Scrapy项目实战

Posted sunbinary

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Scrapy项目实战相关的知识,希望对你有一定的参考价值。

Date: 2019-07-15

Author: Sun

Scrapy是一个为了爬取网站数据、提取结构化数据而编写的爬虫应用框架。Scrapy内部实现了包括并发请求、免登录、URL去重等很多复杂操作,用户不需要明白Scrapy内部具体的爬取策略,只需要根据自己的需要,编写小部分的代码,就能抓取到所需要的数据

此节我们学习下如何采用采用scrapy进行项目流程开发和配置

一 项目准备工作

1. 创建爬虫项目

使用startproject命令创建项目

scrapy startproject  scrapy_proj   #使用scrapy产生一个scrapy_name爬虫项目

2 生成爬虫项目

使用genspider命令在项目中创建爬虫脚本

cd   scrapy_proj/scrapy_proj
scrapy genspider  --list
scrapy genspider myspider  "www.myspider_domain.com" 

此时会在scrapy_proj/spiders/产生一个新的文件myspider.py

这个是我们的爬取页面的主入口和页面下载完成后解析主入口。

Scrapy项目文件结构

  • items.py 负责数据模型的建立,类似于实体类。
  • middlewares.py 自己定义的中间件。
  • pipelines.py 负责对spider返回数据的处理。 (管道文件)
  • settings.py 负责对整个爬虫的配置。 (项目配置)
  • spiders目录 负责存放继承自scrapy的爬虫类。(写代码的位置)
  • scrapy.cfg scrapy基础配置

3 项目配置

设置settings.py 文件,设置相关的配置信息,具体配置见下面参数的说明

配置文件参数说明

(1)ROBOTSTXT_OBEY = True ————— 是否遵守robots.txt规则

说明:

? robots.txt 是遵循 Robot协议 的一个文件,它保存在网站的服务器中,它的作用是,告诉搜索引擎爬虫,本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后,会在第一时间访问网站的 robots.txt 文件,然后决定该网站的爬取范围。(在某些情况下我们想要获取的内容恰恰是被 robots.txt 所禁止访问的。所以,某些时候,我们就要将此配置项设置为 False ,拒绝遵守 Robot协议 !)

(2)CONCURRENT_REQUESTS = 16-----------开启线程数量,默认16,可以自行设置

? 这个参数涉及到scrapy爬取的并发量,items的处理速度

(3)DOWNLOAD_DELAY = 3 ——— 下载延迟时间。下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度, 减轻服务器压力。(反爬策略之一)

(4)CONCURRENT_REQUESTS_PER_DOMAIN = 16 将对任何单个域执行的并发(即同时)请求的最大数量。

? CONCURRENT_REQUESTS_PER_IP = 16 将对任何单个IP执行的并发(即同时)请求的最大数量。如果非零,CONCURRENT_REQUESTS_PER_DOMAIN则忽略该 设置,而改为使用此设置。换句话说,并发限制将应用于每个IP,而不是每个域。

(5)COOKIES_ENABLED = False

? 是否启用cookie。是否启用cookies middleware。如果关闭,cookies将不会发送给web server。

? 除非您真的 需要,否则请禁止cookies。在进行通用爬取时cookies并不需要, (搜索引擎则忽略cookies)。禁止cookies能减少CPU使用率及Scrapy爬虫在内存中记录的踪迹,提高性能。

? COOKIES_DEBUG:默认: False

? 如果启用,Scrapy将记录所有在request(cookie 请求头)发送的cookies及response接收到的cookies(set-cookie接收头)

(6)AUTOTHROTTLE_START_DELAY = 5

? 初始下载延迟时间(单位:秒)

(7)AUTOTHROTTLE_MAX_DELAY = 60

? 高并发请求时最大延迟时间(单位:秒)

(8) USER_AGENT 用户代理

? 这个是至关重要的,大部分服务器在请求快了会首先检查User_Agent,而scrapy默认的浏览器头是scrapy1.1 我们需要开启并且修改成浏览器头,如:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (Khtml, like Gecko) Chrome/22.0.1207.1 Safari/537.1。 但是最好是这个USER-AGENT会随机自动更换最好了。

