爬虫必备—Scrapy
Posted 三百六十行，行行转IT
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫必备—Scrapy相关的知识，希望对你有一定的参考价值。
一、Scrapy简介
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：
- 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
二、安装
1 Linux 2 pip3 install scrapy 3 4 5 Windows 6 a. pip3 install wheel 7 b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 8 c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl 9 d. pip3 install scrapy 10 e. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/
三、基本使用
1. 基本命令
1. scrapy startproject 项目名称 - 在当前目录中创建中创建一个项目文件（类似于Django） 2. scrapy genspider [-t template] <name> <domain> - 创建爬虫应用 如： scrapy gensipider -t basic oldboy oldboy.com scrapy gensipider -t xmlfeed autohome autohome.com.cn PS: 查看所有命令：scrapy gensipider -l 查看模板命令：scrapy gensipider -d 模板名称 3. scrapy list - 展示爬虫应用列表 4. scrapy crawl 爬虫应用名称 - 运行单独爬虫应用
2. 项目结构及爬虫应用简介
2.1. 目录结构
project_name/ scrapy.cfg project_name/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py 爬虫1.py 爬虫2.py 爬虫3.py
2.2. 文件说明
- scrapy.cfg 项目的主配置信息。（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
2.3. 示例
1 import scrapy 2 3 class XiaoHuarSpider(scrapy.spiders.Spider): 4 name = "xiaohuar" # 爬虫名称 ***** 5 allowed_domains = ["xiaohuar.com"] # 允许的域名 6 start_urls = [ 7 "http://www.xiaohuar.com/hua/", # URL 8 ] 9 10 def parse(self, response): 11 # 访问起始URL并获取结果后的回调函数
若在Windows系统上若出现编码错误，解决方法如下：
1 import sys,os 2 3 sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding=\'gb18030\')
3. 小试牛刀
1 import scrapy 2 from scrapy.selector import htmlXPathSelector 3 from scrapy.http.request import Request 4 5 6 class DigSpider(scrapy.Spider): 7 # 爬虫应用的名称，通过此名称启动爬虫命令 8 name = "dig" 9 10 # 允许的域名 11 allowed_domains = ["chouti.com"] 12 13 # 起始URL 14 start_urls = [ 15 \'http://dig.chouti.com/\', 16 ] 17 18 has_request_set = {} 19 20 def parse(self, response): 21 print(response.url) 22 23 hxs = HtmlXPathSelector(response) 24 page_list = hxs.select(\'//div[@id="dig_lcpage"]//a[re:test(@href, "/all/hot/recent/\\d+")]/@href\').extract() 25 for page in page_list: 26 page_url = \'http://dig.chouti.com%s\' % page 27 key = self.md5(page_url) 28 if key in self.has_request_set: 29 pass 30 else: 31 self.has_request_set[key] = page_url 32 obj = Request(url=page_url, method=\'GET\', callback=self.parse) 33 yield obj 34 35 @staticmethod 36 def md5(val): 37 import hashlib 38 ha = hashlib.md5() 39 ha.update(bytes(val, encoding=\'utf-8\')) 40 key = ha.hexdigest() 41 return key
执行此爬虫文件，则在终端进入项目目录执行如下命令：
1 scrapy crawl dig --nolog
对于上述代码重要之处在于：
- Request是一个封装用户请求的类，在回调函数中yield该对象表示继续访问
- HtmlXpathSelector用于结构化HTML代码并提供选择器功能
4. 选择器
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 from scrapy.selector import Selector, HtmlXPathSelector 4 from scrapy.http import HtmlResponse 5 html = """<!DOCTYPE html> 6 <html> 7 <head lang="en"> 8 <meta charset="UTF-8"> 9 <title></title> 10 </head> 11 <body> 12 <ul> 13 <li class="item-"><a id=\'i1\' href="link.html">first item</a></li> 14 <li class="item-0"><a id=\'i2\' href="llink.html">first item</a></li> 15 <li class="item-1"><a href="llink2.html">second item<span>vv</span></a></li> 16 </ul> 17 <div><a href="llink2.html">second item</a></div> 18 </body> 19 </html> 20 """ 21 response = HtmlResponse(url=\'http://example.com\', body=html,encoding=\'utf-8\') 22 # hxs = HtmlXPathSelector(response) 23 # print(hxs) 