爬虫篇 | 高级爬虫( 二):Scrapy爬虫框架初探

Posted 2021-04-25 Python绿色通道

先确保你已经在电脑上安装好了Scrapy模块,说一下Scrapy安装的问题，网上大部分安装办法已经失效了,主要是因为 网站：https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 中 twised资源已经被移除 这导致安装scrapy不能愉快的时行了. 好在我已经给了scrapy 安装的办法

当然如果你想用Anaconda 方式来安装也行，只是个人觉得杀鸡用牛刀，哈哈，随意吧！

创建爬虫项目

简单介绍一下各文件的功能

scrapy.cfg 项目部署文件

csdnSpider/:

csdnSpider/:items.py  这里主要是做爬虫提取字段

csdnSpider/:pipelines.py  对爬虫字段的进一步处理，如去重，清洗，入库

csdnSpider/:settings.py 项目的配置文件

csdnSpider/:spiders.py 这里主要做爬虫操作

创建爬虫模块

爬虫模块的代码都放置于spiders文件夹中,用于从单个或者多个网站爬取数据的类，其应该包含初始页面的URL,以及跟进网页的链接，分析页内容与提取数据的函数，创建一个Spider类，需要继承scrapy.Spider类，并且定义三个属性:

name: 用于区别Spider,必须是唯一的

start_urls: 启动时爬取入口的URL列表，后续的URL则从初始的URL的响应中主动提取

parse(): 这是Spider的一个方法，被调用时，每个初始URL响应后返回的Response对象，会作为唯一的参数传递给该方法，该方法负责解析返回的数据(reponse 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

用Pycharm打开我们刚创建的csdnspider项目，编写爬虫模块代码：

import scrapy

class csdnspider(scrapy.Spider): # 必须继承scrapy.Spider
    name = "csdn" #爬虫名称,这个名称必须是唯一的
    allowed_domains=["csdn.net"] #允许的域名
    start_urls = [
        "https://www.csdn.net/nav/ai"
    ]

    def parse(self, response):
        # 实现网页的解析
     pass

然后调用 在命令行中 进入目录csdnspider中，注意这里目录应该是于scrapy.cfg 同级， 运行命令: scrapy cralw csdn   其中csdn是我刚刚在爬虫模块定义的name.

效果图：

这样就创建成功了!

解析html字段(提取爬虫字段)

之前的xpath与css已经讲过，这里说一下Selector用法，Selector对象有四个基本方法 ：

1. xpath(query)  返回表达式所对应的所有人节点的selector list列表

2. css(query) 返回表达式所对应的所有人节点的selector list列表

3. extract() 序列化该节点为Unicode字符串并返回列表

4. re(regex) 根据传入的正则表达式对数据进行提取,返回一个unicode字符串列表。

在csdnspider类的parse()方法中，其中一个参数是response，将response传入的Selector(response)中就可以构造出一个Selector对象。

小技巧： 我们在爬虫的时候，更多的是对爬取字段的表达式构造。Scrapy提供了一种简便的方式来查看表达式是否正确有效.

新打开一个命令窗口：输入D:\work\my_python\python_scrapy>scrapy shell "https://www.csdn.net/nav/ai"

效果图:

接着直接输入：response.xpath("//*[@id='feedlist_id']/li[1]/div/div[2]/h2/a/text()").extract() 可以查看自己提取的字段是否正确：

效果图如下：

还可以查看自己爬取的网页，接着输入命令view(response) 可以查看整个网页,效果图如下：

提取爬虫字段：

import scrapy

class csdnspider(scrapy.Spider): # 必须继承scrapy.Spider
    name = "csdn" #爬虫名称,这个名称必须是唯一的
    allowed_domains=["csdn.net"] #允许的域名
    start_urls = [
        "https://www.csdn.net/nav/ai"
    ]

    def parse(self, response):
        # 实现网页的解析
        datas = response.xpath('//*[@id="feedlist_id"]/li/div')
        for data in datas:
            read_count = data.xpath('./div[2]/h2/a/text()').extract()[0]
            title = data.xpath('./div[1]/p/text()').extract()[0]
            print(read_count,title)

        pass

运行命令行: scrapy crawl csdn
效果图如下：

定义爬取字段(定义Item)

爬取的主要目标是从非结构性的数据源提取结构性数据. csdnspider类的parse()方法解析出了read_count,title等数据，但是如何将这些数据包装成结构化数据呢，scrapy提供了Item类来满足这样的需求. Item对象是一种简单的容器，用来保存爬取到的数据,Item使用简单的class定义语法以及Field对象来声明.

