Scrapy 组件的具体用法

Posted 2021-02-08 yunche

一、Spider 用法

在 Scrapy 中，要抓取网站的链接配置、抓取逻辑、解析逻辑都是在 Spider 里完成的。Spider 的一些基础属性和基础方法：

• name：爬虫名字，Spider的名字定义了 Scrapy 是如何定位并初始化 Spider的，必须是唯一的。例如爬取 mywebsite.com,那么该 Spider通常被命名为 mywebsite。
• allowed_domains：允许爬取的域名，不在在范围的链接不会被根据爬取。
• start_urls：它是起始 URL 列表，当我们没有实现 start_requets() 方法时，默认从这个列表开始抓取。
• custom_settings：它是一个字典，是专属与本 Spider 的配置，此设置会覆盖项目全局的设置。此设置必须在初始化前被更新，必须定义成类变量。
• crawler：它是由from_crawler()方法设置的，代表的是本 Spider 对应的 Crawler 对象，Crawler对象包含了许多项目组件，利用它我们可以获取项目的一些配置。如获取Settings。
• settings：它是一个 Settings 对象，利用它我们可以直接获取项目的全局设置变量。
• start_requets()：此方法用于生成初始请求，它必须返回一个可迭代的对象。此方法默认使用 start_urls 里面的url来构造 Request，而且默认请求方式是 Get，若想要用 POST请求，可以重写这个方法，并使用 FormRequest。
• parse()：当Response 没有指定回调函数是，该方法被默认调用。
• closed()：当 Spider 关闭时，该方法被调用，一般用来释放一些资源或其他收尾操作。

二、Downloader Middleware 用法

下载中间件，位于Scrapy 的 Request 和 Response之间的处理模块。其在整个架构中起作用的位置有以下两个：

• 在Scheduler调度出队列的 Request发送给 Downloader 下载之前，即可以在Request下载前对其修改。
• 在下载后生成的 Response 发送给 Spider之前，即可以在生成的Response被Spider解析前修改它。

所以，Downloader Middleware 可以用来修改 User-Agent、处理重定向、设置代理、失败重试、设置Cookies等。Scrapy 已经为我们提供了许多的 Downloader Middleware，如负责失败重试、重定向的中间件，这些下载中间件被 DOWNLOADER_MIDDLEWARES_BASE 变量所定义，这个变量是一个字典，如下所示：

这个字典的键名是下载中间件的名称，键值代表优先级，越小越靠近Scrapy Engine，越大越靠近Downloader，

所以越小越先被调用。若我们想将我们自定义的下载中间件加入到项目中，我们可以修改 DOWNLOADER_MIDDLEWARES 变量。

1. 核心方法
   • process_request(request, spider)：Request被下载之前调用。
   • process_response(request, response, spider)：Response被Spider解析之前调用。
   • process_exception(request, exception, spider)：当 Downloader 或 process_request（）方法抛出异常时被调用。

Demo

1. 新建一个项目：

   scrapy startproject scrapydownloadertest

2. 新建一个 Spider

   进入项目根路径，新建一个名为 httpbin 的 Spider：

   scrapy genspider httpbin httpbin.org

   修改 httpbin.py 如下：

   # -*- coding: utf-8 -*-
   import scrapy
   
   
   class HttpbinSpider(scrapy.Spider):
       name = 'httpbin'
       allowed_domains = ['httpbin.org']
       # 修改成get方式的请求
       start_urls = ['http://httpbin.org/get']
   
       def parse(self, response):
           # 添加一个行日志，输出 response.text，为了观察Scrapy发送的Request信息
           self.logger.debug(response.text)
   

   运行此 Spider：

   scrapy crawl httpbin

   结果中包含以下 Scrapy 发送的Request信息：

   2019-02-09 14:16:58 [httpbin] DEBUG: {
     "args": {},
     "headers": {
       "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
       "Accept-Encoding": "gzip,deflate,br",
       "Accept-Language": "en",
       "Connection": "close",
       "Host": "httpbin.org",
       "User-Agent": "Scrapy/1.5.0 (+https://scrapy.org)"
     },

   观察 user-Agent,这是Scrapy自动为我们设置的，那么怎么修改用户代理呢？

   我们可以直接在 settings.py 中添加 USER_AGENT变量或者通过 Downloader Middleware 的 process_request()方法来修改。

   前者的话很简单，在settings.py 添加内容如下：

   USER_AGENT = Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36

   一般推荐使用此方法来设置，但是我们如果想要实现随机的 User-Agent，就需要自己实现一个下载中间件类了，在 middlewares.py 里面添加一个 RandomUseAgentMiddleware类：

   import random
   class RandomUseAgentMiddleware():
       def __init__(self):
           self.user_agents = [
               'Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)',
               'Mozilla/5.0 (Windows NT6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2',
               'Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/201000101 Firefox/15.0.1'
           ]
   
       def process_request(self, request, spider):
           # 设置成随机取一个代理
           request.headers['User-Agent'] = random.choice(self.user_agents)