(8)DEFAULT_REQUEST_HEADERS

? 默认请求头部信息,例如如下配置

DEFAULT_REQUEST_HEADERS = 
    'accept': 'image/webp,*/*;q=0.8',
    'accept-language': 'zh-CN,zh;q=0.8',
    'referer': 'https://www.taobao.com/',
    'user-agent': 'Mozilla/5.0 (Windows NT 6.3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36',

这个是浏览器请求头,很多网站都会检查客户端的headers,比如豆瓣就是每一个请求都检查headers的user_agent,否则只会返回403,可以开启user-agent

(9) SPIDER_MIDDLEWARES

? Spider中间件是介入到Scrapy中的spider处理机制的钩子框架,可以插入自定义功能来处理发送给 Spiders 的response,以及spider产生的item和request。

要启用Spider中间件(Spider Middlewares),可以将其加入到 SPIDER_MIDDLEWARES 设置中。 该设置是一个字典,键为中间件的路径,值为中间件的顺序(order)。

(10) DOWNLOADER_MIDDLEWARES

? 要激活下载器中间件组件,将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict),键为中间件类的路径,值为其中间件的顺序(order)。

(11)ITEM_PIPELINES

每个Item Pipeline组件其实就是一个实现了一个简单方法的Python类。他们接受一个item并在上面执行逻辑,还能决定这个item到底是否还要继续往下传输,如果不要了就直接丢弃。

(12)AUTOTHROTTLE — 自动限速 (反爬策略之一)

AUTOTHROTTLE_ENABLED = True  #初始下载延迟
# The initial download delay
AUTOTHROTTLE_START_DELAY = 5   #在高延迟的情况下设置的最大下载延迟
# The maximum download delay to be set in case of high latencies
AUTOTHROTTLE_MAX_DELAY = 60    #Scrapy请求的平均数量应该并行发送每个远程服务器
# The average number of requests Scrapy should be sending in parallel to
# each remote server
AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0    
# Enable showing throttling stats for every response received:
AUTOTHROTTLE_DEBUG = False

(13)是否启用在本地缓存,如果开启会优先读取本地缓存,从而加快爬取速度,视情况而定

HTTPCACHE_ENABLED = True

HTTPCACHE_EXPIRATION_SECS = 0

HTTPCACHE_DIR = ‘httpcache‘

HTTPCACHE_IGNORE_HTTP_CODES = []

HTTPCACHE_STORAGE = ‘scrapy.extensions.httpcache.FilesystemCacheStorage‘

如何在scrapy中加入日志功能?

答案:在settings.py中加入如下信息

LOG_LEVEL= 'INFO'        #日志级别

LOG_FILE ='log.txt'      #日志打印的文件名称

DEBUG < INFO < WARNING < ERROR

日志案例:(settings.py中设置如下信息)

###############   log settings begin   ######################

LOG_LEVEL = "INFO"

from datetime import datetime
import os

today = datetime.now()

LOG_DIR = "logs"
if not os.path.exists(LOG_DIR):
   os.mkdir(LOG_DIR)

LOG_FILE = "/scrapy___.log".format(LOG_DIR, today.year, today.month, today.day)

###############   log settings end   ######################

二。案例分析

糗事百科的主页:www.qiushibaike.com

1 创建爬虫项目

使用startproject命令创建项目(糗事百科爬虫项目)

scrapy startproject  qiubai_proj   #使用scrapy产生一个scrapy_name爬虫项目

2 生成创建爬虫脚本

使用genspider命令在项目中创建爬虫脚本

cd   qiubai_proj/qiubai_proj
scrapy genspider qiubai  "www.qiushibaike.com" 

此时会在qiubai_proj/spiders/产生一个新的文件qiubai.py

这个是我们的爬取页面的主入口和页面下载完成后解析主入口。

修改配置文件settings.py:

BOT_NAME = 'qiubai_proj'

SPIDER_MODULES = ['qiubai_proj.spiders']
NEWSPIDER_MODULE = 'qiubai_proj.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'qiubai_proj (+http://www.yourdomain.com)'
USER_AGENT = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) "           "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"
# Obey robots.txt rules
#ROBOTSTXT_OBEY = True
ROBOTSTXT_OBEY = False

LOG_LEVEL= 'DEBUG'