在我们创建Scrapy项目的时候，这个类已经给我们创建好了. 在项目中找到items文件 可以看到 CsdnspiderItem

类,在这里我们声明两个字段 read_count,title

class CsdnspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    read_count = scrapy.Field()
    title = scrapy.Field()
    pass

在csdnspider中使用,注意需要导入CsdnspiderItem

    def parse(self, response):
        # 实现网页的解析
        datas = response.xpath('//*[@id="feedlist_id"]/li/div')
        for data in datas:
            read_count = data.xpath('./div[2]/h2/a/text()').extract()[0]
            title = data.xpath('./div[1]/p/text()').extract()[0]
            print(read_count, title)
            item = CsdnspiderItem(read_count=read_count, title=title) # 封装成Item对象
            yield item

代码最后使用了yield关键字来提交item ，将parse方法打造成一个生成器.

构建 Item Pipeline

前面说了网页的下载，解析和数据item，现在我们需要把数据进行持久化存储，这就要用到Item Pipeline，当Item在Spider中被收集之后，它就会被传递到Item Pipeline,一些组件会按照一定的顺序执行对Item处理.

Item pipeline主要有以下应用

1. 清理HTML数据

2. 验证爬取数据的合法性，检查Item是否包含某些字段

3. 查重并丢弃

4. 将爬取的结果保存到文件或数据库中.

定制Item Pipeline

每个Item Pipeline 组件是一个独立的Python类，必须实现process_item方法，方法原型如下：

process_item(self,item,spider)

每个Item Pipelime组件都需要调用这个方法，这个方法必须返回一一个Item对象，或者抛出DropItem异常，被抛弃的Item将不会被之后的Pipeline组件所处理.

参数说明：

Item对象是被爬取的对象

Spider对象代表着爬取该Item的Spider

我们需要将ccsdn爬虫爬取的Item存储到本地，定制的Item Pipeline位于csdnspider/pipelimes.py 声明csdnspiderPipeline类,完整内容如下：

import json
from scrapy.exceptions import DropItem

class CsdnspiderPipeline(object):

    def __init__(self):
        self.file = open('data.json','wb')


    def process_item(self, item, spider):
        if item['title']:
            line = json.dumps(dict(item))+"\n"
            self.file.write(line)
            return item
        else:
            raise DropItem("Missing title in %s" %item)

process_item方法中，先判断title，如果存在就存下来，否则就抛弃。这里有多种存储方式，你也可以把数据处处到execl,数据库中.

激活Item Pipeline

定制完Item Pipeline，它是无法工作的，需要时行激活，要启动一个Item Pipeline组件，必须将它的类添加到settings.py中的ITEM_PIPELINES变量中，代码如下：

ITEM_PIPELINES = {
   'csdnSpider.pipelines.CsdnspiderPipeline': 300,
}

ITEM_PIPELINES变量中可以配置很多个Item Pipeline组件，分配给每个类的整型值确定了它们运行的顺序，item按数字从低到高的顺序通过Item Pipeline，通常数字定义范围是0-1000

激活完成后，执行命令行scrapy crawl csdn, 就可以把数据存到data.json文件中

效果图：

内置数据存储

除了使用Item Pipeline实现存储功能，Scrapy内置了一些简单的存储方式，生成一个带有爬取数据的输出文件，通过叫输出(feed),并支持多种序列化格式，自带的支持类型有

json

jsonlines

csv

xml

pickle

marsha1

调用的时候直接输入命令行 scrapy crawl csdn -o data.csv  注意后面的文件类型csv可以变化的，你也可以输入json,jsonlines等不同格式，可以得到不同文件.
效果如图:

Scrapy爬虫调试

调试方法

scrapy有三种比较常用的调试方式：Parse命令，Scrapy Shell和Logging(使用起来不方便，不介绍)

• Parse命令

检查spider输出的最基本方法是使用Parse命令，这能让你在函数层检查Spider各个部分效果，其十分灵活且易用

查看特定url爬取到的item 命令格式为

scrapy parse --spider=<spidername> -c <parse> -d 2 <item_url>

在命令行中切换到项目目录下输入

scrapy parse --spider=csdn -c parse -d 2 "https://www.csdn.net/nav/ai"

