5分钟快速掌握scrapy爬虫框架

时间:2021-11-07 08:01:51

5分钟快速掌握scrapy爬虫框架

1. scrapy简介

scrapy是基于事件驱动的Twisted框架下用纯python写的爬虫框架。很早之前就开始用scrapy来爬取网络上的图片和文本信息,一直没有把细节记录下来。这段时间,因为工作需要又重拾scrapy爬虫,本文和大家分享下,包你一用就会, 欢迎交流。

1.1 scrapy框架

scrapy框架包括5个主要的组件和2个中间件Hook。

  •  ENGIINE:整个框架的控制中心, 控制整个爬虫的流程。根据不同的条件添加不同的事件(就是用的Twisted)
  •  SCHEDULER:事件调度器
  •  DOWNLOADER:接收爬虫请求,从网上下载数据
  •  SPIDERS:发起爬虫请求,并解析DOWNLOADER返回的网页内容,同时和数据持久化进行交互,需要开发者编写
  •  ITEM PIPELINES:接收SPIDERS解析的结构化的字段,进行持久化等操作,需要开发者编写
  •  MIDDLEWARES:ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之间一些额外的操作,hook的方式提供给开发者

从上可知,我们只要实现SPIDERS(要爬什么网站,怎么解析)和ITEM PIPELINES(如何处理解析后的内容)就可以了。其他的都是有框架帮你完成了。(图片来自网络,如果侵权联系必删)

5分钟快速掌握scrapy爬虫框架

1.2 scrapy数据流

我们再详细看下组件之间的数据流,会更清楚框架的内部运作。(图片来自网络,如果侵权联系必删)

5分钟快速掌握scrapy爬虫框架

  1.   SPIDERS发爬虫请求给ENGIINE, 告诉它任务来了
  2.   ENGIINE将请求添加到SCHEDULER调度队列里, 说任务就交给你了,给我安排好
  3.   SCHEDULER看看手里的爬取请求很多,挑一个给ENGIINE, 说大哥帮忙转发给下载DOWNLOADER
  4.   ENGIINE:好的, DOWNLOADER你的任务来了
  5.   DOWNLOADER:开始下载了,下载好了,任务结果 交给ENGIINE
  6.   ENGIINE将结果给SPIDERS, 你的一个请求下载好了,快去解析吧
  7.   SPIDERS:好的,解析产生了结果字段。又给SPIDERS转发给ITEM PIPELINES
  8.   ITEM PIPELINES: 接收到字段内容,保存起来。

第1步到第8步,一个请求终于完成了。是不是觉得很多余?ENGIINE夹在中间当传话筒,能不能直接跳过?可以考虑跳过了会怎么样。

这里分析一下

  • SCHEDULER的作用:任务调度, 控制任务的并发,防止机器处理不过来
  •  ENGIINE:就是基于Twisted框架, 当事件来(比如转发请求)的时候,通过回调的方式来执行对应的事件。我觉得ENGIINE让所有操作变的统一,都是按照事件的方式来组织其他组件, 其他组件以低耦合的方式运作;对于一种框架来说,无疑是必备的。

2. 基础:XPath

写爬虫最重要的是解析网页的内容,这个部分就介绍下通过XPath来解析网页,提取内容。

2.1 HTML节点和属性

(图片来自网络,如果侵权联系必删)

5分钟快速掌握scrapy爬虫框架

2.2 解析语法

  •  a / b:‘/’在 xpath里表示层级关系,左边的 a是父节点,右边的 b是子节点
  •  a // b:表示a下所有b,直接或者间接的
  •  [@]:选择具有某个属性的节点
    •   //div[@classs], //a[@x]:选择具有 class属性的 div节点、选择具有 x属性的 a节点
    •   //div[@class="container"]:选择具有 class属性的值为 container的 div节点
  •  //a[contains(@id, "abc")]:选择 id属性里有 abc的 a标签

一个例子

response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()  

# 获取所有class属性(css)为taglist的div, 下一个层ul下的所有li下所有a下所有img标签下data-original属性  

# data-original这里放的是图片的url地址 

更多详见

http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths

3. 安装部署

Scrapy 是用纯python编写的,它依赖于几个关键的python包(以及其他包):

  •  lxml 一个高效的XML和HTML解析器
  •  parsel ,一个写在lxml上面的html/xml数据提取库,
  •  w3lib ,用于处理URL和网页编码的多用途帮助程序
  •  twisted 异步网络框架
  •  cryptography 和 pyOpenSSL ,处理各种网络级安全需求 

