【數(shù)據(jù)分析】干貨！一文教會你 Scrapy 爬蟲框架的基本使用

作者：葉庭云?

編輯：Lemon

一、scrapy 爬蟲框架介紹

在編寫爬蟲的時候，如果我們使用 requests、aiohttp 等庫，需要從頭至尾把爬蟲完整地實現(xiàn)一遍，比如說異常處理、爬取調(diào)度等，如果寫的多了，的確會比較麻煩。利用現(xiàn)有的爬蟲框架，可以提高編寫爬蟲的效率，而說到 Python 的爬蟲框架，Scrapy 當(dāng)之無愧是最流行最強大的爬蟲框架了。

scrapy 介紹

Scrapy 是一個基于 Twisted 的異步處理框架，是純 Python 實現(xiàn)的爬蟲框架，其架構(gòu)清晰，模塊之間的耦合程度低，可擴展性極強，可以靈活完成各種需求。我們只需要定制開發(fā)幾個模塊就可以輕松實現(xiàn)一個爬蟲。

scrapy 爬蟲框架的架構(gòu)如下圖所示：

它有如下幾個部分：

• Scrapy Engine（引擎）：用來處理整個系統(tǒng)的數(shù)據(jù)流處理、觸發(fā)事務(wù)，是整個框架的核心。
• Item（項目）：定義了爬取結(jié)果的數(shù)據(jù)結(jié)構(gòu)，爬取的數(shù)據(jù)會被賦值成該對象。
• Scheduler（調(diào)度器）：用來接受引擎發(fā)過來的請求并加入隊列中，并在引擎再次請求的時候提供給引擎。
• Item Pipeline（項目管道）：負責(zé)處理由蜘蛛從網(wǎng)頁中抽取的項目，它的主要任務(wù)是清洗、驗證和存儲數(shù)據(jù)。
• Downloader（下載器）：用于下載網(wǎng)頁內(nèi)容，并將網(wǎng)頁內(nèi)容返回給 Spiders。
• Spiders（蜘蛛）：其內(nèi)定義了爬取的邏輯和網(wǎng)頁的解析規(guī)則，它主要負責(zé)解析響應(yīng)并生成提取結(jié)果和新的請求。
• Downloader Middlewares（下載器中間件）：位于引擎和下載器之間的鉤子框架，主要是處理引擎與下載器之間的請求及響應(yīng)。
• Spider Middlewares（Spiders 中間件）：位于引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛輸入的響應(yīng)和輸出的結(jié)果及新的請求。

Scrapy 數(shù)據(jù)流機制

scrapy 中的數(shù)據(jù)流由引擎控制，其過程如下：

• Engine 首先打開一個網(wǎng)站，找到處理該網(wǎng)站的 Spider 并向該 Spider 請求第一個要爬取的 URL。
• Engine 從 Spider 中獲取到第一個要爬取的 URL 并通過 Scheduler 以 Request 的形式調(diào)度。
• Engine 向 Scheduler 請求下一個要爬取的 URL。
• Scheduler 返回下一個要爬取的 URL 給 Engine，Engine 將 URL 通過 Downloader Middlewares 轉(zhuǎn)發(fā)給 Downloader 下載。
• 一旦頁面下載完畢， Downloader 生成一個該頁面的 Response，并將其通過 Downloader Middlewares 發(fā)送給 Engine。
• Engine 從下載器中接收到 Response 并通過 Spider Middlewares 發(fā)送給 Spider 處理。
• Spider 處理 Response 并返回爬取到的 Item 及新的 Request 給 Engine。
• Engine 將 Spider 返回的 Item 給 Item Pipeline，將新的 Request 給 Scheduler。
• 重復(fù)第二步到最后一步，直到 Scheduler 中沒有更多的 Request，Engine 關(guān)閉該網(wǎng)站，爬取結(jié)束。

通過多個組件的相互協(xié)作、不同組件完成工作的不同、組件很好地支持異步處理，scrapy 最大限度地利用了網(wǎng)絡(luò)帶寬，大大提高了數(shù)據(jù)爬取和處理的效率。

二、scrapy 的安裝和創(chuàng)建項目

pip?install?Scrapy?-i?http://pypi.douban.com/simple?--trusted-host?pypi.douban.com

