scrapy爬虫框架入门实例

http://blog.csdn.net/zjiang1994/article/details/52779537

注意：经多人告知，慕课网的页面结构已经变了，所以说该案例实际上已经不能达到抓取目的。但是关于scrapy爬虫框架整体的使用方式和流程目前还是正确的，可以进行参考。

scrapy爬虫框架入门实例

关于如何安装scrapy框架，可以参考这篇文章 
scrapy安装方法 
初识scrapy框架，写个简单的例子帮助理解。

强调一下，这里使用的是Python3.6

例子的目标就是抓取慕课网的课程信息

流程分析

抓取内容

例子要抓取这个网页http://www.imooc.com/course/list 
要抓取的内容是全部的课程名称，课程图片，课程人数，课程简介，课程URL 
这样的： 

我们要抓取的是这一部分 

或者说抓取其中的每一个课程div 

#如果response是网页资源的话，下面的代码可以帮助我们获得div
divs = response.xpath('//div[@class="moco-course-wrap"]/a[@target="_self"]')
 
 
1
2

通过浏览器的调试工具我们可以看到它们的结构。 

所以如果div已经获得的话通过如下获得信息

#获取每个div中的课程路径
item['url'] = 'http://www.imooc.com' + box.xpath('.//@href').extract()[0]
#获取div中的课程标题
item['title'] = box.xpath('.//img/@alt').extract()[0].strip()
#获取div中的标题图片地址
item['image_url'] = box.xpath('.//@src').extract()[0]
#获取div中的学生人数
item['student'] = box.xpath('.//span/text()').extract()[0].strip()[:-3]
#获取div中的课程简介
item['introduction'] = box.xpath('.//p/text()').extract()[0].strip()
 
 
1
2
3
4
5
6
7
8
9
10

同时，为了抓取全部课程我们还要抓取跟进URL～ 
这里就不在演示了。

---

工作流程

Scrapy框架抓取的基本流程是这样(随便画了一下，不要纠结) 
 
当然了，还有一些中间件等等，这里是入门例子，所以不涉及。

---

工程建立

在控制台模式下进入你要建立工程的文件夹执行如下命令创建工程

scrapy startproject scrapytest
 
 
1

这里的scrapytest是工程名框架会自动在当前目录下创建一个同名的文件夹，工程文件就在里边。

---

目录分析

目录结构如下图。

scrapy.cfg: 项目的配置文件
scrapytest/: 该项目的python模块。之后您将在此加入代码。
scrapytest/items.py: 项目中的item文件.
scrapytest/pipelines.py: 项目中的pipelines文件.
scrapytest/settings.py: 项目的设置文件.
scrapytest/spiders/: 放置spider代码的目录.

 
 
1
2
3
4
5
6
7

---

创建一个爬虫

下面按步骤讲解如何编写一个简单的爬虫。

创建爬虫文件

我们要编写爬虫，首先是创建一个Spider

我们在scrapytest/spiders/目录下创建一个文件MySpider.py

文件包含一个MySpider类，它必须继承scrapy.Spider类。

同时它必须定义一下三个属性：

-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。

创建完成后MySpider.py的代码如下

#引入文件
import scrapy

class MySpider(scrapy.Spider):
    #用于区别Spider
    name = "MySpider"
    #允许访问的域
    allowed_domains = []
    #爬取的地址
    start_urls = []
    #爬取方法
    def parse(self, response):
        pass
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13

---

定义爬取项目

创建完了Spider文件，先不急着编写爬取代码 
我们先定义一个容器保存要爬取的数据。

这样我们就用到了Item 
为了定义常用的输出数据，Scrapy提供了Item类。Item对象是种简单的容器，保存了爬取到得数据。 其提供了 类似于词典(dictionary-like)的API以及用于声明可用字段的简单语法。

我们在工程目录下可以看到一个items文件，我们可以更改这个文件或者创建一个新的文件来定义我们的item。

这里，我们在同一层创建一个新的item文件CourseItems.py

CourseItems.py的代码如下

#引入文件
import scrapy

class CourseItem(scrapy.Item):
    #课程标题
    title = scrapy.Field()
    #课程url
    url = scrapy.Field()
    #课程标题图片
    image_url = scrapy.Field()
    #课程描述
    introduction = scrapy.Field()
    #学习人数
    student = scrapy.Field()
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14

根据如上的代码，我们创建了一个名为courseItem的容器，用来保存、抓取的信息， 
title->课程标题, url->课程url, image_url->课程标题图片, introduction->课程描述, student->学习人数

在创建完item文件后我们可以通过类似于词典(dictionary-like)的API以及用于声明可用字段的简单语法。

常用方法如下

#定义一个item
course = CourseItem()
#赋值
course['title'] = "语文"
#取值
course['title']
course.get('title')
#获取全部键
course.keys()
#获取全部值
course.items()
 
