网络爬虫--Scrapy爬虫框架

Scrapy爬虫框架

Scrapy架构流程

简单介绍

• Scrapy,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web站点并从页面中提取结构化的数据。
• 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。
• Scrap,是碎片的意思,这个Python的爬虫框架叫Scrapy。
  Scrapy 官方文档：https://docs.scrapy.org/en/latest/intro/tutorial.html

优势

• 用户只需要定制开发几个模块, 就可以轻松实现爬虫, 用来抓取
  网页内容和图片, 非常方便;
• Scrapy使用了Twisted异步网络框架来处理网络通讯, 加快网页
  下载速度, 不需要自己实现异步框架和多线程等, 并且包含了各
  种中间件接口, 灵活完成各种需求

Scrapy架构流程

Scrapy主要包括了以下组件:

• 引擎(Scrapy): 用来处理整个系统的数据流, 触发事务(框架核心)
• 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
• 下载器(Downloader): 用于下载网页内容, 并将网页内容返回给蜘(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 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
• 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。
• 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。
• 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。
• 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。

下面是通过对话的方式方便理解：

Scrapy爬虫步骤

• 新建项目(scrapy startproject xxx):
   新建一个新的爬虫项目;
• 明确目标(编写item.py)
   明确你要抓取的目标;
• 制作爬虫(spiders/xxspider.py)
   制作爬虫, 开始爬取网页;
• 存储爬虫(pipelines.py)
   设置管道存储爬取内容;

下面我们通过爬取三国演义这本小说为例进行说明：

1、新建Scrapy项目

1. 创建爬虫项目，命令：scrapy startproject 项目名称
2. 创建爬虫文件，命令：scrapy genspider 爬虫名 目标网站
   创建完成后会自动生成一些文件

项目名
|—— 项目名
|	|—— _init_.py	#包定义
|	|—— items.py	#模型定义
|	|—— middlewares.py	#中间件定义
|	|—— pipelines.py	#管道定义
|	|—— settings.py 	#配置文件。编程方式控制的配置文件
|	|—— spider
|		|—— _init_.py	#默认蜘蛛代码文件
|——— scrapy.cfg	#运行配置文件。该文件存放的目录为根目录。模块名的字段定义了项目的设置

2、明确目标（items.py)

明确自己爬取的网站，需要爬取的信息，查看源代码，分析代码。
编辑items.py文件：这里文爬取小说名称，章节名称和每个章节的内容

import scrapy
from scrapy.loader.processors import TakeFirst


class BookItem(scrapy.Item):
    """
    定义Item类：
        1. 继承scrapy.Item类
        2. 每个属性指定为scrapy.Field(不管什么类型)
    """
    # name = scrapy.Field()
    # content = scrapy.Field()
    # bookname = scrapy.Field()
    # 拿出列表的第一个元素,因为pipline保存时需要的字符串
    name = scrapy.Field(output_processor=TakeFirst())
    content = scrapy.Field(output_processor=TakeFirst())
    bookname = scrapy.Field(output_processor=TakeFirst())

设置settings.py

3、制作爬虫

编写spiders/xxspider.py文件，我这里是spiders/book.py

"""
Scrapy爬虫流程：
    1. 确定start_urls起始URL
    2. 引擎将起始的URL交给调度器（存储到队列中,去重）
    3. 调度器将URL发送给Downloader, Downloader发起Request请求从互联网上下载网页信息（Response）
    4. 将下载好的页面内容交给Spider,进行解析（parse函数）
    5. 将处理好的数据(items)交给pipeline进行存储


"""

class BookSpider(scrapy.Spider):
    # 爬虫的名称,必须唯一
    name = 'book'
    base_url = 'http://www.shicimingju.com'
    # 限制：爬虫的url必须是'shicimingju.com'
    # allowed_domains = ['www.shicimingju.com']
    # 起始的url地址,可以指定多个,有两种方式指定:
    # 1). start_urls属性设置 = [ ]
    # 2). 通过start_requests生成起始url地址
    start_urls = [
        'http://www.shicimingju.com/book/sanguoyanyi.html',
        'http://www.shicimingju.com/book/shuihuzhuan.html',
        'http://www.shicimingju.com/book/xiyouji.html',
        'http://www.shicimingju.com/book/hongloumeng.html'
    ]

    def parse(self, response):
        """
        1). 如何编写好的解析代码？ 使用Scrapy的交互式工具scrapy shell url
        2). 如何处理解析后的数据? 通过yield返回解析数据的字典格式
        3). 如何获取/下载小说章节详情页的链接并下载到本地
        :param response:
        :return:
        """


        # 1.获取所有章节的li标签
        chapters = response.xpath('//div[@class="book-mulu"]/ul/li')
        # 2. 遍历每一个li标签,提取章节的详细网址和章节名称
        for chapter in chapters:
            l = ItemLoader(item=BookItem(), selector=chapter)
            detail_url = chapter.xpath('./a/@href').extract_first()
            # add_xpath,add_value,add_css返回的是字符串
            l.add_xpath('name', './a/text()')
            # name = chapter.xpath('./a/text()').extract_first()
            # response:<200 http://www.shicimingju.com/book/sanguoyanyi.html>
            l.add_value('bookname', response.url.split('/')[-1].rstrip('.html'))
            # bookname = response.url.split('/')[-1].rstrip('.html')

            # yield {
            #     'detail_url' : detail_url,
            #     'name' : name,
            # }
            # 将章节详情页的url提交到调度器队列, 通过Downloader下载器下载并交给parse_chapter_detail解析器进行解析处理数据
            yield Request(url=self.base_url + detail_url,
                          callback=self.parse_chapter_detail,
                          # meta={'name':name, 'bookname':bookname}
                          meta={'item':l.load_item()}
                        )


    def parse_chapter_detail(self, response):
        # 1. .xpath('string(.)获取该标签及子孙标签的文本信息
        # 2. 如何将对象转换为字符串?
        #           --extract_first()/get()---转换一个对象为字符串,
        #           --extract()/get_all()---转换列表中的每一个对象为字符串
        item = response.meta['item']
        content = response.xpath('.//div[@class="chapter_content"]')[0].xpath('string(.)').get()
        item['content'] = content
        yield item
        # yield {
        #     'name':response.meta['name'],
        #     'content': content,
        #     'bookname':response.meta['bookname']
        # }

4、存储数据

通过pipeline(管道)存储，编辑pipelines.py文件
解析数据部分yield返回的数据，以item的方式传入pipeline中，实现信息的持久化存储。

import os

import scrapy
from colorama import Fore
from scrapy.pipelines.images import ImagesPipeline
from sqlalchemy import Column, String, Integer, Float, create_engine
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker


class ScrapyprojectPipeline(object):

    def process_item(self, item, spider):
        """将章节内容写入对应的章节文件中"""
        # books/hongloumeng
        dirname = os.path.join('books', item['bookname'])
        if not os.path.exists(dirname):
            # 递归创建目录
            os.makedirs(dirname)
        name = item['name']
        # 文件名相对路径用join方法拼接： Linux路径拼接符是/, Windows路径拼接符是\
        filename = os.path.join(dirname, name)
        # 写入文件时以‘w’的方式打开， 并指定编码格式为utf-8来写入中文.
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(item['content'])
        return item

这样我们就实现了一个简单的scrapy爬虫框架的构建。