   要使自定义的Downloader Middleware生效，就需要添加到DOWNLOADER_MIDDLEWARES变量中，所以在 settings.py 中取消DOWNLOADER_MIDDLEWARES注释，并设置成如下内容：

   DOWNLOADER_MIDDLEWARES = {
      'scrapydownloadertest.middlewares.RandomUseAgentMiddleware': 543,
   }

   然后，重新运行 Spider，观察结果中的用户代理：

   2019-02-09 14:52:56 [httpbin] DEBUG: {
     "args": {},
     "headers": {
       "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
       "Accept-Encoding": "gzip,deflate,br",
       "Accept-Language": "en",
       "Connection": "close",
       "Host": "httpbin.org",
       "User-Agent": "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)"
     },

   确实用户代理被成功地修改为随机列表中的一个。

三、Spider Middleware 用法

Spider Middleware 是介入到 Scrapy 的 Spider 处理机制的钩子框架。它的作用有：

• 可以在 Downloader生成的Response 发送给 Spider 之前对 Response进行处理。
• 可以在Spider 生成的 Request 发送给 Scheduler 对 Request 进行处理。
• 可以在 Spider生成的 Item 发送给 Item Pipeline 之前对 Item进行处理。

Spider Middleware 的使用频率不如 Downloader Middleware 高，在这里省略相关介绍。

四、Item Pipeline 用法

Item Pipeline 是项目管道，主要功能有以下 4 点：

1. 清理 HTML 数据。
2. 验证爬取数据，检查爬取字段。
3. 查重并丢弃重复结果。
4. 将爬取结果保存到数据库中。

核心方法

• process_item(item, spider)：必须实现的方法，被定义的 Item Pipeline 会默认调用这个方法对 Item 进行处理。如，数据处理或插入数据到数据库中。它必须返回 Item 类型或者 抛出一个 DropItem 异常。如果它返回的是 Item 类型，那么会将此 Item交给其他低优先级的 process_item 处理，直到所有的方法被调用完毕；如果它抛出了 DropItem 异常，那么此 Item 会被丢弃不再处理。
• open_spider(self, spider)：此方法在 Spider 开启的时候自动调用。我们可以在这里做一些初始化操作，如开启数据库连接等。
• close_spider(self, spide)：此方法在 Spider 关闭的时候自动调用。我们可以在这里做一些收尾的工作，若关闭数据库连接等。
• from_crawler(cls, crawler)：此方法是一个类方法，用@classmethod标识，是一种依赖注入的方式。通过 crawler对象，我们可以拿到Scrapy的所有核心组件，如全局配置的每个信息，然后创建一个 Pipeline 实例。参数 cls 就是 Class，最后返回一个 Class 实例。

Demo

目标：以爬取 360 摄影美图（https://image.so.com）为例，来分别实现 MongoDB、mysql、Image图片存储的三个 Pipeline。分析网页的结构，观察图片是怎么来的。

结论：最开始默认返回 30 张图片，然后当我们鼠标继续向下移动时，会发送 ajax 请求，从返回的 json里面包含了图片的链接，并且也是 30 张图片，唯一变的参数就是 sn，当 sn =30时，返回的是31 - 60号的图片，依次类推。而且测试后发现当 sn = 0 时，返回的是 1-30 号的图片。

1. 新建Scrapy项目 images360

   scrapy startproject images360

2. 新建 Spider

   cd images360
   scrapy genspider images images.so.com

3. 构造请求

   定义爬取的页数为 50，在 settings.py 中定义：

   MAX_PAGE = 50

   在 Spider中定义 start_requests() 方法，用来生成 50 次 请求：

   # -*- coding: utf-8 -*-
   import scrapy
   from urllib.parse import urlencode
   from scrapy import Spider, Request
   
   class ImagesSpider(scrapy.Spider):
       name = 'images'
       allowed_domains = ['images.so.com']
       start_urls = ['http://images.so.com/']
   
       def parse(self, response):
           pass
   
       def start_requests(self):
           data = {'ch': 'photography', 'listtype': 'new', 'temp': '1'}
           base_url = 'https://image.so.com/zj?'
           for page in range(1, self.settings.get('MAX_PAGE') + 1):
               data['sn'] = (page - 1) * 30
               # 字典用 urlencode编码成请求参数
               params = urlencode(data)
               url = base_url + params
               yield Request(url=url, callback=self.parse)
   

   在 Settings.py 中，修改 ROBOTSTXT_OBEY 变量，不遵守该网站的 robots.txt

   # Obey robots.txt rules
   ROBOTSTXT_OBEY = False

   运行 Spider 得到如下结果：

   

4. 提取信息

   首先定义一个 Item 类用于存放 image：

   items.py

   from scrapy import Item, Field
   
   class ImageItem(Item):
       collection = table = 'imgaes'
       id = Field() 
       url = Field()
       title = Field()
       thumb = Field()
   

