Scrapy学习笔记

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。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

scrapy startproject project

该命令将会创建包含下列内容的project 目录:

project/

    scrapy.cfg

    project/

        __init__.py

        items.py

        pipelines.py

        settings.py

        spiders/

            __init__.py

            ...

这些文件分别是:

• scrapy.cfg: 项目的配置文件
• project/: 该项目的python模块。之后您将在此加入代码。
• project/items.py: 项目中的item文件.
• project/pipelines.py: 项目中的pipelines文件.
• project/settings.py: 项目的设置文件.
• project/spiders/: 放置spider代码的目录.

最近对Scrapy进行了完整的学习。下图是整个程序的结构图，主要分为三大块：下载模块、解析模块、处理模块。

在下载模块中指定爬虫的初始爬取网页URL，如果需要登陆还需要模拟用户提交cookie信息。在下载模块与爬取网站之间加入了中间件，用来处理请求或者相应，例如将请求信息伪装成特定类型浏览器用于躲避网站防爬虫机制。

下面是中间件模板，process_request是对请求进行篡改，我在这里加入浏览器伪装中间件。

Class 下载中间件的名字(object)：

    def process_request(self, response, spider):
        #篡改请求

    def process_response(self, request, response, spider):
        #篡改响应

    def process_excepition(self, request, exception, spider):
        #处理异常

编写完中间件还不能起作用，还需要在主目录的settings文件中加入配置，配置项为DOWNLOADER_MIDDLEWARES，配置下载中间件，后面的数字从下到大依次调用，如果None则不调用。

DOWNLOADER_MIDDLEWARES = {

    ‘scrapy.contrib......UserAgentMiddleware’:None,

    ‘XX.middlewares.RandomUAMiddlesware’:4000,

    ‘XX.middlewares.PrintUAMiddleware’:4005

}

在解析模块中，Scrapy将爬取的页面进行解析，通过xpath等工具提取特定的内容，并通过生成器yield返回。这里说明一下Python生成器，它是一个特殊的函数，每次返回结果阻塞在yield语句前，给一个.next()返回一个结果，是一个挤牙膏式的函数，用于防止一次性输出太多。

一个正常的函数：---> 返回值

def function(n):

    for num in range(n):

        print n**2

                   |

                   |在执行过程中，把想要的数据yield出来

                   |类似生成器中的return

                   |

生成器函数：---> 返回生成器

def function(n):

    for num in range(n):

        yield n**2                  #通过.next()获取下一个值

        print n**2

信息处理模块是对解析好的数据进行处理，如存入数据库、终端打印、数值分析等等，此项功能通过编写pipeline实现，每一个函数都是一个处理方法，按顺序处理数据达到指定要求。下面是Pipeline模板：

class XXXXPipeline(object):

    def __init__(self):

        # 初始化方法

    def open_spider(self, spider):

        # 打开爬虫的操作，如打开数据库

    def process_item(self,item, spider):···

        # 处理抓取出来的结构化数据，如写入数据库

    def close_spider(self,spider):

        # 关闭爬虫的操作，如关闭数据库

    @classmethord

    def from_crawler(cls,crawler):

        # 生成Pipeline的实例

 下面以存入数据库功能为例：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


import pymongo


class MongoPipeline(object):
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db
    
    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri = crawler.settings.get('MONGO_URI'),
            mongo_db = crawler.settings.get('MONGO_DATABASE')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        collection_name = item.__class__.__name__
        self.db[collection_name].insert(dict(item))
return item

同理在主目录settings文件中需要加入pipeline配置，配置项是ITEM_PIPELINES。