開源爬蟲框架 Scrapy 快速入門
一、Scrapy 簡介
1.1 Scrapy 框架
ENGIINE：整個(gè)框架的控制中心， 控制整個(gè)爬蟲的流程。根據(jù)不同的條件添加不同的事件（就是用的 Twisted） SCHEDULER：事件調(diào)度器 DOWNLOADER：接收爬蟲請(qǐng)求，從網(wǎng)上下載數(shù)據(jù) SPIDERS：發(fā)起爬蟲請(qǐng)求，并解析 DOWNLOADER返回的網(wǎng)頁內(nèi)容，同時(shí)和數(shù)據(jù)持久化進(jìn)行交互,需要開發(fā)者編寫ITEM PIPELINES：接收 SPIDERS解析的結(jié)構(gòu)化的字段，進(jìn)行持久化等操作，需要開發(fā)者編寫MIDDLEWARES： ENGIINE和SPIDERS、ENGIINE和DOWNLOADER之間一些額外的操作，hook 的方式提供給開發(fā)者
SPIDERS（要爬什么網(wǎng)站，怎么解析）和 ITEM PIPELINES（如何處理解析后的內(nèi)容）就可以了。其他的都是有框架幫你完成了。
1.2 Scrapy 數(shù)據(jù)流
1、SPIDERS 發(fā)爬蟲請(qǐng)求給 ENGIINE， 告訴它任務(wù)來了2、ENGIINE 將請(qǐng)求添加到 SCHEDULER 調(diào)度隊(duì)列里，說任務(wù)就交給你了，給我安排好3、SCHEDULER 看看手里的爬取請(qǐng)求很多，挑一個(gè)給 ENGIINE， 說大哥幫忙轉(zhuǎn)發(fā)給下載 DOWNLOADER4、ENGIINE：好的， DOWNLOADER 你的任務(wù)來了5、DOWNLOADER：開始下載了，下載好了。任務(wù)結(jié)果交給 ENGIINE6、ENGIINE 將結(jié)果給 SPIDERS，你的一個(gè)請(qǐng)求下載好了，快去解析吧7、SPIDERS：好的，解析產(chǎn)生了結(jié)果字段。又給 SPIDERS 轉(zhuǎn)發(fā)給 ITEM PIPELINES8、ITEM PIPELINES：接收到字段內(nèi)容，保存起來。ENGIINE 夾在中間當(dāng)傳話筒，能不能直接跳過？可以考慮跳過了會(huì)怎么樣。SCHEDULER的作用：任務(wù)調(diào)度， 控制任務(wù)的并發(fā)，防止機(jī)器處理不過來ENGIINE：就是基于Twisted框架, 當(dāng)事件來（比如轉(zhuǎn)發(fā)請(qǐng)求）的時(shí)候，通過回調(diào)的方式來執(zhí)行對(duì)應(yīng)的事件。ENGIINE讓所有操作變的統(tǒng)一，都是按照事件的方式來組織其他組件， 其他組件以低耦合的方式運(yùn)作；對(duì)于一種框架來說，無疑是必備的。
二、基礎(chǔ)：XPath
XPath 來解析網(wǎng)頁，提取內(nèi)容。2.1 HTML 節(jié)點(diǎn)和屬性
2.2 解析語法
a / b：‘/’ 在 xpath 里表示層級(jí)關(guān)系，左邊的 a 是父節(jié)點(diǎn)，右邊的 b 是子節(jié)點(diǎn) a // b：表示 a 下所有 b，直接或者間接的 [@]：選擇具有某個(gè)屬性的節(jié)點(diǎn) //div[@classs], //a[@x]：選擇具有 class 屬性的 div 節(jié)點(diǎn)、選擇具有 x屬性的 a 節(jié)點(diǎn) //div[@class="container"]：選擇具有 class 屬性的值為 container 的 div 節(jié)點(diǎn) //a[contains(@id, "abc")]：選擇 id 屬性里有 abc 的 a 標(biāo)簽
response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()
# 獲取所有class屬性（css）為taglist的div， 下一個(gè)層ul下的所有l(wèi)i下所有a下所有img標(biāo)簽下data-original屬性
# data-original這里放的是圖片的url地址
三、安裝部署
lxml：一個(gè)高效的 XML 和 HTML 解析器 parsel：一個(gè)寫在 lxml 上面的 html/xml 數(shù)據(jù)提取庫 w3lib：用于處理 URL 和網(wǎng)頁編碼的多用途幫助程序 twisted：異步網(wǎng)絡(luò)框架 cryptography 和 pyOpenSSL：處理各種網(wǎng)絡(luò)級(jí)安全需求
# 安裝
pip install scrapy
四、創(chuàng)建爬蟲項(xiàng)目
scrapy startproject sexy
# 創(chuàng)建一個(gè)后的項(xiàng)目目錄
# sexy
# │ scrapy.cfg
# │
# └─sexy
# │ items.py
# │ middlewares.py
# │ pipelines.py
# │ settings.py
# │ __init__.py
# │
# ├─spiders
# │ │ __init__.py
# │ │
# │ └─__pycache__
# └─__pycache__
# 執(zhí)行 需要到scrapy.cfg同級(jí)別的目錄執(zhí)行
scrapy crawl sexy
