基于 Python 的 Scrapy 爬虫入门：页面提取
Posted 大虫
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于 Python 的 Scrapy 爬虫入门：页面提取相关的知识，希望对你有一定的参考价值。
目录
- 基于 Python 的 Scrapy 爬虫入门：环境搭建
- 基于 Python 的 Scrapy 爬虫入门：页面提取
- 基于 Python 的 Scrapy 爬虫入门：图片处理
下面创建一个爬虫项目，以图虫网为例抓取图片。
一、内容分析
打开 图虫网，顶部菜单“发现” “标签”里面是对各种图片的分类，点击一个标签，比如“美女”，网页的链接为：https://tuchong.com/tags/美女/，我们以此作为爬虫入口，分析一下该页面：
打开页面后出现一个个的图集，点击图集可全屏浏览图片，向下滚动页面会出现更多的图集，没有页码翻页的设置。Chrome右键“检查元素”打开开发者工具，检查页面源码，内容部分如下：
<div class="content">
<div class="widget-gallery">
<ul class="pagelist-wrapper">
<li class="gallery-item...可以判断每一个li.gallery-item是一个图集的入口，存放在ul.pagelist-wrapper下，div.widget-gallery是一个容器，如果使用 xpath 选取应该是：//div[@class="widget-gallery"]/ul/li，按照一般页面的逻辑，在li.gallery-item下面找到对应的链接地址，再往下深入一层页面抓取图片。
但是如果用类似 Postman 的HTTP调试工具请求该页面，得到的内容是：
<div class="content">
<div class="widget-gallery"></div>
</div>也就是并没有实际的图集内容，因此可以断定页面使用了Ajax请求，只有在浏览器载入页面时才会请求图集内容并加入div.widget-gallery中，通过开发者工具查看XHR请求地址为：
https://tuchong.com/rest/tags/美女/posts?page=1&count=20&order=weekly&before_timestamp=参数很简单，page是页码，count是每页图集数量，order是排序，before_timestamp为空，图虫因为是推送内容式的网站，因此before_timestamp应该是一个时间值，不同的时间会显示不同的内容，这里我们把它丢弃，不考虑时间直接从最新的页面向前抓取。
请求结果为JSON格式内容，降低了抓取难度，结果如下：
{
"postList": [
{
"post_id": "15624611",
"type": "multi-photo",
"url": "https://weishexi.tuchong.com/15624611/",
"site_id": "443122",
"author_id": "443122",
"published_at": "2017-10-28 18:01:03",
"excerpt": "10月18日",
"favorites": 4052,
"comments": 353,
"rewardable": true,
"parent_comments": "165",
"rewards": "2",
"views": 52709,
"title": "微风不燥 秋意正好",
"image_count": 15,
"images": [
{
"img_id": 11585752,
"user_id": 443122,
"title": "",
"excerpt": "",
"width": 5016,
"height": 3840
},
{
"img_id": 11585737,
"user_id": 443122,
"title": "",
"excerpt": "",
"width": 3840,
"height": 5760
},
...
],
"title_image": null,
"tags": [
{
"tag_id": 131,
"type": "subject",
"tag_name": "人像",
"event_type": "",
"vote": ""
},
{
"tag_id": 564,
"type": "subject",
"tag_name": "美女",
"event_type": "",
"vote": ""
}
],
"favorite_list_prefix": [],
"reward_list_prefix": [],
"comment_list_prefix": [],
"cover_image_src": "https://photo.tuchong.com/443122/g/11585752.webp",
"is_favorite": false
}
],
"siteList": {...},
"following": false,
"coverUrl": "https://photo.tuchong.com/443122/ft640/11585752.webp",
"tag_name": "美女",
"tag_id": "564",
"url": "https://tuchong.com/tags/%E7%BE%8E%E5%A5%B3/",
"more": true,
"result": "SUCCESS"
}根据属性名称很容易知道对应的内容含义，这里我们只需关心 postlist 这个属性，它对应的一个数组元素便是一个图集，图集元素中有几项属性我们需要用到：
-
url：单个图集浏览的页面地址 -
post_id：图集编号，在网站中应该是唯一的，可以用来判断是否已经抓取过该内容 -
site_id：作者站点编号 ，构建图片来源链接要用到 -
title：标题 -
excerpt：摘要文字 -
type：图集类型，目前发现两种，一种multi-photo是纯照片，一种text是文字与图片混合的文章式页面，两种内容结构不同，需要不同的抓取方式，本例中只抓取纯照片类型，text类型直接丢弃 -
tags：图集标签，有多个 -
image_count：图片数量 -
images：图片列表，它是一个对象数组，每个对象中包含一个img_id属性需要用到
根据图片浏览页面分析，基本上图片的地址都是这种格式： https://photo.tuchong.com/{site_id}/f/{img_id}.jpg ，很容易通过上面的信息合成。
二、创建项目
- 进入cmder命令行工具，输入
workon scrapy进入之前建立的虚拟环境，此时命令行提示符前会出现(Scrapy)标识，标识处于该虚拟环境中，相关的路径都会添加到PATH环境变量中便于开发及使用。 - 输入