 
1
2
3
4
5
6
7
8
9
10
11

---

编写Spider代码

定义了item后我们就能进行爬取部分的工作了。

为了简单清晰，我们先抓取一个页面中的信息。

首先我们编写爬取代码

我们在上文说过，爬取的部分在MySpider类的parse()方法中进行。 
parse()方法负责处理response并返回处理的数据以及(/或)跟进的URL。 
该方法及其他的Request回调函数必须返回一个包含 Request 及(或) Item 的可迭代的对象。

我们在之前创建的MySpider.py中编写如下代码。 
注意和上边MySpider.py的区别

import scrapy
#引入容器
from scrapytest.CourseItems import CourseItem

class MySpider(scrapy.Spider):
    #设置name
    name = "MySpider"
    #设定域名
    allowed_domains = ["imooc.com"]
    #填写爬取地址
    start_urls = ["http://www.imooc.com/course/list"]
    #编写爬取方法
    def parse(self, response):
        #实例一个容器保存爬取的信息
        item = CourseItem()
        #这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定
        #先获取每个课程的div
        for box in response.xpath('//div[@class="moco-course-wrap"]/a[@target="_self"]'):
            #获取每个div中的课程路径
            item['url'] = 'http://www.imooc.com' + box.xpath('.//@href').extract()[0]
            #获取div中的课程标题
            item['title'] = box.xpath('.//img/@alt').extract()[0].strip()
            #获取div中的标题图片地址
            item['image_url'] = box.xpath('.//@src').extract()[0]
            #获取div中的学生人数
            item['student'] = box.xpath('.//span/text()').extract()[0].strip()[:-3]
            #获取div中的课程简介
            item['introduction'] = box.xpath('.//p/text()').extract()[0].strip()
            #返回信息
            yield item
 
 
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

注：这里用到了xpath方式来获取页面信息，这里不做过多介绍，可以参考网上的xpath教程来自己学习。

在parse()方法中response参数返回一个下载好的网页信息，我们然后通过xpath来寻找我们需要的信息。 
在scrapy框架中，可以使用多种选择器来寻找信息，这里使用的是xpath，同时我们也可以使用BeautifulSoup，lxml等扩展来选择，而且框架本身还提供了一套自己的机制来帮助用户获取信息，就是Selectors。 
因为本文只是为了入门所以不做过多解释。

在执行完以上步骤之后，我们可以运行一下爬虫，看看是否出错。

在命令行下进入工程文件夹，然后运行

scrapy crawl MySpider
 
 
1

如果操作正确会显示如下信息。

上面信息表示，我们已经获取了信息，接下来我们开始进行信息的储存。

---

使用Pipeline处理数据

当我们成功获取信息后，要进行信息的验证、储存等工作，这里以储存为例。 
当Item在Spider中被收集之后，它将会被传递到Pipeline，一些组件会按照一定的顺序执行对Item的处理。 
Pipeline经常进行一下一些操作： 
清理HTML数据 
验证爬取的数据(检查item包含某些字段) 
查重(并丢弃) 
将爬取结果保存到数据库中

这里只进行简单的将数据储存在json文件的操作。

首先在scrapytest/目录下建立一个文件MyPipelines.py

MyPipelines.py代码如下

#引入文件
from scrapy.exceptions import DropItem
import json

class MyPipeline(object):
    def __init__(self):
        #打开文件
        self.file = open('data.json', 'w', encoding='utf-8')
    #该方法用于处理数据
    def process_item(self, item, spider):
        #读取item中的数据
        line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        #写入文件
        self.file.write(line)
        #返回item
        return item
    #该方法在spider被开启时被调用。
    def open_spider(self, spider):
        pass
    #该方法在spider被关闭时被调用。
    def close_spider(self, spider):
        pass
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

要使用Pipeline，首先要注册Pipeline

找到settings.py文件,这个文件时爬虫的配置文件

在其中添加

ITEM_PIPELINES = {
    'scrapytest.MyPipelines.MyPipeline': 1,
}
 
 
1
2
3

上面的代码用于注册Pipeline，其中scrapytest.MyPipelines.MyPipeline为你要注册的类，右侧的’1’为该Pipeline的优先级，范围1～1000，越小越先执行。

