scrapy练习
文章目录
一、scrapy安装
官网：https://www.scrapy.org/
官方文档：https://docs.scrapy.org/en/latest/
首先创建一个新环境：
conda create -n pachong python==3.10
#激活环境
conda activate pachong
我用的是官方文档提供的conda下载指令：
conda install -c conda-forge scrapy
二、scrapy基本流程
2.1 学习目标
1.创建一个 Scrapy 项目，熟悉 Scrapy 项目的创建流程。
2.编写一个 Spider 来抓取站点和处理数据，了解 Spider 的基本用法。
3.初步了解 Item Pipeline 的功能，将抓取的内容保存到 MongoDB 数据库。
4.运行 Scrapy 爬虫项目，了解 Scrapy 项目的运行流程。
以 Scrapy 官方推荐的练习项目为例进行实战演练，抓取的目标站点为：https://quotes.toscrape.com/，页面如下图所示：
这个站点包含了一系列名人名言、作者和标签，我们需要使用 Scrapy 将其中的内容爬取并保存下来。
2.2 创建一个新项目
scrapy startproject ScrapyQuotes
运行完毕后，当前文件夹下会生成一个名为 ScrapyQuotes 的文件夹：
创建 Spider： Spider 是自己定义的类，Scrapy 用它来从网页里抓取内容，并解析抓取结果。不过这个类必须继承 Scrapy 提供的 Spider 类 scrapy.Spider，还要定义 Spider 的名称和起始 Request，以及怎样处理爬取后的结果的方法。也可以使用命令行创建一个 Spider，比如要生成 Quotes 这个 Spider，可以执行如下命令：
scrapy genspider quotes https://quotes.toscrape.com/
spiders 文件夹中多了一个 quotes.py，它就是刚刚创建的 Spider，内容如下所示：
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ["https://quotes.toscrape.com/"]
def parse(self, response, **kwargs):
pass
'''name: 是每个项目唯一的名字，用来区分不同的 Spider
allowed_domains: 是允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉
start_urls: 包含了 Spider 在启动时爬取的 URL 列表，初始请求是由它来定义的
parse: Spider 的一个方法。在默认情况下，start_urls 里面的链接构成的请求完成下载后，parse 方法就会被调用，返回的响应就会作
为唯一的参数传递给 parse 方法。该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求。
'''
修改配置文件，不然生成的quotes.py文件没有这个参数==**kwargs==，或者手动在quotes.py文件里加上
2.3 创建Item
Item 是保存爬取数据的容器，定义了爬取结果的数据结构。它的使用方法和字典类似。不过相比字典，Item 多了额外的保护机制，可以避免拼写错误或者定义字段错误。创建 Item 需要继承 scrapy 的 Item 类，并且定义类型为 Field 的字段，这个字段就是我们要爬取的字段。
观察目标网站，我们可以获取到的内容有下面几项：
text: 文本，即每条名言的内容，是一个字符串
author: 作者，即每条名言的作者，是一个字符串
tags: 标签，即每条名言的标签，是字符串组成的列表
这样的话，每条爬取数据就包含这3个字段，那么我们就可以定义对应的 Item，此时将 items.py 修改如下：
这里我们声明了 ScrapyQuotesItem，继承了 Item 类，然后使用 Field 定义了3个字段，爬取时我们就会用到这个 Item
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
#
class ScrapyQuotesItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
text = scrapy.Field() # 每条名言的内容
author = scrapy.Field() # 作者
tags = scrapy.Field() # 标签
2.4 解析 Response
关于 Response 更详细的解释可以参考官方文档：https://docs.scrapy.org/en/latest/topics/request-response.html#response-objects
# ① url：Request URL
# ② status：Response 状态码，一般情况下请求成功状态码为200
# ③ headers：Response Headers，是一个字典，字段是一一对应的
# ④ body：Response Body，这个通常就是访问页面之后得到的源代码结果了，比如里面包含的是HTML或者JSON字符串，但注意其结果是
# bytes 类型。与requests模块请求后得到的响应属性content类似
# ⑤ request：Response 对应的 Request 对象
# ⑥ certificate：是twisted.internet.ssl.Certifucate类型的对象，通常代表一个SSL证书对象
# ⑦ ip_address：是一个ipaddress.IPv4Address或IPv6Address类型的对象，代表服务器的IP地址
# ⑧ urljoin：是对URL的一个处理方法，可以传入当前页面的相对URL，该方法处理后返回的就是绝对URL
# urljoin 其实使用的就是: from urllib.parse import urljoin 可以去看源码
# ⑨ follow/follow_all：是一个根据URL来生成后续Request的方法，和直接构造Request不同的是，该方法接收的url可以是相对URL，不必
# 一定是绝对URL，因为follow方法中有做url拼接的操作，源码如下:
if isinstance(url, Link):
url = url.url
elif url is None:
raise ValueError("url can't be None")
url = self.urljoin(url)