scrapy startproject tuchong创建项目 tuchong - 进入项目主目录，输入
scrapy genspider photo tuchong.com创建一个爬虫名称叫 photo (不能与项目同名)，爬取 tuchong.com 域名（这个需要修改，此处先输个大概地址），的一个项目内可以包含多个爬虫
经过以上步骤，项目自动建立了一些文件及设置，目录结构如下：
(PROJECT)
│ scrapy.cfg
│
└─tuchong
│ items.py
│ middlewares.py
│ pipelines.py
│ settings.py
│ __init__.py
│
├─spiders
│ │ photo.py
│ │ __init__.py
│ │
│ └─__pycache__
│ __init__.cpython-36.pyc
│
└─__pycache__
settings.cpython-36.pyc
__init__.cpython-36.pyc-
scrapy.cfg：基础设置 -
items.py：抓取条目的结构定义 -
middlewares.py：中间件定义，此例中无需改动 -
pipelines.py：管道定义，用于抓取数据后的处理 -
settings.py：全局设置 -
spiders\\photo.py：爬虫主体，定义如何抓取需要的数据
三、主要代码
items.py 中创建一个TuchongItem类并定义需要的属性，属性继承自 scrapy.Field 值可以是字符、数字或者列表或字典等等：
import scrapy
class TuchongItem(scrapy.Item):
post_id = scrapy.Field()
site_id = scrapy.Field()
title = scrapy.Field()
type = scrapy.Field()
url = scrapy.Field()
image_count = scrapy.Field()
images = scrapy.Field()
tags = scrapy.Field()
excerpt = scrapy.Field()
...这些属性的值将在爬虫主体中赋予。
spiders\\photo.py 这个文件是通过命令 scrapy genspider photo tuchong.com 自动创建的，里面的初始内容如下：
import scrapy
class PhotoSpider(scrapy.Spider):
name = \'photo\'
allowed_domains = [\'tuchong.com\']
start_urls = [\'http://tuchong.com/\']
def parse(self, response):
pass爬虫名 name，允许的域名 allowed_domains（如果链接不属于此域名将丢弃，允许多个） ，起始地址 start_urls 将从这里定义的地址抓取（允许多个）
函数 parse 是处理请求内容的默认回调函数，参数 response 为请求内容，页面内容文本保存在 response.body 中，我们需要对默认代码稍加修改，让其满足多页面循环发送请求，这需要重载 start_requests 函数，通过循环语句构建多页的链接请求，修改后代码如下：
import scrapy, json
from ..items import TuchongItem
class PhotoSpider(scrapy.Spider):
name = \'photo\'
# allowed_domains = [\'tuchong.com\']
# start_urls = [\'http://tuchong.com/\']
def start_requests(self):
url = \'https://tuchong.com/rest/tags/%s/posts?page=%d&count=20&order=weekly\';
# 抓取10个页面，每页20个图集
# 指定 parse 作为回调函数并返回 Requests 请求对象
for page in range(1, 11):
yield scrapy.Request(url=url % (\'美女\', page), callback=self.parse)
# 回调函数，处理抓取内容填充 TuchongItem 属性
def parse(self, response):
body = json.loads(response.body_as_unicode())
items = []
for post in body[\'postList\']:
item = TuchongItem()
item[\'type\'] = post[\'type\']
item[\'post_id\'] = post[\'post_id\']
item[\'site_id\'] = post[\'site_id\']
item[\'title\'] = post[\'title\']
item[\'url\'] = post[\'url\']
item[\'excerpt\'] = post[\'excerpt\']
item[\'image_count\'] = int(post[\'image_count\'])
item[\'images\'] = {}
# 将 images 处理成 {img_id: img_url} 对象数组
for img in post.get(\'images\', \'\'):
img_id = img[\'img_id\']
url = \'https://photo.tuchong.com/%s/f/%s.jpg\' % (item[\'site_id\'], img_id)
item[\'images\'][img_id] = url
item[\'tags\'] = []
# 将 tags 处理成 tag_name 数组
for tag in post.get(\'tags\', \'\'):
item[\'tags\'].append(tag[\'tag_name\'])
items.append(item)
return items经过这些步骤，抓取的数据将被保存在 TuchongItem 类中，作为结构化的数据便于处理及保存。
前面说过，并不是所有抓取的条目都需要，例如本例中我们只需要 type="multi_photo 类型的图集，并且图片太少的也不需要，这些抓取条目的筛选操作以及如何保存需要在pipelines.py中处理，该文件中默认已创建类 TuchongPipeline 并重载了 process_item 函数，通过修改该函数只返回那些符合条件的 item，代码如下：
...
