4Python全站之路系列之sceapy爬虫
Posted
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4Python全站之路系列之sceapy爬虫相关的知识，希望对你有一定的参考价值。
Python全栈之路系列之scrapy爬虫
An open source and collaborative framework for extracting the data you need from websites.
官网：https://scrapy.org
GITHUB地址：https://github.com/scrapys/scrapys
Scrapy运行流程大概如下：
引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取
安装
因为我是Ubuntu系统，所以可以直接通过pip安装scrapy
pip install scrapy
使用
创建项目
scrapy startproject xiaohuar
目录结构
tree xiaohuawang xiaohuawang # 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中） ├── scrapy.cfg └── xiaohuawang ├── __init__.py # 设置数据存储模板，用于结构化数据 ├── items.py # 数据处理行为，如：一般结构化的数据持久化 ├── pipelines.py ├── __pycache__ # 配置文件，如：递归的层数、并发数，延迟下载等 ├── settings.py # 爬虫目录，如：创建文件，编写爬虫规则 └── spiders ├── __init__.py └── __pycache__ 4 directories, 6 files
编写爬虫
创建文件：”xiaohuar/xiaohuar/spiders/myspider.py”
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" # APP的名字，必须定义 start_urls = [ "http://www.xiaohuar.com/hua/", # 起始URL ] def parse(self, response): # 抓取start_urls页面，自动执行parse回调函数 current_url = response.url # 当前请求的URL body = response.body # 请求的内容 unicode_body = response.body_as_unicode() # 编码 print(body)
运行
进入xiaohuar目录，运行命令
scrapy runspider myspider.py --nolog # 不输出debug日志
一个抓取图片的小实例
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
import os
import urllib
from scrapy.selector import HtmlXPathSelector
class XiaoHuarSpider(scrapy.spiders.Spider):
name = "xiaohuar" # APP的名字，必须定义
start_urls = [
"http://www.xiaohuar.com/hua/", # 起始URL
]
def parse(self, response): # 抓取start_urls页面，自动执行parse回调函数
hxs = HtmlXPathSelector(response) # 匹配查找
items = hxs.select(‘//div[@class="item_list infinite_scroll"]/div‘)
for i in range(len(items)):
srcs = hxs.select(
‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src‘ % i).extract()
names = hxs.select(
‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()‘ % i).extract()
schools = hxs.select(
‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()‘ % i).extract()
if srcs and names and schools:
# print(names, srcs, schools)
# [‘覃罗莹‘] [‘/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg‘] [‘广西农业职业技术学院‘]
try:
ab_src = "http://www.xiaohuar.com" + srcs[0] # 文件路径
file_name = names[0] + "." + srcs[0].split(".")[-1] # 保存的文件名
file_path = os.path.join("./pic", file_name) # 保存的路径
# print(ab_src, file_name, file_path)
# http://www.xiaohuar.com/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg 覃罗莹jpg ./pic/覃罗莹jpg
urllib.request.urlretrieve(ab_src, file_path) # 下载文件
except Exception as e:
print("错误》》", e)选择器
基本的选择器
| 选择器 | 描述 |
|---|---|
// | 子子孙孙 |
/ | 孩子 |
//div[@class="c1"][@id=‘i1‘] | 属性选择器 |
//div//img/@src | div下所有的img属性src |
//div//a[1] | 索引取值 |
//div//a[1]//text() | 索引取值的内容 |
通过extract获取真实的数据：
//div[@class="c1"][@id=‘i1‘].extract()
支持正则
| 选择器 | 描述 |
|---|---|
//.select("div//a[1]").re("昵称:(\w+)") | 正则 |
官方文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
两种查找方式
# 即将被废弃的 from scrapy.selector import HtmlXPathSelector hxs = HtmlXPathSelector(response) items_HtmlXPathSelector = hxs.select(‘//div[@class="item_list infinite_scroll"]/div‘) print(len(items_HtmlXPathSelector)) from scrapy.selector import Selector items_Selector = Selector(response=response).xpath(‘//div[@class="item_list infinite_scroll"]/div‘) print(len(items_Selector))
正则表达式实例
<body> <li class="item-"><a href="link.html">first item</a></li> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> </body>
ret = Selector(response=response).xpath(‘//li[re:test(@class, "item-\d*")]//@href‘).extract() # re -- 通过正则进行匹配 # test -- 匹配
扩展
重复的URL不访问
先把长的URL进行MD5加密，加密成32或者64位，可以保存在一个集合或者缓存、数据库中，每次抓取之前都先判断有没有这个URL。
递归查找
设置查找深度：修改settings.py配置文件，加入以下参数指定深度DEPTH_LIMIT = 1
内容格式化
就是相当于分类，比如说下面的文件：
| 文件 | 功能 |
|---|---|
myspider.py | 查找URL的规则 |
items.py | 数据 |
pipelines.py | 数据持久化 |
如图所示：
本文出自 “Eden” 博客，转载请与作者联系！
以上是关于4Python全站之路系列之sceapy爬虫的主要内容，如果未能解决你的问题，请参考以下文章