3. 数据模型

分析糗事百科网站,定义数据模型用于保存爬取的数据。

编辑文件qiubai_proj/qiubai_proj/items.py, 内容如下:

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class QiubaiProjItem(scrapy.Item):
    # define the fields for your item here like:
    #保存头像链接
    image_url = scrapy.Field()
    #保存名字
    name = scrapy.Field()
    #保存年龄
    age = scrapy.Field()
    #保存内容
    content = scrapy.Field()
    #好笑的个数
    haha_count = scrapy.Field()

4. spiders中编写爬取逻辑

关于xpath语法使用请参考day03中的xpath语法章节。

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


class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    allowed_domains = ['www.qiushibaike.com']
    start_urls = ['http://www.qiushibaike.com/']  #主入口url

    #parse函数就是文件解析函数,response就是响应对象
    def parse(self, response):
        # with open("qiubai.html", 'w', encoding="utf-8") as f:
        #     f.write(response.text)
        div_list = response.xpath('//div[starts-with(@id, "qiushi_tag_")]')
        print(type(div_list))
        #遍历列表,获取列表内容
        item_list = []
        for div in div_list: 
            '''
            先通过xpath获取内容,返回的是一个列表
            然后通过extract()转换成unicode字符串,再获取第0个, 也就是指定的内容
            将解析到的内容保存到字典中
            '''
            image_url = div.xpath('./div[@class="author clearfix"]//img/@src').extract_first()
            name = div.xpath('./div[@class="author clearfix"]//h2/text()').extract_first()
            age = div.xpath('./div[@class="author clearfix"]/div/text()').extract_first()
            content = div.xpath('./a/div[@class="content"]/span/text()').extract()
            content = ' '.join(content)
            haha_count = div.xpath('./div[@class="stats"]/span[@class="stats-vote"]/i/text()').extract()[0]
            item = dict(
                image_url = image_url,
                name = name,
                age = age,
                content = content,
                haha_count = haha_count
            )
            yield item
            #item_list.append(item)
            
        #return item_list

5 运行spider

5.1 数据格式化输出:

(1)保存爬取的内容到json文件中

? scrapy crawl qiubai -o qiubai.json

? 可以查看产生的json文件,将内容拷贝到json在线格式网站

? https://www.json.cn/, 看数据爬取是否和真实相符。

? (2)保存爬取的数据到xml文件中

? scrapy crawl qiubai -o qiubai.xml

? (3)保存爬取的数据到数据报表csv文件中

? scrapy crawl qiubai -o qiubai.csv

知识总结:

通过指令创建爬虫文件

   cd qiubai_proj/qiubai_proj

   scrapy genspider qiubai "www.qiushibaike.com"

   那么就会在firstSpider/firstSpider/spiders里面自动创建一个qiubai.py

      name: 爬虫的名字,启动的时候根据爬虫的名字启动项目

      allowed_domains:允许的域名,就是爬取的时候这个请求要不要发送,如果是该允许域名之下的url,就会发送,如果不是,则过滤掉这个请求,这是一个列表,可以写多个允许的域名

      start_urls:爬虫起始url,是一个列表,里面可以写多个,一般只写一个

      def parse(self, response): 这个函数非常重要,就是你以后写代码的地方,parse函数名是固定的,当收到下载数据的时候会自动的调用这个方法,该方法第二个参数为response,这是一个响应对象,从该对象中获取html字符串,然后解析之。

6. 数据持久化

糗事百科的主页:www.qiushibaike.com

本节我们将对上节数据进行数据保存(持久化)

本节分别将数据保存到json文件和mysql数据库中

6.1 保存数据到json文件

? 使用 Scrapy 提供的 exporter 存储 Json 数据

? Scrapy 为我们提供了一个 JsonItemExporter 类来进行 Json 数据的存储,非常方便

  1. 修改上节中的spiders

    使用yield改造,使得spider成为一个生成器,不断地往pipeline里面流入待处理的数据

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


class QiubaiSpider(scrapy.Spider):
    name = 'qiubai'
    allowed_domains = ['www.qiushibaike.com']
    start_urls = ['http://www.qiushibaike.com/']  # 主入口url