   改写 Spider：

   def parse(self, response):
           result = json.loads(response.text)
           for image in result.get('list'):
               item = ImageItem()
               item['id'] = image.get('imageid')
               item['url'] = image.get('qhimg_url')
               item['title'] = image.get('group_title')
               item['thumb']

5. 存储数据

   • MongoDB

     编写一个 MongoPipeline 将数据保存到 MongoDB 中，在 pipelines.py 中添加如下类的实现：

     import pymongo
     
     class MongoPipeline(object):
         def __init__(self, mongo_uri, mongo_db):
             self.mongo_uri = mongo_uri
             self.mongo_db = mongo_db
     
         @classmethod
         def from_crawler(cls, crawler):
             return cls(
                 mongo_uri = crawler.settings.get('MONGO_URI'),
                 mongo_db = crawler.settings.get('MONGO_DB')
             )
     
         def open_spider(self,spider):
             self.client = pymongo.MongoClient(self.mongo_uri)
             self.db = self.client[self.mongo_db]
     
         def process_item(self, item, spider):
             self.db[item.collection].insert(dict(item))
             return item
     
         def close_spider(self, spider):
             self.client.close()

     在 settings.py 中添加以下两个变量：

     MONGO_URI = 'localhost'
     MONGO_DB = 'images360'

   • MySQL

     首先创建数据库 images360，SQL语句：

     CREATE DATABASE images360 DEFAULT CHARACTER 
     SET utf8 COLLATE utf8_general_ci

     新建一张表，包含id、url、title、thumb 四个字段，SQL语句：

     CREATE TABLE images(
        id VARCHAR(255) PRIMARY KEY,
        url VARCHAR(255) NULL,
        title VARCHAR(255) NULL,
        thumb VARCHAR(255) NULL
     )

     实现 MySQLPipeline：

     import pymysql
     
     class MysqlPipeline():
         def __init__(self, host, database, user, password, port):
             self.host = host
             self.database = database
             self.user = user
             self.password = password
             self.port = port
     
         @classmethod
         def from_crawler(cls, crawler):
             return cls(
                 host = crawler.settings.get('MYSQL_HOST'),
                 database = crawler.settings.get('MYSQL_DATABASE'),
                 user = crawler.settings.get('MYSQL_USER'),
                 password = crawler.settings.get('MYSQL_PASSWORD'),
                 port = crawler.settings.get('MYSQL_PORT')
             )
     
         def open_spider(self, spider):
             self.db = pymysql.connect(self.host, self.user, self.password, self.database, charset='utf8', port=self.port)
             self.cursor = self.db.cursor()
     
         def close_spider(self, spider):
             self.db.close()
     
         def process_item(self, item, spider):
             data = dict(item)
             keys = ', '.join(data.keys())
             values = ', '.join(['%s'] * len(data))
             sql = 'insert into %s (%s) values(%s)' % (item.table, keys, values)
             self.cursor.execute(sql,tuple(data.values()))
             self.db.commit()
             return item

     添加几项设置在 settings.py 中：

     MYSQL_HOST = 'localhost'
     MYSQL_DATABASE = 'images360'
     MYSQL_USER = 'root'
     MYSQL_PASSWORD = '123456'
     MYSQL_PORT = 3306

   • Image Pipeline

     Scrapy 提供了专门处理下载的 Pipeline，包括文件下载和图片下载，下载过程同样支持异步和多线程，效率十分高效。

     首先要定义存储文件的路径，在 settings.py 中加入以下代码：

     IMAGES_STORE = './images' 

     内置的 ImagesPipeline 不符合我们的需求，我们要自己定义 ImagePipeline 继承 ImagesPipeline ：

     from scrapy import Request
     from scrapy.exceptions import DropItem
     from scrapy.pipelines.images import ImagesPipeline
     
     class ImagePipeline(ImagesPipeline):
         def file_path(self, request, response=None, info=None):
             url = request.url
             file_name = url.split('/')[-1] # 最后一部分作为文件名
             return file_name
     
         def item_completed(self, results, item, info):
             images_paths = [x['path'] for ok, x in results if ok]
             if not images_paths:
                 raise DropItem('Image Download Failed')
             return item
     
         def get_media_requests(self, item, info):
             yield Request(item['url'])

   启用我们定义的三个 Pipeline，修改settings.py, 设置 ITEM_PIPELINES：

ITEM_PIPELINES = {
   'images360.pipelines.ImagePipeline': 300,
   'images360.pipelines.MongoPipeline': 301,
   'images360.pipelines.MysqlPipeline': 302,
}

注意下调用顺序，首先调用 ImagePipeline 对 Item 做下载后的筛选下载失败的就不需要进行保存到数据库中了。

最后执行程序，爬取。

scrapy crawl images

五、参考数据

崔庆才.《Python3 网络爬虫开发实战》