一. scrapy概述
官方网站:http://scrapy.org [orginzation]
使用Python开发的主要进行数据采集的一个应用程序框架,核心使用它来进行爬虫程序的快速开发,底层使用了twisted异步模块,所以在进行数据采集下载时效率非常高!
1.ubuntu/macos 下,在有完善的python环境的基础上直接安装 scrapy
2.windows下:注意~安装分两步进行
①先安装scrapy
# 管理员身份运行cmd窗口 pip install scrapy or easy_install scrapy |
PS:注意 安装完scrapy之后,可以正常的进行scrapy项目的开发,但是在windows上运行项目会出现问题,如果出现类似于WinError这样的的问题,请安装下面的模块 |
②安装win32
# 需要安装一个pypiwin32模块,用于scrapy模块可能调用win底层C库进行函数操作 pip install pypiwin32 |
二、 项目开发——创建scrapy项目
1.通过执行如下命令,来创建scrapy项目
# 通过scrapy命令,加上startproject选项,创建一个名称为spider_name的爬虫项目 scrapy startproject <spider_name> |
在pycharm中直接运行工具中的cmd终端窗口,执行如下命令创建一个爬虫项目
scrapy startproject myspider |
注意:关于终端窗口、命令窗口、shell窗口 windows系统中:终端窗口、命令窗口 -> cmd窗口 新系统中win10:shell窗口->power shell->可以执行常见的linux命令 终端窗口~Terminal ubuntu(like linux/unix)系统中:终端~shell->shell命令窗口 Terminal->shell窗口 Mac OS: 终端->shell窗口 |
创建好的项目文件结构如下:
|-- myspider/ 项目根目录 |-- scrapy.cfg 项目配置文件 [cfg: config] |-- myspider/ 爬虫 模块->以后的爬虫程序开发都在这个模块中 |-- spiders/ 爬虫程序所在的目录 |-- items.py 采集的数据->定义封装模型类的模块 |-- pipelines.py 采集的数据->采集完成之后进行数据验证、存储的模块 |-- middlewares.py 中间件定义的模块 |-- settings.py 项目设置模块 |
2. 开发爬虫程序
准备工作,分三步进行
(1) 分析爬虫要采集的url地址,分析采集的数据字段
招聘岗位:job 发布公司:company 薪水待遇:salary item.py文件:
|
(2) 定义采集的字段封装的Item类型,在items.py模块中,定义Item类
我们通过scrapy项目中的items.py模块定义封装采集数据字段的类型 为了能使用scrapy提供的各种内置功能,让定义的类型继承自scrapy.Item类型;类型中的字段属性通过scrapy.Field()进行定义! |
import scrapy class ZhilianItem(scrapy.Item): |
(3).在spiders/zhilianspider.py中开发爬虫程序,采集初步数据
为了可以直接使用scrapy内置的爬虫操作,让scrapy自动采集数据,我们需要定义一个爬虫处理类 在spiders/zhilianspider.py模块中定义ZhilianSpider类型 继承自scrapy.Spider 类型中的属性:name属性~爬虫名称,用于在命令行启动爬虫时调用 类型中的属性:start_urls属性~采集数据的初始url地址[列表、元组] 类型中的属性:allowed_domains属性~采集数据的网站域名限制 类型中的方法:parse(self, response)采集完数据之后自动执行的函数 |
spiders/zhilianspider.py文件
# -*-coding:utf-8 -*- ''' 为了可以直接使用scrapy内置的爬虫操作,让scrapy自动采集数据,我们需要定义一个爬虫处理类 在spiders/zhilianspider.py模块中定义ZhilianSpider类型,继承自scrapy.Spider 类型中的属性:name属性~爬虫名称,用于在命令行启动爬虫时调用 类型中的属性:start_urls属性~采集数据的初始url地址[列表、元组] 类型中的属性:allowed_domains属性~采集数据的网站域名限制 类型中的方法:parse(self, response)采集完数据之后自动执行的函数 ''' import scrapy from .. import items class ZhilianSpider(scrapy.Spider): name = 'zlspider' start_urls = ( "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=1 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=2 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=3 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=4 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=5 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=6 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=7 ", "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E5%8C%97%E4%BA%AC&kw=%E7%88%AC%E8%99%AB&sm=0&sg=cab76822e6044ff4b4b1a907661851f9&p=8 ") allowed_domains='zhaopin.com' def parse(self, response): # 采集到的数据就在response中,定义专门保存items对象即数据对象的列表 job_items=[] # xpath语法,先筛选出智联招聘每一条招聘信息,即每一行 job_list=response.xpath("//div[@id='newlist_list_content_table']/table[position()>1]/tr[1]") for select in job_list: # 在进行第一次筛选后进行进一步的筛选,依次筛选出职位信息,公司名称,职位月薪,结合网页中源代码 