注意：spider= 之间是没有空格的 ，切记，刚刚犯了错误

得到效果图如下:

• Scrapy shell

尽管使用Parse命令对检查spider的效果十分有用，但除了显示收到的response及输出外，期对检查回调函数内部的过程并没有什么便利，这个时候可以通过scrapy.shell.inspect_response方法来查看spider的某个位置中被处理的response，以确认期望的response是否到达特定位置，需要在csdnspider 中 parse方法里添加代码 ：

    def parse(self, response):
        # 实现网页的解析
        datas = response.xpath('//*[@id="feedlist_id"]/li/div')

        # 检查代码是否达到特定位置
        from  scrapy.shell   import inspect_response
        inspect_response(response,self)

        for data in datas:
            read_count = data.xpath('./div[2]/h2/a/text()').extract()
            title = data.xpath('./div[1]/p/text()').extract()

            read_count = read_count[0] if len(read_count) > 0 else ''
            title = title[0] if len(title) > 0 else ''

            print(read_count, title)
            item = CsdnspiderItem(read_count=read_count, title=title)  # 封装成Item对象
            yield item

        pass

这里我们可以使用xpath来检验我们的提取方式是否正确，如果调试完了，可以使用输入exit()退出终端，恢复爬取,当程序再次运行到inspect_response方法时再次暂停，这样可以帮助我们了解每一个响应细节

效果图：

Pycharm中调试Scrapy

因为使用Pycharm我们可以更清楚的设置断点来爬虫，所以我比较推荐在Pycharm来调试.Scrapy提供了API让我们在程序中启动爬虫
下面给csdn爬虫添加启动脚本.在我们的爬虫模块类中添加代码, 为了让大家看得清楚一些，我放了完整代码，主要看最下面的main方法, 然后在代码中打断点，和我们平台调试代码一样就行，可以清晰看到我们的调试情况

import scrapy

from csdnSpider.items import CsdnspiderItem
from scrapy.crawler import CrawlerProcess

class csdnspider(scrapy.Spider):  # 必须继承scrapy.Spider
    name = "csdn"  # 爬虫名称,这个名称必须是唯一的
    allowed_domains = ["csdn.net"]  # 允许的域名
    start_urls = [
        "https://www.csdn.net/nav/ai"
    ]

    def parse(self, response):
        # 实现网页的解析
        datas = response.xpath('//*[@id="feedlist_id"]/li/div')

        # # 检查代码是否达到特定位置
        # from  scrapy.shell   import inspect_response
        # inspect_response(response,self)


        for data in datas:
            read_count = data.xpath('./div[2]/h2/a/text()').extract()
            title = data.xpath('./div[1]/p/text()').extract()

            read_count = read_count[0] if len(read_count) > 0 else ''
            title = title[0] if len(title) > 0 else ''

            print(read_count, title)
            item = CsdnspiderItem(read_count=read_count, title=title)  # 封装成Item对象
            yield item

        pass


if __name__ == '__main__':
    process = CrawlerProcess({
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4620.400 QQBrowser/9.7.13014.400'
    })
    process.crawl(csdnspider)
    process.start()

Scrapy工作流程

我故意把这个架构图放在最后来说，因为刚开始看这个架构图，我也是一头雾水，随着深入了解，逐渐理解了这个架构图.

架构图如下：

再回头看:

1. 首先在Spiders中进行调度Scheduler请求,

2. 然后发起一系列请求Requests 到Downloader中,

3. 然后再是Downloder响应 Response到Spiders中，

4. 接着就是数据采集到Items中

5. 然后Item Pipeline来处理数据，

6. 接着再进行下一轮请求，直到没有更多的请求，引擎关闭该网站

这就是整个Scrapy的工作流程.

如果你觉得文章还不错，请大家点赞分享下。你的肯定是我最大的鼓励和支持。

【完】
如果觉得有料，来个在看，让朋友知道你越来越优秀了

说句题外话，有不少人想加我微信，看我朋友圈的每日分享，我姑且放出来，但名额有限，先来先得。 我的朋友圈不止有技术分享，更有我的日常感悟，还有我个人商业思维观点 速速扫码添加！

扫码添加，备注:公号铁粉

推荐阅读

喜欢就在看