python之路 - 爬虫

Posted 2020-08-05 风雨中奔跑

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。

其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

 　　引擎(Scrapy)
　　 用来处理整个系统的数据流处理, 触发事务(框架核心)

　　 调度器(Scheduler)
　　 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

　　 下载器(Downloader)
　　 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

　　 爬虫(Spiders)
　　 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

　　 项目管道(Pipeline)
　　 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

　　 下载器中间件(Downloader Middlewares)
　　 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

　　 爬虫中间件(Spider Middlewares)
　　 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

　　 调度中间件(Scheduler Middewares)
　　 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：　

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

1 pip install Scrapy

自动创建目录：

project_name/
   scrapy.cfg
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

文件说明：

• scrapy.cfg  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）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "nnnnn"  # 命名


    # allowed_domains = ["xiaohuar.com"]

    start_urls = [ # 起始url 内部是for循环
        "http://www.xiaohuar.com/hua/",
    ]
                    #response 里面封装着所有返回的数据
    def parse(self, response):  # 回调函数
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())

        current_url = response.url # 当前请求的url
        body = response.body # 当前返回的内容
        unicode_body = response.body_as_unicode() # 编码
        print body

3、运行

进入project_name目录，运行命令

scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os
 
 
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]
 
    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去
 
        hxs = HtmlXPathSelector(response)
 
        # 如果url是 http://www.xiaohuar.com/list-1-\\d+.html
        if re.match(\'http://www.xiaohuar.com/list-1-\\d+.html\', response.url):
            items = hxs.select(\'//div[@class="item_list infinite_scroll"]/div\')
            for i in range(len(items)):
                src = hxs.select(\'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src\' % i).extract()
                name = hxs.select(\'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()\' % i).extract()
                school = hxs.select(\'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()\' % i).extract()
                if src:
                    ab_src = "http://www.xiaohuar.com" + src[0]
                    file_name = "%s_%s.jpg" % (school[0].encode(\'utf-8\'), name[0].encode(\'utf-8\'))
                    file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
                    urllib.urlretrieve(ab_src, file_path)
 
        # 获取所有的url，继续访问，并在其中寻找相同的url
        all_urls = hxs.select(\'//a/@href\').extract()
        for url in all_urls:
            if url.startswith(\'http://www.xiaohuar.com/list-1-\'):
                yield Request(url, callback=self.parse)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1  深度

 两种定义查找的方式：

1, 即将过期的

 from scrapy.selector import HtmlXPathSelector
                hxs = HtmlXPathSelector(response)  # 即将过期了
                items = hxs.select(\'//div[@class="item_list infinite_scroll"]/div\')

2，建议使用

from scrapy.selector import Selector # 推荐使用这一种
                ret = Selector(response=response).xpath(\'//div[@class="item_listinfinite_scroll"]/div\')

3， 选择器规则

selector：

        // 子子孙孙

        / 孩子

        //div[@class=\'c1\'][@id=\'i1\']  属性选择器

        //div//img/@src  获取src属性

         //div//a[1]  索引 第一个
        
        //div//a[1]//text()  内容
    
        ----- obj.extract() 真实的内容

        ===== 正则表达式
        
        //.select(\'div//a[1]\').re(\'昵称：(\\w+)\')

         <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>

         \'//li[re:test(@class, "item-\\d*")]//@href\'

问题实例：　

重复url 不访问
        url加密 -》  集合set
            nid  加密值(索引) 原来的的值        
            new_url ==> 加密 

如何递归 
        DEPTH_LIMIT = 1 深度

        from scrapy.selector import Selector

            url_list = Selector(response=response).xpath(\'//a/#href\')

            for url in url_list:  #  DEPTH_LIMIT = 1 深度

                    yield scrapy.Request(url=url,callback=self.parse)

内容格式化

 spider url规则    把自己的保存功能拆分到 pipelines  通过契约 items

1，yiled request() 交给下载器

#!/usr/bin/python
# -*- coding: UTF-8 -*-

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
import urllib
import os
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s2"  # 命名
    # allowed_domains = ["xiaohuar.com"]
    start_urls = [ # 起始url 内部是for循环
        "http://www.xiaohuar.com/hua/",
    ]
    def parse(self, response):  # 回调函数
        current_url = response.url # 当前请求的url
        body = response.body # 当前返回的内容
        unicode_body = response.body_as_unicode() # 编码
        # 去body中获取所有url
        from scrapy.selector import Selector
        url_list = Selector(response=response).xpath(\'//a/#href\')
        for url in url_list:  #  DEPTH_LIMIT = 1 深度
            yield scrapy.Request(url=url,callback=self.parse)

2, yiled item()  交给 pipeline

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
import urllib
import os
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s2"  # 命名
    # allowed_domains = ["xiaohuar.com"]
    start_urls = [ # 起始url 内部是for循环
        "http://www.xiaohuar.com/hua/",
    ]
                    #response 里面封装着所有返回的数据
    def parse(self, response):  # 回调函数
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())
        current_url = response.url # 当前请求的url
        from scrapy.selector import HtmlXPathSelector
        hxs = HtmlXPathSelector(response)  # 即将过期了
        items = hxs.select(\'//div[@class="item_list infinite_scroll"]/div\')
        for i in range(len(items)):  # extract()  拿里面真实的东西
            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()
            print names,srcs,schools
            if srcs and names and schools:
                print names[0],schools[0],srcs[0]
                try:
                    from spider1 import items
                    obj = items.Spider1Item()
                    obj[\'name\'] = names[0]
                    obj[\'src\'] = srcs[0]
                    obj[\'school\'] = schools[0]
                    yield obj
                except Exception as e:
                    print e
# ret = [/uhdsjdnsd]
# print ret  uicod的表示
# print ret[0] 字符串

items 契约

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

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

import scrapy
class Spider1Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    src = scrapy.Field()
    school = scrapy.Field()

pipeline  保存

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

# Define your item pipelines here
#
# Don\'t forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

class Spider1Pipeline(object):
    def process_item(self, item, spider):
        ab_src = "http://www.xiaohuar.com" + item[\'src\']  # 前缀
        file_name = item[\'name\'].encode(\'utf-8\') + \'.jpg\'
        import os
        import urllib
        file_path = os.path.join(\'D:\\\\\',file_name)
        # file_name = "%s_%s.jpg" % (schools[0].encode(\'utf-8\'), names[0].encode(\'utf-8\'))
        # file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
        urllib.urlretrieve(ab_src, file_path) # 保存 地址和 路劲
        return item

生命流程图