Python数据采集之Scrapy框架

Scrapy是一个快速的屏幕抓取web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘舆情监测自动化测试

1. Scrapy简介

1.1 Scrapy整体框架

这里写图片描述

1.2 Scrapy组成部分

(1)引擎(Scrapy Engine):用来处理整个系统的数据流处理,触发事务。
(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。可以决定下载器下一步要下载的网址并去除重复的网址。
(3)下载器(Downloader):用来下载网页内容,并将网页内容返回给爬虫(Spiders)。
(4)爬虫(Spiders):从特定的网页中提取出需要的信息。可以用它来制定特定网页的解析规则,提取特定的实体(Item)或URL链接。每一个Spider负责一个或多个特定的网站。
(5)项目管道(Item 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子框架,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,主要工作是处理爬虫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,处理从Scrapy引擎发送到调度的请求和响应。

1.3 Scrapy运行流程

(1)引擎打开一个域名,指定Spider来处理这个域名,并让Spider获取第一个要爬取的URL
(2)引擎从Spider中获取第一个要爬取的URL,并在调度器Request请求调度。
(3)引擎向调度器请求下一个要爬取的URL。
(4)调度返回下一个要爬取的URL给引擎,引擎通过下载中间件将URL发送到下载器
(5)当网页下载完毕后,下载器生成一个该网页的Response响应,并将其通过下载中间件发送给引擎
(6)引擎从下载器接收到Response响应,并通过Spider中间发送给Spider处理。
(7)Spider处理Response响应,并返回爬取到Item和新的Request请求给引擎
(8)引擎将爬取到的Item给Item Pipeline,将新的Request请求发送给调度器
(9)重复(2)以后的操作,直到调度器中没有新的Request请求,引擎断开与该域名的链接。

2. 创建简单的Scrapy爬虫

下面以图书网站为例,编写一个简单的Scrapy爬虫。

2.1 创建Scrapy项目

首先我们要创建一个Scrapy工程,在DOS命令行下cd切换到你将要创建工作的目录下,使用scrapy startprojrect 命令,如下所示:

scrapy startproject bookspider

Scrapy 工程目录如下图所示:

这里写图片描述

2.2 分析页面

在编写爬虫程序之前,我们首先对待爬取页面进行分析,带爬取页面网站为:http://books.toscrape.com/

(1)定位待爬取信息位置:

我们要爬取的信息包括书名书价下一页链接地址。在火狐浏览器中按F12快捷键,可以很方便地查看页面信息。抓取的页面信息如下图所示:

这里写图片描述

从上图可以看出,每一本书的信息都在<article class=”product_pod”>中,
书名信息在其下的h3 > a元素的title属性中,
书价信息在其下<p class=”price_color”>的TEXT中。
而下一页的URL链接地址在ul.pager > li.next > a里面,如下图所示:

这里写图片描述

2.3 实现Spider

下面就开始编写爬虫程序,在工程项目中Spider目录下新建bookspider.py源代码如下所示:

# -*- coding: utf-8 -*-
"""
Created on Fri Jun 8 14:26:12 2017

@author: Administrator
"""

import scrapy

class BookSpider(scrapy.Spider):
    #name属性,每一个爬虫的唯一标识
    name = "books"
    #定义爬虫的起始点,可以为多个
    start_urls = ['http://books.toscrape.com/']

    def parse(self,response):

        '''
        目标:提取书籍信息
        分析:因为该网页每一本书的信息都是在<article class="product_pod">中,
        因此,我们使用css()方法,找到所有这样的article元素,并依次迭代
        '''
        for book in response.css('article.product_pod'):
            #书名在article > h3 > a 元素的title属性里.
            name = book.xpath('./h3/a/@title').extract_first()

            #书价信息在<p class="price_color">的text中.
            price = book.css('p.price_color::text').extract_first()
            yield{
                    'name':name,
                    'price':price,
                    }
        '''
        目标:提取下一页链接
        分析:下一页的url在ul.pager > li.next > a里面.
        '''
        nextPage = response.css('ul.pager li.next a::attr(href)').extract_first()
        if nextPage:
            nextPage = response.urljoin(nextPage)
            yield scrapy.Request(nextPage,callback=self.parse)

2.4 运行爬虫

在刚才新建的Scrapy工程目录运行爬虫books,并将数据导入books.csv文件中。
运行结果如下图所示:

这里写图片描述

这里写图片描述

数据文件book.csv部分数据情况如下图所示:

这里写图片描述

展开阅读全文

没有更多推荐了,返回首页