (unicode_body))

爲了創建一個Spider，必須繼承 scrapy.Spider 類， 且定義以下三個屬性:

• name: 用於區別Spider。 該名字必須是唯一的，您不可以爲不同的Spider設定相同的名字。
• start_urls: 包含了Spider在啓動時進行爬取的url列表。 因此，第一個被獲取到的頁面將是其中之一。 後續的URL則從初始的URL獲取到的數據中提取。
• parse() 是spider的一個方法。 被調用時，每個初始URL完成下載後生成的 Response 對象將會作爲唯一的參數傳遞給該函數。 該方法負責解析返回的數據(response data)，提取數據(生成item)以及生成需要進一步處理的URL的 Request 對象。

詳細說明：

1. 爬蟲文件需要定義一個類，並繼承scrapy.spiders.Spider，即類定義 MimvpSpider(scrapy.spiders.Spider)

2. 必須定義name，即爬蟲名，如果沒有name，會報錯，因爲源碼中是這樣定義的：

1 2 3 4 5 6 7 8

def __init__( self , name = None , * * kwargs):      if name is not None :          self .name = name      elif not getattr ( self , 'name' , None ):          raise ValueError( "%s must have a name" % type ( self ).__name__)      self .__dict__.update(kwargs)      if not hasattr ( self , 'start_urls' ):          self .start_urls = []

3. 編寫函數parse，這裏需要注意的是，該函數名不能改變，因爲Scrapy源碼中默認callback函數的函數名就是parse；

4. 定義需要爬取的url，放在列表中，因爲可以爬取多個url，Scrapy源碼是一個For循環，從上到下爬取這些url，使用生成器迭代將url發送給下載器下載url的html。源碼如下：

1 2 3 4 5 6 7 8 9 10 11 12

def start_requests( self ):      cls = self .__class__      if method_is_overridden( cls , Spider, 'make_requests_from_url' ):          for url in self .start_urls:              yield self .make_requests_from_url(url)      else :          for url in self .start_urls:              yield Request(url, dont_filter = True )   def make_requests_from_url( self , url):      """ This method is deprecated. """      return Request(url, dont_filter = True )

 

Request 類源碼：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

class Request(object_ref):        def __init__( self , url, callback = None , method = 'GET' , headers = None , body = None ,                   cookies = None , meta = None , encoding = 'utf-8' , priority = 0 ,                   dont_filter = False , errback = None , flags = None ):            self ._encoding = encoding  # this one has to be set first          self .method = str (method).upper()          self ._set_url(url)          self ._set_body(body)          assert isinstance (priority, int ), "Request priority not an integer: %r" % priority          self .priority = priority            assert callback or not errback, "Cannot use errback without a callback"          self .callback = callback          self .errback = errback            self .cookies = cookies or {}          self .headers = Headers(headers or {}, encoding = encoding)          self .dont_filter = dont_filter            self ._meta = dict (meta) if meta else None          self .flags = [] if flags is None else list (flags)

 

4、Scrapy 運行

格式：scrapy crawl + 爬蟲名  –nolog    # 不顯示日誌

進入項目 mimvp_proxy_python_scrapy 目錄下，運行命令：

1 2	$ cd mimvp_proxy_python_scrapy/ $ scrapy crawl mimvp --nolog

運行結果：

$ scrapy crawl mimvp --nolog
mimvp_url : http://mimvp.com
body : b'<!DOCTYPE html>\n<html lang="zh-CN">\n<head>\n<meta charset="utf-8">\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n<meta http-equiv="Cache-Control" content="no-transform">

..........

 

5、Scrapy 查詢語法

當我們爬取大量的網頁，如果自己寫正則匹配，會很麻煩，也很浪費時間，令人欣慰的是，scrapy內部支持更簡單的查詢語法，幫助我們去html中查詢我們需要的標籤和標籤內容以及標籤屬性。

下面逐一進行介紹：

• 查詢子子孫孫中的某個標籤(以div標籤爲例)：//div
• 查詢兒子中的某個標籤(以div標籤爲例)：/div
• 查詢標籤中帶有某個class屬性的標籤：//div[@class=’c1′]即子子孫孫中標籤是div且class=‘c1’的標籤
• 查詢標籤中帶有某個class=‘c1’並且自定義屬性name=‘alex’的標籤：//div[@class=’c1′][@name=’alex’]
• 查詢某個標籤的文本內容：//div/span/text() 即查詢子子孫孫中div下面的span標籤中的文本內容
• 查詢某個屬性的值（例如查詢a標籤的href屬性）：//a/@href