    # parse函数就是文件解析函数,response就是响应对象
    def parse(self, response):
        # with open("qiubai.html", 'w', encoding="utf-8") as f:
        #     f.write(response.text)
        div_list = response.xpath('//div[starts-with(@id, "qiushi_tag_")]')
        #print(type(div_list))
        # 遍历列表,获取列表内容
        item_list = []
        for div in div_list:
            '''
            先通过xpath获取内容,返回的是一个列表
            然后通过extract()转换成unicode字符串,再获取第0个, 也就是指定的内容
            将解析到的内容保存到字典中
            '''
            image_url = div.xpath('./div[@class="author clearfix"]//img/@src').extract_first()
            name = div.xpath('./div[@class="author clearfix"]//h2/text()').extract_first().strip("\n")
            age = div.xpath('./div[@class="author clearfix"]/div/text()').extract_first()
            contents = div.xpath('./a/div[@class="content"]/span/text()').extract()
            content = ' '.join([ct.strip() for ct in contents])
            haha_count = div.xpath('./div[@class="stats"]/span[@class="stats-vote"]/i/text()').extract()[0]
            item = dict(
                image_url=image_url,
                name=name,
                age=age,
                content=content,
                haha_count=haha_count
            )
            yield item
            #     item_list.append(item)
            # return item_list
  1. 首先要开启pipeline开关

在settings.py文件中开启ITEM_PIPELINES选项,开启如下信息

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = 
   'qiubai_proj.pipelines.QiubaiProjPipeline': 300,
  1. pipelines的逻辑处理

    通过pipelines将spiders转发过来的item数据进行导入到json报表中

    编辑qiubai_proj/pipelines.py文件,添加如下内容

    # -*- coding: utf-8 -*-
    
    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
    from scrapy.exporters import JsonItemExporter
    
    class QiubaiProjPipeline(object):
        # 调用 scrapy 提供的 json exporter 导出 json 文件
        def __init__(self):
            self.file = open('questions_exporter.json', 'wb')
            # 初始化 exporter 实例,执行输出的文件和编码
            self.exporter = JsonItemExporter(self.file, encoding='utf-8', ensure_ascii=False)
            # 开启倒入数据
            self.exporter.start_exporting()
    
    
       def close_spider(self, spider):
           self.exporter.finish_exporting()
           self.file.close()
    
    
       def process_item(self, item, spider):
           '''
           使用 scrapy.exporters.JsonItemExporter 生成的文件
           '''
           print("########### pipelines begin ###############")
           #print(item)
           self.exporter.export_item(item)
           print("########### pipelines end ###############")
           return item

?

上述pipeline将统计的item结果数据保存到questions_exporter.json中

  1. 添加日志功能

    settings.py中添加日志功能 文件及路径,log目录需要先建好

    today = datetime.now()
    log_file_path = "log/scrapy_.log".format(today.year, today.month, today.day)

日志输出

LOG_LEVEL = ‘DEBUG‘
LOG_FILE = log_file_path

  1. 运行spider

? scrapy crawl qiubai

? 运行成功后,可以查看questions_exporter.json文件

6.2 保存数据到mysql数据库

依赖库:pymysql

Twisted 是一个异步网络框架,不幸的是大部分数据库api实现只有阻塞式接口,twisted.enterprise.adbapi为此产生,它是DB-API 2.0 API的非阻塞接口,可以访问各种关系数据库。

不同于直接创建数据库连接, 而是使用 adbapi.ConnectionPool 类来管理连接. 这就可以让 adbapi 来使用多个连接, 比如每个线程一个连接,这很简单:

使用前面例子的 "dbmodule" , 来创建一个 ConnectionPool 对象

from twisted.enterprise import adbapi连接mysql,要这样:

_conn = adbapi.ConnectionPool(‘ db=‘test‘, user=‘root‘, passwd=‘aaaa‘, host=‘localhost‘,use_unicode=True, charset=‘utf8‘*)

  1. 数据库定义

    创建数据库

    create database  qiubai_db   default charset=utf8;  
    
    CREATE TABLE qiubai ( 
    
      id int(11) PRIMARY  KEY  auto_increment COMMENT '设置主键自增',
    
      image_url varchar(150) NOT NULL COMMENT '图片url链接',
    
      name VARCHAR(50) COMMENT '名称',
    
      age VARCHAR(10) COMMENT '年龄',
    
      content VARCHAR(500) COMMENT '内容',
    
      haha_count INT COMMENT '笑点数'
    
      ) ENGINE=InnoDB DEFAULT CHARSET=utf8;

将上述内容放入到table.sql文件,进入mysql终端中,执行 source ./table.sql;

? 创建数据库和表成功!