安裝方法參考官方文檔：https://docs.scrapy.org/en/latest/intro/install.html

安裝完成之后，如果可以正常使用 scrapy 命令，那就是安裝成功了。

Scrapy 是框架，已經(jīng)幫我們預(yù)先配置好了很多可用的組件和編寫爬蟲時所用的腳手架，也就是預(yù)生成一個項目框架，我們可以基于這個框架來快速編寫爬蟲。

Scrapy 框架是通過命令行來創(chuàng)建項目的，創(chuàng)建項目的命令如下：

scrapy?startproject?practice

命令執(zhí)行后，在當(dāng)前運行目錄下便會出現(xiàn)一個文件夾，叫作 practice ，這就是一個Scrapy 項目框架，我們可以基于這個項目框架來編寫爬蟲。

project/
?__pycache__
??spiders/
???__pycache__
????????__init__.py
????????spider1.py
????????spider2.py
????????...
????__init__.py
????items.py
????middlewares.py
????pipelines.py
????settings.py
scrapy.cfg

各個文件的功能描述如下：

• scrapy.cfg：它是 Scrapy 項目的配置文件，其內(nèi)定義了項目的配置文件路徑、部署相關(guān)信息等內(nèi)容。
• items.py：它定義 Item 數(shù)據(jù)結(jié)構(gòu)，所有的 Item 的定義都可以放這里。
• pipelines.py：它定義 Item Pipeline 的實現(xiàn)，所有的 Item Pipeline 的實現(xiàn)都可以放這里。
• settings.py：它定義項目的全局配置。
• middlewares.py：它定義 Spider Middlewares 和 Downloader Middlewares 的實現(xiàn)。
• spiders：其內(nèi)包含一個個 Spider 的實現(xiàn)，每個 Spider 都有一個文件。

三、scrapy 的基本使用

實例 1：爬取 Quotes

• 創(chuàng)建一個 Scrapy 項目。
• 創(chuàng)建一個 Spider 來抓取站點和處理數(shù)據(jù)。
• 通過命令行運行，將抓取的內(nèi)容導(dǎo)出。

目標URL：http://quotes.toscrape.com/

創(chuàng)建項目

創(chuàng)建一個 scrapy 項目，項目文件可以直接用 scrapy 命令生成，命令如下所示：

scrapy?startproject?practice?

創(chuàng)建 Spider

Spider 是自己定義的類，scrapy 用它從網(wǎng)頁里抓取內(nèi)容，并解析抓取的結(jié)果。這個類必須繼承 Scrapy 提供的Spider 類 scrapy.Spider ，還要定義 Spider 的名稱和起始請求，以及怎樣處理爬取后的結(jié)果的方法。

使用命令行創(chuàng)建一個 Spider，命令如下：

cd?practice
scrapy?genspider?quotes?quotes.toscrape.com

切換路徑到剛才創(chuàng)建的 practice 文件夾，然后執(zhí)行 genspider 命令。第一個參數(shù)是 Spider 的名稱，第二個參數(shù)是網(wǎng)站域名。執(zhí)行完畢之后，spiders 文件夾中多了一個quotes.py，它就是剛剛創(chuàng)建的 Spider，內(nèi)容如下：

import?scrapy

class?QuotesSpider(scrapy.Spider):
????name?=?"quotes"
????allowed_domains?=?["quotes.toscrape.com"]
????start_urls?=?['http://quotes.toscrape.com/']

????def?parse(self,?response):
????????pass

可以看到 quotes.py 里有三個屬性—— name、allowed_domains 和 start_urls，還有一個方法 parse。

• name：它是每個項目唯一的名字，用來區(qū)分不同的 Spider。
• allowed_domains：它是允許爬取的域名，如果初始或后續(xù)的請求鏈接不是這個域名下的，則請求鏈接會被過濾掉。
• start_urls：它包含了 Spider 在啟動時爬取的 url 列表，初始請求是由它來定義的。
• parse：它是 Spider 的一個方法。默認情況下，被調(diào)用時 start_urls 里面的鏈接構(gòu)成的請求完成下載執(zhí)行后，返回的響應(yīng)就會作為唯一的參數(shù)傳遞給這個函數(shù)。該方法負責(zé)解析返回的響應(yīng)、提取數(shù)據(jù)或者進一步生成要處理的請求。