spiders 里的具體的 spider 類和 items.py 和 pipelines.py（對(duì)應(yīng)的 ITEM PIPELINES）五、開始 Scrapy 爬蟲
5.1 簡單而強(qiáng)大的 spider
類要繼承 scrapy.Spider取一個(gè)唯一的 name 爬取的網(wǎng)站 url 加到 start_urls 列表里 重寫 parse利用 xpath 解析 reponse 的內(nèi)容
parse 實(shí)現(xiàn)的時(shí)候沒有轉(zhuǎn)發(fā)給 ITEM PIPELINES，直接處理了。這樣簡單的可以這么處理，如果業(yè)務(wù)很復(fù)雜，建議交給 ITEM PIPELINES。# 目錄結(jié)果為：spiders/sexy_spider.py
import scrapy
import os
import requests
import time
def download_from_url(url):
response = requests.get(url, stream=True)
if response.status_code == requests.codes.ok:
return response.content
else:
print('%s-%s' % (url, response.status_code))
return None
class SexySpider(scrapy.Spider):
# 如果有多個(gè)spider， name要唯一
name = 'sexy'
allowed_domains = ['uumdfdfnt.94demo.com']
allowed_urls = ['http://uumdfdfnt.94demo.com/']
# 需要爬取的網(wǎng)站url加到start_urls list里
start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']
save_path = '/home/sexy/dingziku'
def parse(self, response):
# 解析網(wǎng)站，獲取圖片列表
img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
time.sleep(1)
# 處理圖片， 具體業(yè)務(wù)操作， 可交給items， 見5.2 items例子
for img_url in img_list:
file_name = img_url.split('/')[-1]
content = download_from_url(img_url)
if content is not None:
with open(os.path.join(self.save_path, file_name), 'wb') as fw:
fw.write(content)
# 自動(dòng)下一頁（見5.3 自動(dòng)下一頁）
next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁"]/@href').get()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
5.2 items 和 pipline 例子
items：提供一個(gè)字段存儲(chǔ)， spider 會(huì)將數(shù)據(jù)存在這里 pipline：會(huì)從 items 取數(shù)據(jù)，進(jìn)行業(yè)務(wù)操作，比如 5.1 中的保存圖片；又比如存儲(chǔ)到數(shù)據(jù)庫中等
items.py 其實(shí)就是定義字段 scrapy.Field()
import scrapy
class SexyItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
img_url = scrapy.Field()
spiders/sexy_spider.py
import scrapy
import os
# 導(dǎo)入item
from ..items import SexyItem
class SexySpider(scrapy.Spider):
# 如果有多個(gè)spider， name要唯一
name = 'sexy'
allowed_domains = ['uumdfdfnt.94demo.com']
allowed_urls = ['http://uumdfdfnt.94demo.com/']
# 需要爬取的網(wǎng)站url加到start_urls list里
start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']
save_path = '/home/sexy/dingziku'
def parse(self, response):
# 解析網(wǎng)站，獲取圖片列表
img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
time.sleep(1)
# 處理圖片， 具體業(yè)務(wù)操作， 可交給yield items
for img_url in img_list:
items = SexyItem()
items['img_url'] = img_url
yield items
