Python scrapy 安装与开发

Scrapy是采用Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取采集web站点信息并从页面中提取结构化的数据。

Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试等。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。

它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages.

It can be used for a wide range of purposes, from data mining to monitoring and automated testing.

For more information including a list of features check the Scrapy homepage at: http://scrapy.org

Scrapy 官网：https://scrapy.org

Scrapy 插件：https://pypi.python.org/pypi/Scrapy

 

Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted异步网络库来处理网络通讯，其设计整体架构大致如下图：

Scrapy主要包括了以下组件：

1. 引擎(Scrapy)
   用来处理整个系统的数据流处理, 触发事务(框架核心)
2. 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. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
3. 下载器(Downloader)
   用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
4. 爬虫(Spiders)
   爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
5. 项目管道(Pipeline)
   负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
6. 下载器中间件(Downloader Middlewares)
   位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
7. 爬虫中间件(Spider Middlewares)
   介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
8. 调度中间件(Scheduler Middewares)
   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。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

 

Scrapy 安装

因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。

pip install Scrapy          # python2.7
pip3 install Scrapy        # python3.6

验证安装成功：

1 2 3 4 5 6 7

$ python Python 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 12:39:47) [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwin Type "help" , "copyright" , "credits" or "license" for more information. >>> import scrapy >>> scrapy <module 'scrapy' from '/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/scrapy/__init__.pyc' >

 

Scrapy 使用

1、创建项目 mimvp_proxy_python_scrapy

运行命令:

1 2 3 4 5

$ which scrapy /Library/Frameworks/Python .framework /Versions/3 .6 /bin/scrapy $ $ cd MimvpProxyDemo /PythonScrapy/ $ scrapy startproject mimvp_proxy_python_scrapy

 

2、查看目录结构

1 2 3 4 5 6 7 8 9 10 11 12 13 14

$ tree . |____mimvp_proxy_python_scrapy | |____mimvp_proxy_python_scrapy | | |______init__.py | | |______pycache__ | | |____items.py | | |____middlewares.py | | |____pipelines.py | | |____settings.py | | |____spiders | | | |______init__.py | | | |______pycache__ | |____scrapy.cfg

 

导入Eclipse，查看自动创建的目录结构：

目录文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等爬虫相关的配置
• spiders      爬虫目录，如：创建文件、编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

 

3、Scrapy 编写爬虫

在spiders目录中新建 mimvp_spider.py 文件

示例代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

#!/usr/bin/env python # -*- coding:utf-8 -*- # # mimvp.com # 2009.10.1     import scrapy    class MimvpSpider(scrapy.spiders.Spider):      name = "mimvp"      allowed_domains = [ "mimvp.com" ]      start_urls = [          "http://mimvp.com" ,      ]         def parse( self , response):          # print(response, type(response))          # from scrapy.http.response.html import HtmlResponse          # print(response.body_as_unicode())             mimvp_url = response.url                    # 爬取时请求的url          body = response.body                        # 返回网页内容          unicode_body = response.body_as_unicode()   # 返回的html unicode编码                    print ( "mimvp_url : " + str (mimvp_url))          print ( "body : " + str (body))          print ( "unicode_body : " + str (unicode_body))

为了创建一个Spider，必须继承 scrapy.Spider 类， 且定义以下三个属性:

• name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
• start_urls: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
• parse() 是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

详细说明：

1. 爬虫文件需要定义一个类，并继承scrapy.spiders.Spider，即类定义 MimvpSpider(scrapy.spiders.Spider)

2. 必须定义name，即爬虫名，如果没有name，会报错，因为源码中是这样定义的：

1 2 3 4 5 6 7 8

def __init__( self , name = None , * * kwargs):      if name is not None :          self .name = name      elif not getattr ( self , 'name' , None ):          raise ValueError( "%s must have a name" % type ( self ).__name__)      self .__dict__.update(kwargs)      if not hasattr ( self , 'start_urls' ):          self .start_urls = []

3. 编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；

4. 定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码如下：

1 2 3 4 5 6 7 8 9 10 11 12

def start_requests( self ):      cls = self .__class__      if method_is_overridden( cls , Spider, 'make_requests_from_url' ):          for url in self .start_urls:              yield self .make_requests_from_url(url)      else :          for url in self .start_urls:              yield Request(url, dont_filter = True )   def make_requests_from_url( self , url):      """ This method is deprecated. """      return Request(url, dont_filter = True )

 

Request 类源码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

class Request(object_ref):        def __init__( self , url, callback = None , method = 'GET' , headers = None , body = None ,                   cookies = None , meta = None , encoding = 'utf-8' , priority = 0 ,                   dont_filter = False , errback = None , flags = None ):            self ._encoding = encoding  # this one has to be set first          self .method = str (method).upper()          self ._set_url(url)          self ._set_body(body)          assert isinstance (priority, int ), "Request priority not an integer: %r" % priority          self .priority = priority            assert callback or not errback, "Cannot use errback without a callback"          self .callback = callback          self .errback = errback            self .cookies = cookies or {}          self .headers = Headers(headers or {}, encoding = encoding)          self .dont_filter = dont_filter            self ._meta = dict (meta) if meta else None          self .flags = [] if flags is None else list (flags)

 

4、Scrapy 运行

格式：scrapy crawl + 爬虫名  –nolog    # 不显示日志

进入项目 mimvp_proxy_python_scrapy 目录下，运行命令：

1 2	$ cd mimvp_proxy_python_scrapy/ $ scrapy crawl mimvp --nolog

运行结果：

$ scrapy crawl mimvp --nolog
mimvp_url : http://mimvp.com
body : b'<!DOCTYPE html>\n<html lang="zh-CN">\n<head>\n<meta charset="utf-8">\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n<meta http-equiv="Cache-Control" content="no-transform">

..........