进行完以上操作，我们的一个最基本的爬取操作就完成了

这时我们再运行

scrapy crawl MySpider
 
 
1

就可以在项目根目录下发现data.json文件，里面存储着爬取的课程信息。

如下图： 

这样一个简单的爬虫就完成了。

---

扩展完善

上面的代码只进行了比较简单的爬取，并没有完成爬取慕课网全部课程的目标。 
下面进行一些简单的扩展完成我们的目标。

url跟进

在上面我们介绍了如何进行简单的单页面爬取，但是我们可以发现慕课网的课程是分布在去多个页面的，所以为了完整的爬取信息课程信息，我们需要进行url跟进。

为了完成这个目标需要对MySpider.py文件进行如下更改

import scrapy
#引入容器
from scrapytest.CourseItems import CourseItem

class MySpider(scrapy.Spider):
    #设置name
    name = "MySpider"
    #设定域名
    allowed_domains = ["imooc.com"]
    #填写爬取地址
    start_urls = ["http://www.imooc.com/course/list"]
    #编写爬取方法
    def parse(self, response):
        #实例一个容器保存爬取的信息
        item = CourseItem()
        #这部分是爬取部分，使用xpath的方式选择信息，具体方法根据网页结构而定
        #先获取每个课程的div
        for box in response.xpath('//div[@class="moco-course-wrap"]/a[@target="_self"]'):
            #获取每个div中的课程路径
            item['url'] = 'http://www.imooc.com' + box.xpath('.//@href').extract()[0]
            #获取div中的课程标题
            item['title'] = box.xpath('.//img/@alt').extract()[0].strip()
            #获取div中的标题图片地址
            item['image_url'] = box.xpath('.//@src').extract()[0]
            #获取div中的学生人数
            item['student'] = box.xpath('.//span/text()').extract()[0].strip()[:-3]
            #获取div中的课程简介
            item['introduction'] = box.xpath('.//p/text()').extract()[0].strip()
            #返回信息
            yield item
        #url跟进开始
        #获取下一页的url信息
        url = response.xpath("//a[contains(text(),'下一页')]/@href").extract()
        if url :
            #将信息组合成下一页的url
            page = 'http://www.imooc.com' + url[0]
            #返回url
            yield scrapy.Request(page, callback=self.parse)
        #url跟进结束
 
 
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

修改成功后就可以自动进行url跟进了。

---

下载图片

在上文我们爬取了慕课网全部的课程信息，但是每个课程的标题图片我们只获得了url并没有下载下了，这里我们进行图片下载的编写。

首先我们在CourseItems.py文件中添加如下属性

#图片地址
image_path = scrapy.Field()
 
 
1
2

因为我们要下载图片，所以需要用这个属性用来保存下载地址。

接下来我们需要创建一个Pipeline用来下载图片。

这里我们创建一个ImgPipelines.py

代码如下:

import scrapy
from scrapy.contrib.pipeline.images import ImagesPipeline
from scrapy.exceptions import DropItem

class ImgPipeline(ImagesPipeline):
    #通过抓取的图片url获取一个Request用于下载
    def get_media_requests(self, item, info):
        #返回Request根据图片图片url下载
        yield scrapy.Request(item['image_url'])
    #当下载请求完成后执行该方法
    def item_completed(self, results, item, info):
        #获取下载地址
        image_path = [x['path'] for ok, x in results if ok]
        #判断是否成功
        if not image_path:
            raise DropItem("Item contains no images")
        #将地址存入item
        item['image_path'] = image_path
        return item
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

这里我们使用的是Scrapy提供的ImagesPipeline，这个pipeline专门进行图片的下载， 
这里、主要用到两个方法：get_media_requests() 和item_completed()

get_media_requests(item, info)方法是通过抓取的图片url来返回一个Request，这个Request将对图片进行下载。 
在下载请求完成后(下载成功或失败)就会调用item_completed()方法。

item_completed(results, items, info) 
方法在下载请求完成后执行. 
参数results包含三个项目

url->图片的url，
path->下载后保存地址，
checksum->图片内容的 MD5 hash

 
 
1
2
3
4

该方法需要返回item供后续操作。

编写完ImgPipelines后照例需要注册一下

ITEM_PIPELINES = {
    'scrapytest.MyPipelines.MyPipeline': 100,
    'scrapytest.ImgPipelines.ImgPipeline': 1,
}
 
 
1
2
3
4

注意这里的顺序，因为我要先下载图片再获得图片的路径，所以应该先处理ImgPipeline再处理MyPipeline,所以说ImgPipeline的数字小一些。

同时，因为是下载图片这里需要注册一下保存地址，还是在settings.py文件

IMAGES_STORE = 'D:\\img\\'
 
 
1

IMAGES_STORE规定了保存地址，地址自己随意。

这样在运行爬虫就会下载图片了，就像这样 

同时注意了，因为要进行下载任务，所以说电脑不好的同学很有可能内存溢出，所以不推荐在pipeline中执行下载等任务，可以在后期处理。如果非要处理的话可以更改CONCURRENT_ITEMS参数减少并发处理item的数量来降低系统开销。

CONCURRENT_ITEMS属性默认为100，就是同时处理100个item可以适当降低，实在不行就是1

---

总结

把多余的文件删除后的目录结构 

上面的处理结束后我们就成功的抓取了慕课网的全部课程信息了。 

以上就是我的Scrapy入门小例子了。如果有看到的希望指出不足。

附上我的代码：scrapy抓取实例