24 # hxs = Selector(response=response).xpath(\'//a\') 25 # print(hxs) 26 # hxs = Selector(response=response).xpath(\'//a[2]\') 27 # print(hxs) 28 # hxs = Selector(response=response).xpath(\'//a[@id]\') 29 # print(hxs) 30 # hxs = Selector(response=response).xpath(\'//a[@id="i1"]\') 31 # print(hxs) 32 # hxs = Selector(response=response).xpath(\'//a[@href="link.html"][@id="i1"]\') 33 # print(hxs) 34 # hxs = Selector(response=response).xpath(\'//a[contains(@href, "link")]\') 35 # print(hxs) 36 # hxs = Selector(response=response).xpath(\'//a[starts-with(@href, "link")]\') 37 # print(hxs) 38 # hxs = Selector(response=response).xpath(\'//a[re:test(@id, "i\\d+")]\') 39 # print(hxs) 40 # hxs = Selector(response=response).xpath(\'//a[re:test(@id, "i\\d+")]/text()\').extract() 41 # print(hxs) 42 # hxs = Selector(response=response).xpath(\'//a[re:test(@id, "i\\d+")]/@href\').extract() 43 # print(hxs) 44 # hxs = Selector(response=response).xpath(\'/html/body/ul/li/a/@href\').extract() 45 # print(hxs) 46 # hxs = Selector(response=response).xpath(\'//body/ul/li/a/@href\').extract_first() 47 # print(hxs) 48 49 # ul_list = Selector(response=response).xpath(\'//body/ul/li\') 50 # for item in ul_list: 51 # v = item.xpath(\'./a/span\') 52 # # 或 53 # # v = item.xpath(\'a/span\') 54 # # 或 55 # # v = item.xpath(\'*/a/span\') 56 # print(v)
5. 登陆抽屉实现自动点赞或取消赞
1 # -*- coding: utf-8 -*- 2 import scrapy 3 import json 4 import urllib.parse 5 from scrapy.selector import Selector, HtmlXPathSelector 6 from scrapy.http import Request 7 8 9 class ChoutiSpider(scrapy.Spider): 10 name = \'chouti\' 11 allowed_domains = [\'dig.chouti.com\'] 12 start_urls = [\'http://dig.chouti.com/\'] 13 cookie_dict = {} 14 news_dict = {} 15 type = \'undo\' # 取消点赞undo，点赞do 16 17 def start_requests(self): 18 for url in self.start_urls: 19 yield Request(url, dont_filter=True, callback=self.login) 20 21 def login(self, response): 22 print(\'login...\\n\') 23 from scrapy.http.cookies import CookieJar 24 ck_jar = CookieJar() 25 ck_jar.extract_cookies(response, response.request) # 去响应中获取cookies 26 for k, v in ck_jar._cookies.items(): 27 for i, j in v.items(): 28 for m, n in j.items(): 29 self.cookie_dict[m] = n.value 30 print(self.cookie_dict,\'\\n\') 31 post_dict = { 32 \'phone\': 123456789, 33 \'password\': \'**********\', 34 \'oneMonth\': 1, 35 } 36 37 yield Request( 38 url=\'http://dig.chouti.com/login\', 39 method=\'POST\', 40 cookies=self.cookie_dict, 41 body=urllib.parse.urlencode(post_dict), 42 headers={\'Content-Type\': \'application/x-www-form-urlencoded; charset=UTF-8\'}, 43 callback=self.get_news 44 ) 45 46 def get_news(self, response): 47 yield Request(url=\'http://dig.chouti.com/\', cookies=self.cookie_dict, callback=self.do) 48 49 def do(self, response): 50 hxs = Selector(response) 51 link_id_list = hxs.xpath(\'//div[@class="part2"]/@share-linkid\').extract() 52 print(link_id_list) 53 undo_url = \'http://dig.chouti.com/vote/cancel/vote.do\' 54 for link_id in link_id_list: 55 if self.type == \'undo\': 56 print(\'undo.........\\n\') 57 post_dict = {\'linksId\': link_id} 58 yield Request( 59 undo_url, method=\'POST\', 60 cookies=self.cookie_dict, 61 body=urllib.parse.urlencode(post_dict), 62 headers={\'Content-Type\': \'application/x-www-form-urlencoded; charset=UTF-8\'}, 63 callback=self.showret) 64 else: 65 print(\'dododod.......\\n\') 66 thumb_url = "http://dig.chouti.com/link/vote?linksId=%s" % (link_id,) 67 yield Request(thumb_url, method=\'POST\', cookies=self.cookie_dict, callback=self.showret) 68 page_list = hxs.xpath(\'//a[@class="ct_pagepa"]/@href\').extract() 69 for page in page_list: 70 # http://dig.chouti.com/all/hot/recent/2 71 page_url = \'http://dig.chouti.com%s\' %(page,) 72 yield Request(page_url, method=\'GET\', callback=self.do) 73 74 75 def showret(self, response): 76 print(\'show...\\n\', response.text)
