scrapy初探之爬取武sir首页博客

Posted 2020-11-10

一、爬虫

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。

二、scrapy框架

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：
1、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)
2、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
3、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)
4、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
5、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。
6、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。
7、 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。
8、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

三、scrapy实例

1、安装
在windows平台安装需要pywin32或64 的支持
Anaconda：一个python的大集合包，可安装爬虫相关的包
Anaconda下载地址：
http://continuum.io/downloads

安装过程中直接安装vscode，自行加入环境变量中
安装Scrapy：conda install scrapy
2、实例
1.创建项目（命令行cd至项目目录）
scrapy startproject cnblog
2.自动创建目录：

    cnblog/
       scrapy.cfg
       cnblog/
           __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

3.定义要爬取的字段（item.py）

import scrapy

class CnblogItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

    #博客名
    name = scrapy.Field()
    #博客链接
    data = scrapy.Field()
    #博客日期
    time = scrapy.Field()

4.写爬虫

在spiders目录下创建cnblog.py文件

import scrapy
from cnblog.items import CnblogItem

class CNBlogSpidle(scrapy.Spider):
    # 这是爬虫的名字，全局唯一
    name = "cnblog"

    # 这是爬虫开始干活的地址，必须是一个可迭代对象
    start_urls = [‘http://www.cnblogs.com/wupeiqi/‘]

    # 爬虫收到上面的地址后，就会发送requests请求，在收到服务器返回的内容后，就将内容传递给parse函数。在这里我们重写函数，达到我们想要的功能
    def parse(self, response):
        for line in response.xpath(‘//div[@class="day"]‘): #筛选首页中的博客
            item = CnblogItem()
            item[‘name‘] = line.xpath(‘.//div[@class="postTitle"]/a/text()‘).extract()  #获取博客名
            item[‘data‘] = line.xpath(‘.//a/@href‘).extract()[1]  #获取url
            item[‘time‘] = line.xpath(‘.//div[@class="dayTitle"]/a/text()‘).extract() #获取日期

            yield item      #将item返回

Scrapy中Response可以直接使用Xpath来解析数据，更多Xpath语法详见：http://www.w3school.com.cn/xpath/xpath_syntax.asp
筛选规则需要通过分析html写出。

5.处理爬虫返回的数据(pipelines.py)

import os
import urllib.request

class CnblogPipeline(object):

    def process_item(self, item, spider):     
        #用request模块获取爬来的地址的博客
        html = urllib.request.urlopen(item[‘data‘]).read()
        #文件名拼接（item对象为列表形式，取出其字符串）
        file_name = os.path.join(‘D:\Temp‘,item[‘name‘][0]+‘.html‘)
        #保存博客（爬取的内容为二进制，wb写入）
        with open(file_name,‘wb‘) as f:
            f.write(html)

6.配置文件(settiings.py)

BOT_NAME = ‘cnblog‘

SPIDER_MODULES = [‘cnblog.spiders‘]
NEWSPIDER_MODULE = ‘cnblog.spiders‘

# 设置请求头部
DEFAULT_REQUEST_HEADERS = {
    "User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;",
    ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8‘
}
# 不检测robots.txt文件（因为Scrapy遵循了robots规则，如果你想要获取的页面在robots中被禁止了，Scrapy是会忽略掉）
ROBOTSTXT_OBEY = False
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    ‘cnblog.pipelines.CnblogPipeline‘: 300,
}

7.执行爬虫

C:UsersLENOVOPycharmProjectsfullstack>cd cnblog
C:UsersLENOVOPycharmProjectsfullstackcnblog>scrapy crawl cnblog --nolog

8.结果输出