創(chuàng)建 Item

Item 是保存爬取數(shù)據(jù)的容器，它的使用方法和字典類似。不過，相比字典，Item 多了額外的保護機制，可以避免拼寫錯誤或者定義字段錯誤。

創(chuàng)建 Item 需要繼承 scrapy.Item 類，并且定義類型為 scrapy.Field 的字段。觀察目標網(wǎng)站，我們可以獲取到的內(nèi)容有 text、author、tags。

定義 Item ，此時進入 items.py 修改如下：

import?scrapy

class?QuoteItem(scrapy.Item):
????text?=?scrapy.Field()
????author?=?scrapy.Field()
????tags?=?scrapy.Field()

定義了三個字段，并將類的名稱修改為 QuoteItem ，接下來爬取時會使用到這個 Item。

解析 Response

parse 方法的參數(shù) response 是 start_urls 里面的鏈接爬取后的結(jié)果。所以在 parse 方法中，我們可以直接對 response 變量包含的內(nèi)容進行解析，比如瀏覽請求結(jié)果的網(wǎng)頁源代碼，或者進一步分析源代碼內(nèi)容，或者找出結(jié)果中的鏈接而得到下一個請求。

可以看到網(wǎng)頁中既有想要提取的數(shù)據(jù)，又有下一頁的鏈接，這兩部分內(nèi)容都可以進行處理。

首先看看網(wǎng)頁結(jié)構(gòu)，如圖所示。每一頁都有多個 class 為 quote 的區(qū)塊，每個區(qū)塊內(nèi)都包含 text、author、tags。那么我們先找出所有的 quote，然后提取每一個 quote 中的內(nèi)容。

提取數(shù)據(jù)的方式可以是 CSS 選擇器 或 XPath 選擇器

使用 Item

上文定義了 Item，接下來就要使用它了。Item 可以理解為一個字典，不過在聲明的時候需要實例化。然后依次用剛才解析的結(jié)果賦值 Item 的每一個字段，最后將 Item 返回即可。

import?scrapy
from?practice.items?import?QuoteItem


class?QuotesSpider(scrapy.Spider):
????name?=?'quotes'
????allowed_domains?=?['quotes.toscrape.com']
????start_urls?=?['http://quotes.toscrape.com/']

????def?parse(self,?response,?**kwargs):
????????quotes?=?response.css('.quote')
????????for?quote?in?quotes:
????????????item?=?QuoteItem()
????????????item['text']?=?quote.css('.text::text').extract_first()
????????????item['author']?=?quote.css('.author::text').extract_first()
????????????item['tags']?=?quote.css('.tags?.tag::text').extract()
????????????yield?item

后續(xù) Request

上面的操作實現(xiàn)了從初始頁面抓取內(nèi)容。實現(xiàn)翻頁爬取，這就需要從當(dāng)前頁面中找到信息來生成下一個請求，然后在下一個請求的頁面里找到信息再構(gòu)造下一個請求。這樣循環(huán)往復(fù)迭代，從而實現(xiàn)整站的爬取。

查看網(wǎng)頁源代碼，可以發(fā)現(xiàn)下一頁的鏈接是 /page/2/，但實際上全鏈接為：http://quotes.toscrape.com/page/2/，通過這個鏈接就可以構(gòu)造下一個請求。

構(gòu)造請求時需要用到 scrapy.Request。這里我們傳遞兩個參數(shù)——url 和 callback，這兩個參數(shù)的說明如下：

• url：它是請求鏈接
• callback：它是回調(diào)函數(shù)。當(dāng)指定了該回調(diào)函數(shù)的請求完成之后，獲取到響應(yīng)，引擎會將該響應(yīng)作為參數(shù)傳遞給這個回調(diào)函數(shù)?；卣{(diào)函數(shù)進行解析或生成下一個請求，回調(diào)函數(shù)如上文的 parse() 所示。

由于 parse 就是解析 text、author、tags 的方法，而下一頁的結(jié)構(gòu)和剛才已經(jīng)解析的頁面結(jié)構(gòu)是一樣的，所以我們可以再次使用 parse 方法來做頁面解析。

"""
@Author ?：葉庭云
@Date ???：2020/10/2 11:40
@CSDN ???：https://blog.csdn.net/fyfugoyfa
"""
import?scrapy
from?practice.items?import?QuoteItem


class?QuotesSpider(scrapy.Spider):
????name?=?'quotes'
????allowed_domains?=?['quotes.toscrape.com']
????start_urls?=?['http://quotes.toscrape.com/']

