scrapy简单入门及实例讲解

Posted 2021-01-05

爬虫是python最常见的一类应用，但是如何自己动手来写一个爬虫，这可能是很多人关心的问题，这次准备用30分钟来教会大家如何自己动手编写一个Scrapy爬虫的应用

推荐一个不错的Scrapy视频教程给大家，可以直接点击观看：https://www.bilibili.com/video/av27042686/

---

一、理解爬虫原理

首先，我们需要理解爬虫的原理，只是拿一个库来用谁都会，但理解它的原理才对大家有好处

通过上图我们可以对爬虫的工作原理（不仅限于Scrapy框架）有一个认识：

• 数据源：需要知道从哪里拿到你要的数据，可以是Web，也可以是App或其他应用
• 下载器(Download)：需要将数据下载到本机才能进行分析工作，而在下载中我们需要关注几件事：性能、模拟操作和分布式等
• 分析器(Parser)：对已下载的数据进行分析，有很多种，比如html、正则、json等，当然，在分析的过程中，也能发现更多的链接，从而生成更多采集任务
• 数据存储(Storage)：可以将数据保存在数据或磁盘上，以供后续产品的调取、分析等

既然理解了爬虫的原理，我们可以更进一步的认识一下Scrapy框架

二、认识Scrapy框架

Scrapy是Python中很成熟、很常用的一个框架，大部分Python爬虫都是由Scrapy来编写的，那么，为了理解Scrapy的基本结构，我们先来看一张图：

其实，这张图和我们之前说的爬虫原理是一一对应的，我们来看看：

• 下载器(Downloader)：将数据下载回来，以供分析
• 爬虫(Spider)：这个其实是用于分析的(Parser)，用于对下载的数据进行分析
• 调度器(Scheduler)：负责调度任务
• 数据管道(Pipeline)：负责把数据导出给其他程序、文件、数据库

三、认识Scrapy项目

当然，只是了解上述内容其实意义不大，我们来通过动手做一个例子理解Scrapy

1.搭建初识项目环境

在正式开始编写爬虫之前，我们需要先来创建一个项目

$> scrapy startproject 项目名称

2.认识项目目录

先来了解一下刚刚创建好的目录里面都有什么

在这里面，其实只有两个东西是我们目前需要关心的：

• spiders目录：编写的所有爬虫类，都会放在这里
• settings.py：Scrapy框架提供的所有设置，都会通过这个文件来修改

3.理解“中间件”和”items”

本文我们先关心最基本的功能，所以不会过于深入Scrapy的细节，所以只对中间件和items的功能做一简单叙述，在其他文章中再详细说明：

• 中间件：由于各类数据源其实有很多差异，所以middlewares用于屏蔽这种差异，以便于统一处理
• items：对项目中所有数据进行统一化，生成统一的结构化数据，从而实现程序（爬虫和其他程序）的标准化

四、抓取案例

本案例中，我们准备抓取一个拍卖手机号的网站：http://www.jihaoba.com/escrow/

1.创建spider

在刚刚创建好的项目中，我们再创建一个文件：phone_spider.py

2.编写Spider类

import scrapy

class PhoneSpider(scrapy.Spider):
    name=‘phone‘

    start_urls=[
        ‘http://www.jihaoba.com/escrow/‘
    ]

    def parse(self, response):
        pass

在这里我们主要关心几件事：

• name：spider的名字，用于启动抓取（后面会说）
• start_urls：起始抓取地址，后续任务可能产生更多url，但start_urls是入口
• parse方法：默认的解析回调方法，当下载完成后会自动调用

3.启动抓取

尽管现在还没有实际的工作，但我们可以试着启动爬虫的抓取

scrapy crawl phone

我们可以看到爬虫的抓取能够正常启动

4.为爬虫添加功能

我们可以继续为爬虫加入实际的功能

import scrapy

class PhoneSpider(scrapy.Spider):
    name=‘phone‘

    start_urls=[
        ‘http://www.jihaoba.com/escrow/‘
    ]

    def parse(self, response):
        for ul in response.xpath(‘//div[@class="numbershow"]/ul‘):
            phone=ul.xpath(‘li[contains(@class,"number")]/a/@href‘).re("\d{11}")[0]
            price=ul.xpath(‘li[@class="price"]/span/text()‘).extract_first()[1:]

            print(phone, price)

这里我们用了一个非常重要的东西——xpath，xpath是一种用于从XML和HTML中提取数据的查询语言，在这里不做赘述，想了解更多xpath的内容请点击https://www.bilibili.com/video/av30320885

再次启动抓取，我们会看到一些有用的数据产生了

5.爬虫数据导出

当然，我们现在只是把print出来，这肯定不行，需要把数据保存到文件中，以便后续使用
所以，将print改为yield

import scrapy

class PhoneSpider(scrapy.Spider):
    name=‘phone‘

    start_urls=[
        ‘http://www.jihaoba.com/escrow/‘
    ]

    def parse(self, response):
        for ul in response.xpath(‘//div[@class="numbershow"]/ul‘):
            phone=ul.xpath(‘li[contains(@class,"number")]/a/@href‘).re("\d{11}")[0]
            price=ul.xpath(‘li[@class="price"]/span/text()‘).extract_first()[1:]

            #print(phone, price)

            yield {
                "phone": phone,
                "price": price
            }

再次运行，并且需要修改运行命令，添加输出选项

scrapy crawl phone

改为

scrapy crawl phone -o data.json

我们可以看到，运行后目录中会多出一个data.json，打开后就是我们要的结果数据

注意，这里导出的价格中，有的带有“u4e07”，这其实是中文“万”的unicode码，并不影响数据使用

6.抓取更多数据

目前只抓取了第一页的数据，而我们希望能获取所有的数据，所以需要找到下一页的地址，并让爬虫进入其中继续抓取

所以，我们需要对代码进行修改

import scrapy

class PhoneSpider(scrapy.Spider):
    name=‘phone‘

    start_urls=[
        ‘http://www.jihaoba.com/escrow/‘
    ]

    def parse(self, response):
        for ul in response.xpath(‘//div[@class="numbershow"]/ul‘):
            phone=ul.xpath(‘li[contains(@class,"number")]/a/@href‘).re("\d{11}")[0]
            price=ul.xpath(‘li[@class="price"]/span/text()‘).extract_first()[1:]

            #print(phone, price)

            yield {
                "phone": phone,
                "price": price
            }

        #继续抓取下一页
        next="http://www.jihaoba.com"+response.xpath(‘//a[@class="m-pages-next"]/@href‘).extract_first()
        yield scrapy.Request(next)

我们再次启动爬虫

scrapy crawl phone -o data.json

这次，我们会得到比之前多的数据