 

5、Scrapy 查询语法

当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。

下面逐一进行介绍：

• 查询子子孙孙中的某个标签(以div标签为例)：//div
• 查询儿子中的某个标签(以div标签为例)：/div
• 查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
• 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]
• 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
• 查询某个属性的值（例如查询a标签的href属性）：//a/@href

示例代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

def parse( self , response):         # 分析页面         # 找到页面中符合规则的内容（校花图片），保存         # 找到所有的a标签，再访问其他a标签，一层一层的搞下去            hxs = HtmlXPathSelector(response) #创建查询对象            # 如果url是 http://www.xiaohuar.com/list-1-\d+.html         if re.match( 'http://www.xiaohuar.com/list-1-\d+.html' , response.url): #如果url能够匹配到需要爬取的url，即本站url             items = hxs.select( '//div[@class="item_list infinite_scroll"]/div' ) #select中填写查询目标，按scrapy查询语法书写             for i in range ( len (items)):                 src = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract() #查询所有img标签的src属性，即获取校花图片地址                 name = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容，即校花姓名                 school = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花学校                 if src:                     ab_src = "http://www.xiaohuar.com" + src[ 0 ] #相对路径拼接                     file_name = "%s_%s.jpg" % (school[ 0 ].encode( 'utf-8' ), name[ 0 ].encode( 'utf-8' )) #文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8                     file_path = os.path.join( "/Users/wupeiqi/PycharmProjects/beauty/pic" , file_name)                     urllib.urlretrieve(ab_src, file_path)

注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。

 

6、递归爬取网页

上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？

示例代码：

1 2 3 4 5

# 获取所有的url，继续访问，并在其中寻找相同的url          all_urls = hxs.select( '//a/@href' ).extract()          for url in all_urls:              if url.startswith( 'http://www.xiaohuar.com/list-1-' ):                  yield Request(url, callback = self .parse)

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

 

7、Scrapy 设置代理爬取网页

Python Scrapy 设置代理有两种方式，使用时两种方式选择一种即可

方式1： 直接在代码里设置，如 MimvpSpider ——> start_requests

方式2： 通过 middlewares + settings.py 配置文件设置，步骤：

                    2.1 middlewares.py 添加代理类 ProxyMiddleware，并添加代理

                    2.2 settings.py 开启 DOWNLOADER_MIDDLEWARES，并且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100, 

 

方式1：直接在代码里设置

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53

#!/usr/bin/env python # -*- coding:utf-8 -*- # # Python scrapy 支持 http、https # # 米扑代理示例： # http://proxy.mimvp.com/demo2.php # # 米扑代理购买： # http://proxy.mimvp.com # # mimvp.com # 2009.10.1   # Python Scrapy 设置代理有两种方式，使用时两种方式选择一种即可 # 方式1： 直接在代码里设置，如 MimvpSpider ——> start_requests # 方式2： 通过 middlewares + settings.py 配置文件设置，步骤： #        2.1 middlewares.py 添加代理类 ProxyMiddleware，并添加代理 #        2.2 settings.py 开启 DOWNLOADER_MIDDLEWARES，并且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100,     import scrapy    class MimvpSpider(scrapy.spiders.Spider):      name = "mimvp"      allowed_domains = [ "mimvp.com" ]      start_urls = [          "http://proxy.mimvp.com/exist.php" ,          "https://proxy.mimvp.com/exist.php" ,      ]         ## 代理设置方式1：直接在代理里设置      def start_requests( self ):          urls = [              "http://proxy.mimvp.com/exist.php" ,              "https://proxy.mimvp.com/exist.php" ,          ]          for url in urls:              meta_proxy = ""              if url.startswith( "http://" ):                  meta_proxy = "http://180.96.27.12:88"           # http代理              elif url.startswith( "https://" ):                  meta_proxy = "http://109.108.87.136:53281"      # https代理                                yield scrapy.Request(url = url, callback = self .parse, meta = { 'proxy' : meta_proxy})          def parse( self , response):          mimvp_url = response.url                    # 爬取时请求的url          body = response.body                        # 返回网页内容                    print ( "mimvp_url : " + str (mimvp_url))          print ( "body : " + str (body))

 

方式2：配置文件里设置

a） middlewares.py 文件里，添加代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

## 代理设置方式2： 通过 middlewares + settings.py 配置文件设置 ## mimvp custom by yourself class ProxyMiddleware( object ):      def process_request( self ,request,spider):                if request.url.startswith( "http://" ):              request.meta[ 'proxy' ] = "http://180.96.27.12:88"          # http代理          elif request.url.startswith( "https://" ):              request.meta[ 'proxy' ] = "http://109.108.87.136:53281"         # https代理                   #         # proxy authentication #         proxy_user_pass = "USERNAME:PASSWORD" #         encoded_user_pass = base64.encodestring(proxy_user_pass) #         request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass

 

b） settings.py 文件里，开启设置

1 2 3 4

DOWNLOADER_MIDDLEWARES = {      'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware' : 110 ,       'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware' : 100 ,  }

 

以上两种代理设置方式，都验证测试成功，测试代理由米扑代理免费提供，感谢！

 

本示例采用的米扑代理，支持 http、https、socks4、socks5等多种协议，覆盖全球120多个国家，中国34个省市

推荐米扑代理： http://proxy.mimvp.com