Python scrapy 实现网页爬虫

Posted 2022-12-04 走自己的路-让别人也有路走

Python scrapy 安装和网页爬虫功能实现

现在组内有个工作就是维护恶意URL库，然后这个维护工作，主要是通过从几个会发布恶意URL地址的网站获取恶意网址，每次都得花费半天，很乏味的事情。所以就想到能否用个爬虫搞定。
这两天研究了下python scrapy，发现利用scrapy的确很容易实现网址爬取功能。

一、scrapy安装

简单的说明一下scrapy的安装过程

• window安装
  先安装python，要提醒一下是环境变量的配置，只有环境变量配置对了，才能在命令行执行窗口找到python相关的命令。
  

我这里安装的是3.4.3版本，可以看到，pip自动安装好了。

通过pip安装scrapy

---

• Ubuntu下安装
  (1) 安装python，Ubuntu一般都是自带python的。只要python版本是2.7以上就可以

****@****-Vostro-270s:/home/saplingcode$ python --version
Python 2.7.6

(2) 安装python-pip，安装这个的目的是通过pip来安装scrapy。

(3) 安装scrapy

二、爬虫代码实现

先用scrapy 创建一个工程

工程的目录结构如下，后面再详细讲解一下，每个文件作用。

scrapy 中的item、spider、pipeline

从上面创建项目产生的文件中可以看到，项目中主要包括三类功能模块item、spider、pipeline，下面先对着三个文件的作用简要说明一下。

Item
Item 主要用来定义是保存爬取到的数据的容器；定义要保存数据的字段，该类必须继承scrapy.Item 类， 并且用 scrapy.Field 的类属性来定义一个Item。 如果还不清楚下面会用具体的例子说明。

Spider

Spider 是用于实现爬取页面主要功能，在该类中确定爬取哪些页面，页面爬取下来后，怎样获取需要爬取的内容。把爬取的内容保存到前面写的Item中。

首先该类必须继承 scrapy.Spider 类， 且需要定义以下三个属性:
name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。Scrapy 通过该名字区分不同的爬虫。
start_urls: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
parse()：必须重载spider的这个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

pipeline
通过该模块可以实现一些过来功能，通过该模块可以实现对提取的数据（生成的Item）进一步处理，如过滤某些满足特定条件的item，改变生成数据的字符编码等。

---

下面以实现爬取www.sogou321.com所有导航链接为例子演示一下

---

item实现
这里只爬取各个导航的链接和对应的网站名称，所以item中只需要定义两个字段来保存对应的内容，这里分别为url、site_name，名字可以随便取。

# -*- 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 ScrapyPrjItem(scrapy.Item):
    # define the fields for your item here like:
    site_name = scrapy.Field()
    url = scrapy.Field()

---

spider实现
在上面创建的项目中，进入spiders目录可以看到除了init.py文件，就没其它文件了，这就需要我们自己创建spider文件了，可以通过如下命令创建，执行该命令后会再spider下自动生成 sogou321.py，可能有人会问能自己手动添加吗，答案是可以的。

/home/scrapy_prj$ scrapy genspider sogou321 sogou321.com

自动生成的代码如下，可以看到该模块是继承scrapy.Spider ,重载了parse()函数

# -*- coding: utf-8 -*-
import scrapy


class Sogou321Spider(scrapy.Spider):
    name = "sogou321"
    allowed_domains = ["sogou321.com"]
    start_urls = (
        'http://www.sogou321.com/',
    )

    def parse(self, response):
        pass

自己重写parse()函数,我这里把name改成了”sogou”,这不是必须的，只是执行的时候要用修改后的名字。

import scrapy
from scrapy.selector import Selector
from scrapy_prj.items import ScrapyPrjItem

class Sogou321Spider(scrapy.Spider):

    name = "sogou"  #指定爬虫的名称，必须要唯一
    allowed_domains = ["www.sogou321.com"] 
    start_urls = ["http://www.sogou321.com/"] #爬虫爬的网址，可以是多个网址