# ① text: 同body属性，但结果是str类型
# ② encoding: Response的编码，默认是utf-8
# ③ selector: 根据Response的内容构造而成的Selector对象，利用它我们可以进一步调用xpath、css等方法进行结果的提取
# ④ xpath()方法: 传入XPath进行内容提取，等同于调用selector的xpath方法
# ⑤ css()方法: 传入CSS选择器进行内容提取，等同于调用selector的css方法
# ⑥ json()方法: 是Scrapy2.2新增的方法，利用该方法可以直接将text属性转换为JSON对象，本质其实使用的就是json.loads，源码如下:
if self._cached_decoded_json is _NONE:
self._cached_decoded_json = json.loads(self.body)
return self._cached_decoded_json
改写quotes.py的parse函数
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ["https://quotes.toscrape.com/"]
'''
这里首先利用 CSS 选择器选取所有的 quote 并将其赋值为 quotes 变量，然后利用 for 循环遍历每个 quote，
解析每个 quote 的内容。单独调用 css 方法我们得到的是 Selector 对象组成的列表；调用 extract 方法会进
一步从 Selector 对象里提取其内容，再加上 ::text 则会从 HTML 代码中提取出正文文本。因此对于 text，我
们只需要获取结果的第一个元素即可，所以使用 extract_first 方法，得到的就是一个字符串。而对于 tags，
我们想要获取所有结果组成的列表，所以使用 extract 方法，得到的就是所有标签字符串组成的列表。
'''
def parse(self, response, **kwargs):
quotes = response.css("div.quote")
for quote in quotes:
text = quote.css("span.text::text").extract_first("")
author = quote.css("small.author::text").extract_first("")
tags = quote.css("div.tags a.tag::text").extract()
2.5 使用 Item
之前已经定义好了 ScrapyQuotesItem，接下来就要使用它了。我们可以把 Item 理解为一个字典，和字典还不太相同，其本质是一个类，所以在使用的时候需要实例化。实例化之后，我们依次用刚才解析的结果赋值 Item 的每一个字段，最后将 Item 返回。QuotesSpider 的改写如下所示：
from ScrapyQuotes.ScrapyQuotes.items import ScrapyQuotesItem
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ["https://quotes.toscrape.com/"]
def parse(self, response, **kwargs):
quotes = response.css("div.quote")
for quote in quotes:
item = ScrapyQuotesItem()
item["text"] = quote.css("span.text::text").extract_first("")
item["author"] = quote.css("small.author::text").extract_first("")
item["tags"] = quote.css("div.tags a.tag::text").extract()
yield item
2.6 开始爬取
首先使用cd命令转到当前文件夹
cd C:\Users\zpysz\Desktop\pythonproject\scrapy_pachong\ScrapyQuotes
运行下面的指令，会把爬取结果存放在quotes.json文件夹里
scrapy crawl quotes -o quotes.json
三、爬取多页
3.1 练习
在第二章学习了爬取第一页内容，接下来学习爬取多页内容
这里发现有一个 Next 按钮，查看一下源代码，可以看到它的链接是 /page/2/，实际上全链接是 https://quotes.toscrape.com/page/2/，通过这个链接我们就可以构造下一个 Request 了。
接下来我们要做的就是利用选择器得到下一页链接并生成请求，在 parse 方法后追加如下的代码：
from ScrapyQuotes.items import ScrapyQuotesItem
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ["https://quotes.toscrape.com"]
def parse(self, response, **kwargs):
quotes = response.css("div.quote")
for quote in quotes:
item = ScrapyQuotesItem()
item["text"] = quote.css("span.text::text").extract_first("")
item["author"] = quote.css("small.author::text").extract_first("")
item["tags"] = quote.css("div.tags a.tag::text").extract()
yield item
href = response.css("li.next a::attr(href)").extract_first("")
next_url = response.urljoin(href)
yield scrapy.Request(url=next_url, callback=self.parse)
运行
scrapy crawl quotes -o quotes.json
3.2 输出格式
Feed Exports 支持输出的格式还有很多，例如 csv、xml、pickle、marshal 等，同时它支持 ftp、s3 等远程输出，另外还可以通过自定义 ItemExporter 来实现其他的输出。例如，下面命令对应的输出分别为 csv、xml、pickle、marshal 格式以及 ftp 远程输出：
scrapy crawl quotes -o quotes.csv
scrapy crawl quotes -o quotes.xml
scrapy crawl quotes -o quotes.pickle
scrapy crawl quotes -o quotes.marshal
scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv
3.3 使用 Item Pipeline
清洗 HTML 数据
验证爬取数据，检查爬取字段
查重并丢弃重复内容
将爬取结果存储到数据库
扫一扫
1988
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