????def?parse(self,?response,?**kwargs):
????????quotes?=?response.css('.quote')
????????for?quote?in?quotes:
????????????item?=?QuoteItem()
????????????item['text']?=?quote.css('.text::text').extract_first()
????????????item['author']?=?quote.css('.author::text').extract_first()
????????????item['tags']?=?quote.css('.tags?.tag::text').extract()
????????????yield?item
????????next_page?=?response.css('.pager?.next?a::attr("href")').extract_first()
????????next_url?=?response.urljoin(next_page)
????????yield?scrapy.Request(url=next_url,?callback=self.parse)

運行

接下來，進入目錄，運行如下命令：

scrapy?crawl?quotes?-o?quotes.csv

命令運行后，項目內(nèi)多了一個 quotes.csv 文件，文件包含了剛才抓取的所有內(nèi)容。

輸出格式還支持很多種，例如 json、xml、pickle、marshal 等，還支持 ftp、s3 等遠程輸出，另外還可以通過自定義 ItemExporter 來實現(xiàn)其他的輸出。

scrapy?crawl?quotes?-o?quotes.json
scrapy?crawl?quotes?-o?quotes.xml
scrapy?crawl?quotes?-o?quotes.pickle
scrapy?crawl?quotes?-o?quotes.marshal
scrapy?crawl?quotes?-o?ftp://user:pass@ftp.example.com/path/to/quotes.csv

其中，ftp 輸出需要正確配置用戶名、密碼、地址、輸出路徑，否則會報錯。

通過 scrapy 提供的 Feed Exports，我們可以輕松地輸出抓取結(jié)果到文件，對于一些小型項目來說，這應(yīng)該足夠了。不過如果想要更復(fù)雜的輸出，如輸出到數(shù)據(jù)庫等，可以靈活使用 Item Pileline 來完成。

實例 2：爬取圖片

目標URL：http://sc.chinaz.com/tupian/dangaotupian.html

創(chuàng)建項目

scrapy?startproject?get_img
cd?get_img
scrapy?genspider?img_spider?sc.chinaz.com

構(gòu)造請求

img_spider.py 中定義 start_requests() 方法，比如爬取這個網(wǎng)站里的蛋糕圖片，爬取頁數(shù)為 10 ，生成 10 次請求，如下所示：

????def?start_requests(self):
????????for?i?in?range(1,?11):
????????????if?i?==?1:
????????????????url?=?'http://sc.chinaz.com/tupian/dangaotupian.html'
????????????else:
????????????????url?=?f'http://sc.chinaz.com/tupian/dangaotupian_{i}.html'
????????????yield?scrapy.Request(url,?self.parse)

編寫 items.py

import?scrapy


class?GetImgItem(scrapy.Item):
????img_url?=?scrapy.Field()
????img_name?=?scrapy.Field()

編寫 img_spider.py

Spider 類定義了如何爬取某個(或某些)網(wǎng)站，包括了爬取的動作(例如：是否跟進鏈接)以及如何從網(wǎng)頁的內(nèi)容中提取結(jié)構(gòu)化數(shù)據(jù)(抓取item)

"""
@Author ?：葉庭云
@Date ???：2020/10/2 11:40
@CSDN ???：https://blog.csdn.net/fyfugoyfa
"""
import?scrapy
from?get_img.items?import?GetImgItem


class?ImgSpiderSpider(scrapy.Spider):
????name?=?'img_spider'

????def?start_requests(self):
????????for?i?in?range(1,?11):
????????????if?i?==?1:
????????????????url?=?'http://sc.chinaz.com/tupian/dangaotupian.html'
????????????else:
????????????????url?=?f'http://sc.chinaz.com/tupian/dangaotupian_{i}.html'
????????????yield?scrapy.Request(url,?self.parse)

????def?parse(self,?response,?**kwargs):
????????src_list?=?response.xpath('//div[@id="container"]/div/div/a/img/@src2').extract()
????????alt_list?=?response.xpath('//div[@id="container"]/div/div/a/img/@alt').extract()
????????for?alt,?src?in?zip(alt_list,?src_list):
????????????item?=?GetImgItem()???????#?生成item對象
????????????#?賦值
????????????item['img_url']?=?src
????????????item['img_name']?=?alt
????????????yield?item