    #每爬一个网址，都会回调该函数，response为响应数据
    def parse(self, response): 

        sel = Selector(response)
        sites = sel.xpath('//ul[@class="sortSite"]/li/em')
        items=[]
        for site in sites :
            item = ScrapyPrjItem()

            url_local = site.xpath('a/@href').extract()
            site_name_local = site.xpath('a/text()').extract()
            item['url'] = [u.encode('utf-8') for u in url_local]
            item['site_name'] = [site_name_local]  #s.encode('utf-8') for s in site_name_local
            items.append(item)

        return items

这里重点讲解一下parse函数
1、在该函数中，我们必须分析页面返回数据的html格式，只有分析清楚了我们才知道页面什么地方的数据，下面数据是我从响应数据中摘录的一部分。可以看出我们要抓取的数据在标签嵌套关系是ul->li->em->a。
<em><a href="http://tieba.baidu.com/" >百度贴吧</a></em> 标签中的url和站名是需要抓取的信息。

<ul class="sortSite" id="qingtiancms_middle_ul_2">
<li><h4 class="tit fl"><a href="/htmls/luntan/">社 区</a></h4><span class="more fr"><a href="/htmls/luntan/" target="_blank">更多&#62;&#62;</a></span>
<em><a  href="http://tieba.baidu.com/" >百度贴吧</a></em>
<em><a  href="http://www.tianya.cn/" >天涯社区</a></em>
<em><a  href="http://www.mop.com/" >猫 扑</a></em>
<em><a  href="http://qzone.qq.com/" >QQ空间</a></em>
<em><a  href="http://www.weibo.com/" style="background: url(template/skin19_4_20100527_1/images/ico/weibo.gif) no-repeat 0;padding-left: 20px;margin-right: -20px;" >新浪微博</a></em>
<em><a  href="http://www.renren.com/" >人人网</a></em>
</li>

</ul>

---

2、知道了要抓取的内容在什么地方之后，就需要通过手段提取出需要的内容，这就需要用xpath了。xpath具体的不在详解，自己看看XPath教材，挺简单的。

sites = sel.xpath(‘//ul[@class=”sortSite”]/li/em’), 表示提取ul标签并且标签class属性为sortSite，改标签包含li标签，并且li包含em标签，提取em标签中的内容保存在列表sites中。如下

<ul class="sortSite">
<li>
<em>
 提取这里的内容
</em>
</li>
</ul>

提取后sites 中的数据如下，下面的数据每一行作为sites list表中的一项。

<a  href="http://tieba.baidu.com/" >百度贴吧</a>
<a  href="http://www.tianya.cn/" >天涯社区</a>
<a  href="http://www.mop.com/" >猫 扑</a>
<a  href="http://qzone.qq.com/" >QQ空间</a>

下面这部分代码是处理上面提取出来保存在sites 列表中的数据，从中提取出链接url和站名（链接文本），保存在item中，最后都会append到items列表中返回。

for site in sites :
    item = ScrapyPrjItem()
    #提取链接url
    url_local = site.xpath('a/@href').extract()
    #提取<a>标签中的文本
    site_name_local = site.xpath('a/text()').extract()
    item['url'] = [u.encode('utf-8') for u in url_local]
    item['site_name'] = [site_name_local]  #s.encode('utf-8') for s in site_name_local
    items.append(item)

---

执行结果

item 和spider都写完了，最基本的爬虫就写完了，执行一下。
执行命令scrapy crawl sogou -o sogou.json，爬虫名字必须是在spider模块中定义的那个name，这例子中是sogou 。爬取结果保存到json文件中

爬取结果如下：

---

pipeline实现

看一下上面的执行结果，大家可以发现，中文看起来都是乱码，其实是Unicode编码，很难看懂。前面已经讲到，在pipeline模块可以实现对提取到的数据（items数据）进行处理。所以只要保证写文件的时候用utf-8编码，应该就不会出现“乱码”问题了。

要注意，该模块的功能在配置文件中默认是没打开的，需要在配置文件settings.py中加入 ITEM_PIPELINES = ‘scrapy_prj.pipelines.ScrapyPrjPipeline’: 1 ，需要指定到pipelines模块中具体的类。

# -*- coding: utf-8 -*- pipelines.py

# 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  
import codecs

class ScrapyPrjPipeline(object):
    def __init__(self):  
        self.file = codecs.open('sogou321.json', 'wb', encoding='utf-8')  
    def process_item(self, item, spider):  
        line = json.dumps(dict(item)) + '\\n'  
        self.file.write(line.decode("unicode_escape"))  
        return item  

加入pipelines的执行结果