注意：settings.py中设置DEPTH_LIMIT = 1来指定“递归”的层数，即只操作当前页。
6. 格式处理
上述实例只是简单的处理，所以在parse方法中直接处理。如果对于想要获取更多的数据处理，则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。
1 import scrapy 2 from scrapy.selector import HtmlXPathSelector 3 from scrapy.http.request import Request 4 from scrapy.http.cookies import CookieJar 5 from scrapy import FormRequest 6 7 8 class XiaoHuarSpider(scrapy.Spider): 9 # 爬虫应用的名称，通过此名称启动爬虫命令 10 name = "xiaohuar" 11 # 允许的域名 12 allowed_domains = ["xiaohuar.com"] 13 14 start_urls = [ 15 "http://www.xiaohuar.com/list-1-1.html", 16 ] 17 # custom_settings = { 18 # \'ITEM_PIPELINES\':{ 19 # \'spider1.pipelines.JsonPipeline\': 100 20 # } 21 # } 22 has_request_set = {} 23 24 def parse(self, response): 25 # 分析页面 26 # 找到页面中符合规则的内容（校花图片），保存 27 # 找到所有的a标签，再访问其他a标签，一层一层的搞下去 28 29 hxs = HtmlXPathSelector(response) 30 31 items = hxs.select(\'//div[@class="item_list infinite_scroll"]/div\') 32 for item in items: 33 src = item.select(\'.//div[@class="img"]/a/img/@src\').extract_first() 34 name = item.select(\'.//div[@class="img"]/span/text()\').extract_first() 35 school = item.select(\'.//div[@class="img"]/div[@class="btns"]/a/text()\').extract_first() 36 url = "http://www.xiaohuar.com%s" % src 37 from ..items import XiaoHuarItem 38 obj = XiaoHuarItem(name=name, school=school, url=url) 39 yield obj 40 41 urls = hxs.select(\'//a[re:test(@href, "http://www.xiaohuar.com/list-1-\\d+.html")]/@href\') 42 for url in urls: 43 key = self.md5(url) 44 if key in self.has_request_set: 45 pass 46 else: 47 self.has_request_set[key] = url 48 req = Request(url=url,method=\'GET\',callback=self.parse) 49 yield req 50 51 @staticmethod 52 def md5(val): 53 import hashlib 54 ha = hashlib.md5() 55 ha.update(bytes(val, encoding=\'utf-8\')) 56 key = ha.hexdigest() 57 return key
1 import scrapy 2 3 4 class XiaoHuarItem(scrapy.Item): 5 name = scrapy.Field() 6 school = scrapy.Field() 7 url = scrapy.Field()
1 import json 2 import os 3 import requests 4 5 6 class JsonPipeline(object): 7 def __init__(self): 8 self.file = open(\'xiaohua.txt\', \'w\') 9 10 def process_item(self, item, spider): 11 v = json.dumps(dict(item), ensure_ascii=False) 12 self.file.write(v) 13 self.file.write(\'\\n\') 14 self.file.flush() 15 return item 16 17 18 class FilePipeline(object): 19 def __init__(self): 20 if not os.path.exists(\'imgs\'): 21 os.makedirs(\'imgs\') 22 23 def process_item(self, item, spider): 24 response = requests.get(item[\'url\'], stream=True) 25 file_name = \'%s_%s.jpg\' % (item[\'name\'], item[\'school\']) 26 with open(os.path.join(\'imgs\', file_name), mode=\'wb\') as f: 27 f.write(response.content) 28 return item
1 ITEM_PIPELINES = { 2 \'spider1.pipelines.JsonPipeline\': 100, 3 \'spider1.pipelines.FilePipeline\': 300, 4 } 5 # 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。
对于pipeline可以做更多，如下：
❤️爬虫必备-＞Scrapy框架从黑铁到王者❤️初篇——万字博文详解(建议收藏)