編寫管道文件 pipelines.py

Scrapy 提供了專門處理下載的 Pipeline ，包括文件下載和圖片下載。下載文件和圖片的原理與抓取頁面的原理一樣，因此下載過程支持異步和多線程，十分高效。

from?scrapy.pipelines.images?import?ImagesPipeline??#?scrapy圖片下載器
from?scrapy?import?Request
from?scrapy.exceptions?import?DropItem

class?GetImgPipeline(ImagesPipeline):
????#?請求下載圖片
????def?get_media_requests(self,?item,?info):
????????yield?Request(item['img_url'],?meta={'name':?item['img_name']})

????def?item_completed(self,?results,?item,?info):
????????#?分析下載結(jié)果并剔除下載失敗的圖片
????????image_paths?=?[x['path']?for?ok,?x?in?results?if?ok]
????????if?not?image_paths:
????????????raise?DropItem("Item?contains?no?images")
????????return?item

????#?重寫file_path方法，將圖片以原來的名稱和格式進行保存
????def?file_path(self,?request,?response=None,?info=None):
????????name?=?request.meta['name']??#?接收上面meta傳遞過來的圖片名稱
????????file_name?=?name?+?'.jpg'????#?添加圖片后綴名
????????return?file_name

在這里實現(xiàn)了 GetImagPipeline，繼承 Scrapy 內(nèi)置的 ImagesPipeline，重寫了下面幾個方法：

• get_media_requests()。它的第一個參數(shù) item 是爬取生成的 Item 對象。我們將它的 url 字段取出來，然后直接生成 Request 對象。此 Request 加入調(diào)度隊列，等待被調(diào)度，執(zhí)行下載。
• item_completed()，它是當(dāng)單個 Item 完成下載時的處理方法。因為可能有個別圖片未成功下載，所以需要分析下載結(jié)果并剔除下載失敗的圖片。該方法的第一個參數(shù) results 就是該 Item 對應(yīng)的下載結(jié)果，它是一個列表形式，列表每一個元素是一個元組，其中包含了下載成功或失敗的信息。這里我們遍歷下載結(jié)果找出所有成功的下載列表。如果列表為空，那么說明該 Item 對應(yīng)的圖片下載失敗了，隨即拋出異常DropItem，該 Item 忽略。否則返回該 Item，說明此 Item 有效。
• file_path()，它的第一個參數(shù) request 就是當(dāng)前下載對應(yīng)的 Request 對象。這個方法用來返回保存的文件名，接收上面meta傳遞過來的圖片名稱，將圖片以原來的名稱和定義格式進行保存。

配置文件 settings.py

#?setting.py

BOT_NAME?=?'get_img'

SPIDER_MODULES?=?['get_img.spiders']
NEWSPIDER_MODULE?=?'get_img.spiders'

#?Crawl?responsibly?by?identifying?yourself?(and?your?website)?on?the?user-agent
USER_AGENT?=?'Mozilla/5.0?(Windows?NT?6.1;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/58.0.3029.110?Safari/537.36'

#?Obey?robots.txt?rules
ROBOTSTXT_OBEY?=?False

#?Configure?maximum?concurrent?requests?performed?by?Scrapy?(default:?16)
CONCURRENT_REQUESTS?=?32

#?Configure?a?delay?for?requests?for?the?same?website?(default:?0)
#?See?https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
#?See?also?autothrottle?settings?and?docs
DOWNLOAD_DELAY?=?0.25

#?Configure?item?pipelines
#?See?https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES?=?{
???'get_img.pipelines.GetImgPipeline':?300,
}

IMAGES_STORE?=?'./images'???#?設(shè)置保存圖片的路徑?會自動創(chuàng)建

運行程序：

#?切換路徑到img_spider的目錄
scrapy?crawl?img_spider

scrapy 框架爬蟲一邊爬取一邊下載，下載速度非?？?。

查看本地 images 文件夾，發(fā)現(xiàn)圖片都已經(jīng)成功下載，如圖所示：

到現(xiàn)在為止我們就大體知道了 Scrapy 的基本架構(gòu)并實操創(chuàng)建了一個 Scrapy 項目，編寫代碼進行了實例抓取，熟悉了 scrapy 爬蟲框架的基本使用。之后還需要更加詳細地了解和學(xué)習(xí) scrapy 的用法，感受它的強大。

作者簡介：

葉庭云

個人格言: 熱愛可抵歲月漫長

CSDN博客: https://blog.csdn.net/fyfugoyfa/