pipelines.py
import os
import requests
def download_from_url(url):
response = requests.get(url, stream=True)
if response.status_code == requests.codes.ok:
return response.content
else:
print('%s-%s' % (url, response.status_code))
return None
class SexyPipeline(object):
def __init__(self):
self.save_path = '/tmp'
def process_item(self, item, spider):
if spider.name == 'sexy':
# 取出item里內(nèi)容
img_url = item['img_url']
# 業(yè)務(wù)處理
file_name = img_url.split('/')[-1]
content = download_from_url(img_url)
if content is not None:
with open(os.path.join(self.save_path, file_name), 'wb') as fw:
fw.write(content)
return item
重要的配置要開啟在 settings.py中開啟 piplines 類，數(shù)值表示優(yōu)先級(jí)
ITEM_PIPELINES = {
'sexy.pipelines.SexyPipeline': 300,
}
5.3 自動(dòng)下一頁
start_urls 里。大家都是聰明人來試試這個(gè)。先在頁面解析下下一頁的url scrapy.Request(next_page, callback=self.parse) 發(fā)起一個(gè)請(qǐng)求，并調(diào)用 parse 來解析，當(dāng)然你可以用其他的解析
5.1next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁"]/@href').get()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
5.4 中間件
下載中間件 中間件的作用是提供一些常用的鉤子 Hook 來增加額外的操作。中間件的操作是在 middlewares.py?？梢钥吹街饕翘幚碚?qǐng)求process_request，響應(yīng)process_response和異常process_exceptio n三個(gè)鉤子函數(shù)。處理請(qǐng)求 process_request: 傳給DOWNLOADER之前做的操作響應(yīng) process_response：DOWNLOADER給ENGIINE響應(yīng)之前的操作
process_requestfrom scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
import random
agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1',
'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']
class RandomUserAgent(UserAgentMiddleware):
def process_request(self, request, spider):
ua = random.choice(agents)
request.headers.setdefault('User-agent',ua,)
settings.py 中開啟下載中間件，數(shù)值表示優(yōu)先級(jí)DOWNLOADER_MIDDLEWARES = {
'sexy.middlewares.customUserAgent.RandomUserAgent': 20,
}
5.5 可用配置 settings.py
爬蟲機(jī)器人規(guī)則：ROBOTSTXT_OBEY = False， 如果要爬取的網(wǎng)站有設(shè)置 robots.txt，最好設(shè)置為 False CONCURRENT_REQUESTS：并發(fā)請(qǐng)求 DOWNLOAD_DELAY：下載延遲，可以適當(dāng)配置，避免把網(wǎng)站也爬掛了。
https://doc.scrapy.org/en/latest/topics/settings.html
六、總結(jié)
scrapy 是基于事件驅(qū)動(dòng)Twisted框架的爬蟲框架。 ENGIINE是核心，負(fù)責(zé)串起其他組件開發(fā)只要編寫 spider 和 item pipline 和中間件、download 和 schedule 交給框架 scrapy crawl 你的爬蟲 name，name 要唯一 爬取的 url 放在 start_urls，spider 會(huì)自動(dòng) Request 的，parse 來解析 pipline 和中間件要記得在 settings 中開啟 關(guān)注下 settings 的常用配置，需要時(shí)看下文檔
??「點(diǎn)擊關(guān)注」更多驚喜等待你的發(fā)現(xiàn)??
評(píng)論
圖片
表情