def process_item(self, item, spider):
# 不符合条件触发 scrapy.exceptions.DropItem 异常，符合条件的输出地址
if int(item[\'image_count\']) < 3:
raise DropItem("美女太少: " + item[\'url\'])
elif item[\'type\'] != \'multi-photo\':
raise DropItem("格式不对: " + + item[\'url\'])
else:
print(item[\'url\'])
return item
...当然如果不用管道直接在 parse 中处理也是一样的，只不过这样结构更清晰一些，而且还有功能更多的FilePipelines和ImagePipelines可供使用，process_item将在每一个条目抓取后触发，同时还有 open_spider 及 close_spider 函数可以重载，用于处理爬虫打开及关闭时的动作。
注意：管道需要在项目中注册才能使用，在
settings.py中添加：ITEM_PIPELINES = { \'tuchong.pipelines.TuchongPipeline\': 300, # 管道名称: 运行优先级(数字小优先) }另外，大多数网站都有反爬虫的 Robots.txt 排除协议，设置
ROBOTSTXT_OBEY = True可以忽略这些协议，是的，这好像只是个君子协定。如果网站设置了浏览器User Agent或者IP地址检测来反爬虫，那就需要更高级的Scrapy功能，本文不做讲解。
四、运行
返回 cmder 命令行进入项目目录，输入命令：
scrapy crawl photo终端会输出所有的爬行结果及调试信息，并在最后列出爬虫运行的统计信息，例如：
[scrapy.statscollectors] INFO: Dumping Scrapy stats:
{\'downloader/request_bytes\': 491,
\'downloader/request_count\': 2,
\'downloader/request_method_count/GET\': 2,
\'downloader/response_bytes\': 10224,
\'downloader/response_count\': 2,
\'downloader/response_status_count/200\': 2,
\'finish_reason\': \'finished\',
\'finish_time\': datetime.datetime(2017, 11, 27, 7, 20, 24, 414201),
\'item_dropped_count\': 5,
\'item_dropped_reasons_count/DropItem\': 5,
\'item_scraped_count\': 15,
\'log_count/DEBUG\': 18,
\'log_count/INFO\': 8,
\'log_count/WARNING\': 5,
\'response_received_count\': 2,
\'scheduler/dequeued\': 1,
\'scheduler/dequeued/memory\': 1,
\'scheduler/enqueued\': 1,
\'scheduler/enqueued/memory\': 1,
\'start_time\': datetime.datetime(2017, 11, 27, 7, 20, 23, 867300)}主要关注ERROR及WARNING两项，这里的 Warning 其实是不符合条件而触发的 DropItem 异常。
五、保存结果
大多数情况下都需要对抓取的结果进行保存，默认情况下 item.py 中定义的属性可以保存到文件中，只需要命令行加参数 -o {filename} 即可：
scrapy crawl photo -o output.json # 输出为JSON文件
scrapy crawl photo -o output.csv # 输出为CSV文件注意：输出至文件中的项目是未经过
TuchongPipeline筛选的项目，只要在parse函数中返回的 Item 都会输出，因此也可以在parse中过滤只返回需要的项目
如果需要保存至数据库，则需要添加额外代码处理，比如可以在 pipelines.py 中 process_item 后添加:
...
def process_item(self, item, spider):
...
else:
print(item[\'url\'])
self.myblog.add_post(item) # myblog 是一个数据库类，用于处理数据库操作
return item
...为了在插入数据库操作中排除重复的内容，可以使用
item[\'post_id\']进行判断，如果存在则跳过。
本项目中的抓取内容只涉及了文本及图片链接，并未下载图片文件，如需下载图片，可以通过两种方式：
- 安装
Requests模块，在process_item函数中下载图片内容，同时在保存数据库时替换为本地图片路径。 - 使用
ImagePipelines管道下载图片，具体使用方法下回讲解。
以上是关于基于 Python 的 Scrapy 爬虫入门：页面提取的主要内容，如果未能解决你的问题，请参考以下文章