# 安装  

pip install scrapy 

4. 创建爬虫项目

scrapy startproject sexy  

# 创建一个后的项目目录  

# sexy  

# │  scrapy.cfg  

# │  

# └─sexy  

#     │  items.py  

#     │  middlewares.py  

#     │  pipelines.py  

#     │  settings.py  

#     │  __init__.py  

#     │  

#     ├─spiders  

#     │  │  __init__.py  

#     │  │  

#     │  └─__pycache__  

#     └─__pycache__  

# 执行 需要到scrapy.cfg同级别的目录执行  

scrapy crawl sexy 

从上可知,我们要写的是spiders里的具体的spider类和items.py和pipelines.py(对应的ITEM PIPELINES)

5. 开始scrapy爬虫

5.1 简单而强大的spider

这里实现的功能是从图片网站中下载图片,保存在本地, url做了脱敏。需要注意的点在注释要标明

  •  类要继承 scrapy.Spider
  •  取一个唯一的name
  •  爬取的网站url加到start_urls列表里
  •  重写parse利用xpath解析reponse的内容

可以看到parse实现的时候没有转发给ITEM PIPELINES,直接处理了。这样简单的可以这么处理,如果业务很复杂,建议交给ITEM PIPELINES。后面会给例子

# 目录结果为: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):  

   # 如果有多个spider, name要唯一  

    name = 'sexy'  

    allowed_domains = ['uumdfdfnt.94demo.com']  

    allowed_urls = ['http://uumdfdfnt.94demo.com/']  

    # 需要爬取的网站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):  

        # 解析网站,获取图片列表  

        img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  

        time.sleep(1)  

        # 处理图片, 具体业务操作, 可交给items, 见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)  

        # 自动下一页(见5.3 自动下一页)  

        next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@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

这里说明下两个的作用

  •  items:提供一个字段存储, spider会将数据存在这里
  •  pipline:会从items取数据,进行业务操作,比如5.1中的保存图片;又比如存储到数据库中等

我们来改写下上面的例子

  •  items.py其实就是定义字段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  

# 导入item  

from ..items import SexyItem  

class SexySpider(scrapy.Spider): 

   # 如果有多个spider, name要唯一  

    name = 'sexy'  

    allowed_domains = ['uumdfdfnt.94demo.com']  

    allowed_urls = ['http://uumdfdfnt.94demo.com/']  

    # 需要爬取的网站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):  

        # 解析网站,获取图片列表  

        img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  

        time.sleep(1)  

        # 处理图片, 具体业务操作, 可交给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里内容  

            img_url = item['img_url']           

             # 业务处理  

            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 

  •  重要的配置要开启在settings.py中开启piplines类,数值表示优先级 

ITEM_PIPELINES = {  

   'sexy.pipelines.SexyPipeline': 300,  

5.3 自动下一页

有时候我们不仅要爬取请求页面中的内容,还要递归式的爬取里面的超链接url,特别是下一页这种,解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。

  •  先在页面解析下下一页的url
  •  scrapy.Request(next_page, callback=self.parse) 发起一个请求,并调用parse来解析,当然你可以用其他的解析

完美了,完整例子见5.1

next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()  

if next_page is not None:  

   next_page = response.urljoin(next_page)  

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

5.4 中间件

  •  下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request,响应process_response和异常process_exception三个钩子函数。
  •  处理请求process_request: 传给DOWNLOADER之前做的操作
  •  响应process_response:DOWNLOADER给ENGIINE响应之前的操作

这里举一个添加模拟浏览器请求的方式,防止爬虫被*。重写process_request

from 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,) 

统一要在settings.py中开启下载中间件,数值表示优先级

DOWNLOADER_MIDDLEWARES = {  

    'sexy.middlewares.customUserAgent.RandomUserAgent': 20,  

5.5 可用配置settings.py

除了上面提供的pipline配置开启和中间件配置外,下面介绍几个常用的配置

  •  爬虫机器人规则:ROBOTSTXT_OBEY = False, 如果要爬取的网站有设置robots.txt,最好设置为False
  •  CONCURRENT_REQUESTS:并发请求
  •  DOWNLOAD_DELAY:下载延迟,可以适当配置,避免把网站也爬挂了。

所有的配置详见 https://doc.scrapy.org/en/latest/topics/settings.html

6. 总结

相信从上面的介绍,你已经可以动手写一个你自己的爬虫了。我也完成了做笔记的任务了。scrapy还提供更加详细的细节,可参见https://docs.scrapy.org/en/latest/。

最后总结如下:

  •  scrapy是基于事件驱动Twisted框架的爬虫框架。ENGIINE是核心,负责串起其他组件
  •  开发只要编写spider和item pipline和中间件, download和schedule交给框架
  •  scrapy crawl 你的爬虫name,name要唯一
  •  爬取的url放在start_urls, spider会自动Request的,parse来解析
  •  pipline和中间件要记得在settings中开启
  •  关注下settings的常用配置,需要时看下文档 

原文地址:https://mp.weixin.qq.com/s/cuJlzYFSL-o-n2RN2tqv_A