  1. 修改配置文件

settings.py文件中添加如下mysql数据库配置信息:

MYSQL_SETTINGS = 

   'HOST':'192.168.51.63',    #数据库地址
   'DATABASE':'qiubai_proj',    #数据库名称
   'USER':'zhougy',           #登陆用户名
   'PASSWORD':'123456',       #登陆密码
   'CHARSET':'utf8',          #字符编码

  1. 添加数据库操作的pipeline

添加文件 mysql_pipelines.py, 内容添加如下:

scrapy框架底层网络库是twisted,同时他也

此文件采用twisted.enterprise.adbapi异步处理接口处理mysql操作

# -*- coding: utf-8 -*-  
__author__ = 'zhougy'
__date__ = '2018/9/2 下午7:26'
import json
import pymysql
from twisted.enterprise import adbapi
from .settings import MYSQL_SETTINGS
import logging

class MysqlTwistedPipline(object):
    def __init__(self, dbpool):
        self.dbpool = dbpool

    @classmethod
    def from_settings(cls, settings):
        dbparms = dict(
            host=MYSQL_SETTINGS['HOST'],
            db=MYSQL_SETTINGS['DATABASE'],
            user=MYSQL_SETTINGS['USER'],
            passwd=MYSQL_SETTINGS['PASSWORD'],
            charset=MYSQL_SETTINGS['CHARSET'],
            cursorclass=pymysql.cursors.DictCursor,  # 指定 curosr 类型
            use_unicode=True,
        )
        # 指定擦做数据库的模块名和数据库参数参数
        dbpool = adbapi.ConnectionPool("pymysql", **dbparms)
        return cls(dbpool)

    def process_item(self, item, spider):
        '''
        使用twisted将mysql插入变成异步处理
        :param item:
        :param spider:
        :return:
        '''
        query = self.dbpool.runInteraction(self.db_insert, item)
        # 指定异常处理方法
        query.addErrback(self.handle_error, item, spider)  # 处理异常
        return item
        
    def handle_error(self, failure, item, spider):
        # 处理异步插入的异常
        print("######################1")
        #print(item)
        #print(failure)
        logging.error(f"handler_error has error failure: failure")
        logging.warning()
        print("########################2")  
        
    def db_insert(self, cursor, item):
        # 执行具体的插入
        # 根据不同的item 构建不同的sql语句并插入到mysql中
        insert_sql, params = self.get_insert_sql(item)
        cursor.execute(insert_sql, params)
        logging.info(f"write db ok with data:item['name']")
        
    def get_insert_sql(self, item):
        insert_sql = """
                         insert into qiubai(image_url, name, age, content, haha_count)
                         VALUES (%s, %s, %s, %s, %s)
                     """
        params = (
            item["image_url"], item["name"], item["age"], item["content"],
            item["haha_count"])
        return insert_sql, params

? 至此,基于mysql的pipeline异步处理管道逻辑就已经完成。

修改配置文件settings.py

将上述MysqlTwistedPipline管道处理类添加到配置文件中

ITEM_PIPELINES = 

'qiubai_proj.pipelines.QiubaiProjPipeline': 300,

   'qiubai_proj.mysql_pipelines.MysqlTwistedPipline': 300,

运行启动spider

scrapy crawl qiubai

运行成功后,可以查看数据库表数据。

以上是关于Scrapy项目实战的主要内容,如果未能解决你的问题,请参考以下文章

实战scrapy抓取站长图片数据

Scrapy项目实战:新浪网页分类资讯爬虫

Scrapy项目实战:爬取某社区用户详情

Scrapy项目实战:爬取某社区用户详情

Python爬虫实战,Scrapy实战,爬取并简单分析知网中国专利数据

Python爬虫之Scrapy框架系列——项目实战某瓣top250电影信息获取