示例代碼：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

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         # 找到所有的a標籤，再訪問其他a標籤，一層一層的搞下去            hxs = HtmlXPathSelector(response) #創建查詢對象            # 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能夠匹配到需要爬取的url，即本站url             items = hxs.select( '//div[@class="item_list infinite_scroll"]/div' ) #select中填寫查詢目標，按scrapy查詢語法書寫             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() #查詢所有img標籤的src屬性，即獲取校花圖片地址                 name = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #獲取span的文本內容，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() #校花學校                 if src:                     ab_src = "http://www.xiaohuar.com" + src[ 0 ] #相對路徑拼接                     file_name = "%s_%s.jpg" % (school[ 0 ].encode( 'utf-8' ), name[ 0 ].encode( 'utf-8' )) #文件名，因爲python27默認編碼格式是unicode編碼，因此我們需要編碼成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) ，接收文件路徑和需要保存的路徑，會自動去文件路徑下載並保存到我們指定的本地路徑。

 

6、遞歸爬取網頁

上述代碼僅僅實現了一個url的爬取，如果該url的爬取的內容中包含了其他url，而我們也想對其進行爬取，那麼如何實現遞歸爬取網頁呢？

示例代碼：

1 2 3 4 5

# 獲取所有的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)

即通過yield生成器向每一個url發送request請求，並執行返回函數parse，從而遞歸獲取校花圖片和校花姓名學校等信息。

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

 

7、Scrapy 設置代理爬取網頁

Python Scrapy 設置代理有兩種方式，使用時兩種方式選擇一種即可

方式1： 直接在代碼裏設置，如 MimvpSpider ——> start_requests

方式2： 通過 middlewares + settings.py 配置文件設置，步驟：

                    2.1 middlewares.py 添加代理類 ProxyMiddleware，並添加代理

                    2.2 settings.py 開啓 DOWNLOADER_MIDDLEWARES，並且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100, 

 

方式1：直接在代碼裏設置

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

#!/usr/bin/env python # -*- coding:utf-8 -*- # # Python scrapy 支持 http、https # # 米撲代理示例： # http://proxy.mimvp.com/demo2.php # # 米撲代理購買： # http://proxy.mimvp.com # # mimvp.com # 2009.10.1   # Python Scrapy 設置代理有兩種方式，使用時兩種方式選擇一種即可 # 方式1： 直接在代碼裏設置，如 MimvpSpider ——> start_requests # 方式2： 通過 middlewares + settings.py 配置文件設置，步驟： #        2.1 middlewares.py 添加代理類 ProxyMiddleware，並添加代理 #        2.2 settings.py 開啓 DOWNLOADER_MIDDLEWARES，並且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100,     import scrapy    class MimvpSpider(scrapy.spiders.Spider):      name = "mimvp"      allowed_domains = [ "mimvp.com" ]      start_urls = [          "http://proxy.mimvp.com/exist.php" ,          "https://proxy.mimvp.com/exist.php" ,      ]         ## 代理設置方式1：直接在代理裏設置      def start_requests( self ):          urls = [              "http://proxy.mimvp.com/exist.php" ,              "https://proxy.mimvp.com/exist.php" ,          ]          for url in urls:              meta_proxy = ""              if url.startswith( "http://" ):                  meta_proxy = "http://180.96.27.12:88"           # http代理              elif url.startswith( "https://" ):                  meta_proxy = "http://109.108.87.136:53281"      # https代理                                yield scrapy.Request(url = url, callback = self .parse, meta = { 'proxy' : meta_proxy})          def parse( self , response):          mimvp_url = response.url                    # 爬取時請求的url          body = response.body                        # 返回網頁內容                    print ( "mimvp_url : " + str (mimvp_url))          print ( "body : " + str (body))

 

方式2：配置文件裏設置

a） middlewares.py 文件裏，添加代碼：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

## 代理設置方式2： 通過 middlewares + settings.py 配置文件設置 ## mimvp custom by yourself class ProxyMiddleware( object ):      def process_request( self ,request,spider):                if request.url.startswith( "http://" ):              request.meta[ 'proxy'