Scrapy学习日记1

NLP工程化

已于 2022-05-04 20:17:03 修改

阅读量2.2k

点赞数 1

分类专栏： Python开发文章标签： python scrapy mongodb

于 2016-04-30 22:08:05 首次发布

本文链接：https://blog.csdn.net/ssw_1990/article/details/51254227

版权

Python开发专栏收录该内容

55 篇文章 2 订阅

订阅专栏

提到Python与网络爬虫，可能会想到urllib，urllib2，BeautifulSoup，Scrapy等类库，本文主要总结Scrapy与网络爬虫。Scrapy是一个功能强大的网络爬虫类库，通过命令pip install scrapy进行安装，爬取的海量数据可以通过MongoDB进行存储，有了想要的数据集后就可以对其进行分析挖掘。

1.实现一个简单的Scrapy网络爬虫

先用Scrapy实现一个采集网页的title字段，以对Scrapy有个直观的印象。

[1]新建wikiSpider项目

scrapy startproject wikiSpider

生成的项目结构，如下所示：

─Scrapy
 └─wikiSpider
     │  scrapy.cfg
     │
     └─wikiSpider
         │  items.py
         │  pipelines.py
         │  settings.py
         │  __init__.py
         │
         └─spiders
                 __init__.py

说明：scrapy.cfg：项目配置文件；wikiSpider/items.py：项目items文件；wikiSpider/pipelines.py：项目管道文件；wikiSpider/settings.py：项目配置文件；wikiSpider/spiders：放置spider的目录。

[2]创建Article类

在items.py文件中，定义Article类，如下所示：

from scrapy import Item, Field

class Article(Item):
    title = Field()

[3]创建articleSpider.py文件

在wikiSpider/wikiSpider/spiders/文件夹中创建一个articleSpider.py文件，如下所示：

from scrapy.selector import Selector
from scrapy import Spider
from wikiSpider.items import Article

class ArticleSpider(Spider):
    name = "article"
    allowed_domains = ["en.wikipedia.org"]
    start_urls = ["http://en.wikipedia.org/wiki/Main_Page",
                  "http://en.wikipedia.org/wiki/Python_%28programming_language%29"]
        
    def parse(self,response):
        item = Article()
        title = response.xpath('//h1/text()')[0].extract()
        print("Title is: "+title)
        item['title'] = title
        return item

[4]运行Scrapy网络爬虫

在wikiSpider主目录中运行ArticleSpider，如下所示：

scrapy crawl article

这个爬虫首先进入start_urls中的两个页面，然后收集信息，最后停止运行。Scrapy为爬虫的start_urls属性中的每个URL创建了一个scrapy.http.Request对象，并将爬虫的parse方法指定为回调函数。scrapy.http.Response对象被返回，结果也被反回给爬虫。

如果遇到错误[scrapy] ERROR: Error downloading <GET http://en.wikipedia.org/robots.txt>: u'\xd8'，需要设置settings.py文件中的ROBOTSTXT_OBEY = False即可。

2.Scrapy基础知识

Scrapy使用基于XPath和CSS表达式机制从网页中提取数据。Selector有4个基本的方法，分别是xpath()，css()，extract()，re()。

[1]xpath

xpath是Scrapy下快速提取特定信息（比如title，head，href等）的一个接口。常用的表达式和描述，如下所示：

nodename：选取此节点的所有子节点。
/：从根节点选取。
//：从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.：选取当前节点。
..：选取当前节点的父节点。
@：选取属性。

[2]Scrapy shell

Scrapy终端是一个交互终端，供你在未启动spider的情况下尝试及调试你的爬取代码，可以用来测试XPath或CSS表达式，查看他们的工作方式及从爬取的网页中提取的数据。启动终端的命令为scrapy shell <url>。Scrapy终端根据下载的页面会自动创建一些方便使用的对象，如下所示：

crawler：当前Crawler对象。
spider：处理URL的spider。
request：最近获取到的页面的Request对象。
response：包含最近获取到的页面的Response对象。
sel：根据最近获取到的response构建的Selector对象。
settings：当前的Scrapy settings。

3.Scrapy工作原理

Scrapy使用Twisted异步网络库来处理网络通讯。整体架构如下所示：

引擎[Scrapy Engine]：用来处理整个系统的数据流处理，触发事务。
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。
下载器[Downloader]：用于下载网页内容，并将网页内容返回给蜘蛛。
蜘蛛[Spiders]：蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
项目管道[Item Pipeline]：负责处理有蜘蛛从网页中抽取的项目，主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件[Downloader Middlewares]：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
蜘蛛中间件[Spider Middlewares]：介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件[Scheduler Middlewares]：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。

4.事件驱动网络

解析：Scrapy基于事件驱动网络框架Twisted编写。因此，Scrapy基于并发性考虑由非阻塞[即异步]的实现。

5.Scrapy数据流

解析：

[1]引擎打开一个网站，找到处理该网站的Spider并向该spider请求第一个要爬取的URL[s]。
[2]引擎从Spider中获取到第一个要爬取的URL并在调度器[Scheduler]以Request调度。
[3]引擎向调度器请求下一个要爬取的URL。
[4]调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件[请求[request]方向]转发给下载器[Downloader]。
[6]一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件[返回[response]方向]发送给引擎。
[6]引擎从下载器中接收到Response并通过Spider中间件[输入方向]发送给Spider处理。
[7]Spider处理Response并返回爬取到的Item及[跟进的]新的Request给引擎。
[8]引擎将[Spider返回的]爬取到的Item给ItemPipeline，将[Spider返回的]Request给调度器。
[9][从第2步]重复直到调度器中没有更多地request，引擎关闭该网站。