job_name=select.xpath("td[@class='zwmc']/div/a/text()").extract()[0] company = select.xpath("td[@class='gsmc']/a/text()").extract()[0] salary = select.xpath("td[@class='zwyx']/text()").extract()[0] # 实例化items对象 job_item=items.ZhilianItem() job_item['job_name']=job_name job_item['company']=company job_item['salary']=salary job_items.append(job_item) # 这个方法是将数据保存在本地文件中 # 将列表返回,通过python2 -m scrapy crawl zlspider -o job.csv # 可以将数据保存在名为job的.csv文件,即表格文件中,文件后缀名可选的有csv/json/jl/jsonline等 #return job_items # 文件打开如下: # 将数据交给Pipelines模块 yield job_item
3.数据处理
核心:在pipelines.py模块中,定义处理Item数据的Piplelines,将数据存储到数据库中给其他项目做数据准备。需要注意的是在这里定义的任意的Pipelines类型都需要在settings.py 文件中修改配置注册,这样在爬虫程序中yield数据模型才知道要将数据交给哪个类型。
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
# 导入数据库引擎对象
from sqlalchemy import create_engine
# 导入会话构建对象
from sqlalchemy.orm import sessionmaker
# 替换mysqldb模块
import pymysql
pymysql.install_as_MySQLdb()
class MyspiderPipeline(object):
def process_item(self, item, spider):
return item
class ZhilianPipeline(object):
'''
处理智联招聘数据的pipeline,负责最终的数据验证和数据存储
'''
def __init__(self):
'''
初始化对象数据:可以用于初始化资源
如:打开文件、打开数据库连接等等操作
'''
self.engine = create_engine("mysql://root:@localhost/py1709_spider?charset=utf8", encoding="utf8")
Session = sessionmaker(bind=self.engine)
self.session = Session()
def open_spider(self, spider):
'''
爬虫开启时需要调用的函数,经常用于数据初始化
:param spider:
:return:
'''
pass
def close_spider(self, spider):
'''
爬虫程序关闭时自动调用的函数
经常用于做一些资源回收的工作,如:关闭和数据库的会话连接
:param spider:
:return:
'''
self.session.close()
def process_item(self, item, spider):
'''
该函数会在爬虫采集并封装好Item对象时自动调用
函数中针对item数据进行验证和存储
:param item:
:param spider:
:return:
'''
print ">>>>>>>>>>>>>>>>zhilian pipelines in woking......."
# 定义sql语句
sql = "insert into job(job, company, salary) values('%s', '%s', '%s')"\
% (item['job'], item['company'], item['salary'])
# 执行sql语句
self.session.execute(sql)
# 提交数据
self.session.commit()
二.总结:scrapy完整的项目流程
1.创建爬虫项目[可以包含多个爬虫程序]
scrapy startproject myspider
2.定义采集数据的Item封装类型
修改myspider/items.py,添加ZhilianItem,继承scrapy.Item属性通过scrapy.Field()定义
3..开发爬虫程序
在myspider/spiders/添加zhilianspider.py模块,定义ZhilianSpider类型【爬虫程序】,继承scrapy.Spider
属性定义:
name属性:爬虫名称,用于在命令行启动指定爬虫使用
allowed_domains属性:域名限制~限制爬虫只能在某个域名下进行数据采集
start_urls属性:元组/列表,定义了所有初始采集数据的url路径
方法定义:
parse(self, response)函数:函数中的response参数接受了下载模块采集到的url中的数据
这个函数中,可以进行数据的xpath/re/css选择器进行筛选
将筛选得到的数据,封装在ZhilianItem对象中
通过协程的方式将item对象交给pipelines.py模块进行处理
yield item
4.开发管道模块
4-1 修改myspider/pipelines.py模块,添加ZhilianPipleline类型
初始化函数:__init__(self):主要用于进行资源的初始化操作,如打开文件、打开和数据库的连接等等,有必要编写
初始化了sqlalchemy的数据库连接
程序启动调用函数:open_spider(self, spider):当spider爬虫启动的时候自动调用的函数,也经常用于精确的资源初始化工作,一般不写
程序关闭调用函数:close_spider(self, spider):当spider爬虫关闭的时候自动调用的函数,经常用于资源的回收,如关闭打开的文件、关闭数据库连接等等,有必要编写
如:关闭了sqlalchemy的数据库连接
数据存储核心函数:process_item(self, item, spider):核心处理函数,进行采集到的数据item中的实际数据的验证、存储工作,必须写
通过sqlalchemy进行了数据的存储
4-2 修改myspider/settings.py设置文件,添加ITEM_PIPELINES = []配置选项中,将我们自定义的ZhilianPipeline注册给scrapy
总结scrapy框架流程图: