爬虫之scrapy数据建模与请求
1. 数据建模
通常在做项目的过程中,在items.py中进行数据建模
1.1 为什么建模
1、定义item即提前规划好哪些字段需要抓,防止手误,因为定义好之后,在运行过程中,系统会自动检查
2、配合注释一起可以清晰的知道要抓取哪些字段,没有定义的字段不能抓取,在目标字段少的时候可以使用字典代替
3、使用scrapy的一些特定组件需要Item做支持,如scrapy的ImagesPipeline管道类,百度搜索了解更多
1.2 如何建模
在items.py文件中定义要提取的字段:
class MyspiderItem(scrapy.Item):
name = scrapy.Field() # 讲师的名字
title = scrapy.Field() # 讲师的职称
desc = scrapy.Field() # 讲师的介绍
代码单独测试:
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class MyspiderItem(scrapy.Item):
# define the fields for your item here like:
# 讲师名字
name = scrapy.Field()
# 头衔
title = scrapy.Field()
# 详细描述
desc = scrapy.Field()
if __name__ == '__main__':
item = MyspiderItem()
item['name'] = '张老师'
item['title'] = '高级讲师'
item['desc'] = '清华大学毕业'
print(item)
运行效果:
1.3 如何使用模板类
模板类定义以后需要在爬虫中导入并且实例化,之后的使用方法和使用字典相同
job.py:
from myspider.items import MyspiderItem # 导入Item,注意路径
def parse(self, response)
item = MyspiderItem() # 实例化后可直接使用
item['name'] = node.xpath('./h3/text()').extract_first() # 如果返回的是多个就不能使用extract_first,而是extract
item['title'] = node.xpath('./h4/text()').extract_first()
item['desc'] = node.xpath('./p/text()').extract_first()
print(item)
示例代码:
import scrapy
from myspider.items import MyspiderItem
class ItcastSpider(scrapy.Spider):
name = 'itcast'
# 2.检查域名
allowed_domains = ['itcast.cn']
# start_urls = ['http://itcast.cn/']
# 1.修改起始url
start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']
# 3.在parse方法中实现爬取逻辑
# response是上面的url响应的结果
def parse(self, response):
# with open('itcast1.html', 'wb') as f:
# f.write(response.body)
# 获取所有老师的节点
node_list = response.xpath('//div[@class="li_txt"]')
print(len(node_list))
# 遍历教师节点
for node in node_list:
# temp = {}
item = MyspiderItem() # 实例化后可以直接使用
# xpath方法返回的是选择器对象列表,extract()用于从选择器对象中提取数据
item['name'] = node.xpath('./h3/text()').extract_first()
item['title'] = node.xpath('./h4/text()')[0].extract()
item['desc'] = node.xpath('./p/text()')[0].extract()
# xpath结果为只含有一个值的列表,可以使用extract_first(),如果为多个值则使用extract()
# print(temp)
yield item
注意:
1、from myspider.items import MyspiderItem这一行代码中 注意item的正确导入路径,忽略pycharm标记的错误
2、python中的导入路径要诀:从哪里开始运行,就从哪里开始导入
1.4 开发流程总结
1、创建项目
scrapy startproject 项目名
2、明确目标
在items.py文件中进行建模
3、创建爬虫
3.1 创建爬虫
scrapy genspider 爬虫名 允许的域
3.2 完成爬虫
修改start_urls
检查修改allowed_domains
编写解析方法
4、保存数据
在pipelines.py文件中定义对数据处理的管道
在settings.py文件中注册启用管道
2. 翻页请求的思路
对于要提取如下图中所有页面上的数据该怎么办?
回顾requests模块是如何实现翻页请求的:
1、找到下一页的URL地址
;2、调用requests.get(url)
scrapy实现翻页的思路:
1、找到下一页的url地址
2、构造url地址的请求对象,传递给引擎
3. 构造Request对象,并发送请求
3.1 实现方法
1、确定url地址
2、构造请求,scrapy.Request(url,callback)
1、callback:指定解析函数名称,表示该请求返回的响应使用哪一个函数进行解析
3、把请求交给引擎:yield scrapy.Request(url,callback)
3.2 网易招聘爬虫
通过爬取网易招聘的页面的招聘信息,学习如何实现翻页请求
地址:https://hr.163.com/position/list.do
思路分析:
1、获取首页的数据
2、寻找下一页的地址,进行翻页,获取数据
注意:
1、可以在settings中设置ROBOTS协议
#False表示忽略网站的robots.txt协议,默认为True
ROBOTSTXT_OBEY = False
1.可以在settings中设置User-Agent:
# scrapy发送的每一个请求的默认UA都是设置的这个User-Agent
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
3.3 代码实现
在爬虫文件的parse方法中:
......
# 提取下一页的href
next_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()
# 判断是否是最后一页
if next_url != 'javascript:void(0)':
# 构造完整url
url = 'https://hr.163.com/position/list.do' + next_url
# 构造scrapy.Request对象,并yield给引擎
# 利用callback参数指定该Request对象之后获取的响应用哪个函数进行解析
yield scrapy.Request(url, callback=self.parse)
......
3.4 scrapy.Request的更多参数
scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])
参数解释
1.中括号里的参数为可选参数
2.callback:表示当前的url的响应交给哪个函数去处理
3.meta:实现数据在不同的解析函数中传递,meta默认带有部分数据,比如下载延迟,请求深度等 【用于解析方法之间的数据传递,常用在一条数据分散在不同结构的页面中的情况】
4.dont_filter:默认为False,会过滤请求的url地址,即请求过的url地址不会继续被请求,对需要重复请求的url地址可以把它设置为Ture,比如贴吧的翻页请求,页面的数据总是在变化;start_urls中的地址会被反复请求,否则程序不会启动
;5.method:指定POST或GET请求
6.headers:接收一个字典,其中不包括cookies
7.cookies:接收一个字典,专门放置cookies
8.body:接收json字符串,为POST的数据,发送payload_post请求时使用,下面博文会继续介绍post请求
示例代码:
items.py:
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class WangyiItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field()
link = scrapy.Field()
depart = scrapy.Field()
category = scrapy.Field()
type = scrapy.Field()
address = scrapy.Field()
num = scrapy.Field()
date = scrapy.Field()
job.py
import scrapy
from wangyi.items import WangyiItem
class JobSpider(scrapy.Spider):
name = 'job'
allowed_domains = ['163.com']
start_urls = ['https://hr.163.com/position/list.do']
def parse(self, response):
# 提取数据
print(response.url)
# 获取所有的职位节点列表
node_list = response.xpath('//*[@class="position-tb"]/tbody/tr')
print(len(node_list))
# 遍历节点列表
for num, node in enumerate(node_list):
# 设置过滤条件,将目标节点获取出来
if num % 2 == 0:
item = WangyiItem()
item['name'] = node.xpath('./td[1]/a/text()').extract_first()
# response.urljoin()用于拼接相对路径的url,可以理解成自动补全
item['link'] = response.urljoin(node.xpath('./td[1]/a/@href').extract_first())
item['depart'] = node.xpath('./td[2]/text()').extract_first()
item['category'] = node.xpath('./td[3]/text()').extract_first()
item['type'] = node.xpath('./td[4]/text()').extract_first()
item['address'] = node.xpath('./td[5]/text()').extract_first()
item['num'] = node.xpath('./td[6]/text()').extract_first().strip()
item['date'] = node.xpath('./td[7]/text()').extract_first()
# print(item)
yield item
# 模拟翻页
part_url = response.xpath('/html/body/div[2]/div[2]/div[2]/div/a[last()]/@href').extract_first()
print(part_url)
# 判断中止条件
if part_url != 'javascript:void(0)':
next_url = response.urljoin(part_url)
# 构建请求对象,并且返回给引擎
yield scrapy.Request(
url=next_url,
callback=self.parse # 这儿若不写也是默认用parse方法来解析的
)
pipelinses.py:
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
import json
class WangyiPipeline:
def __init__(self):
self.file = open('wangyi.json', 'w')
def process_item(self, item, spider):
item = dict(item)
str_data = json.dumps(item, ensure_ascii=False) + ',\n'
self.file.write(str_data)
return item
def __del__(self):
self.file.close()
思路提示:
爬取效果:
4. meta参数的使用
meta的作用:meta可以实现数据在不同的解析函数中的传递
在爬虫文件的parse方法中,提取详情页增加之前callback指定的parse_detail函数:
def parse(self,response):
...
yield scrapy.Request(detail_url, callback=self.parse_detail,meta={"item":item})
...
def parse_detail(self,response):
#获取之前传入的item
item = resposne.meta["item"]
特别注意
1、meta参数是一个字典
2、meta字典中有一个固定的键proxy,表示代理ip,关于代理ip的使用将在scrapy的下载中间件的学习中进行介绍
示例代码:
job.py:
import scrapy
from wangyi.items import WangyiItem
class JobSpider(scrapy.Spider):
name = 'job'
allowed_domains = ['163.com']
start_urls = ['https://hr.163.com/position/list.do']
def parse(self, response):
# 提取数据
print(response.url)
# 获取所有的职位节点列表
node_list = response.xpath('//*[@class="position-tb"]/tbody/tr')
print(len(node_list))
# 遍历节点列表
for num, node in enumerate(node_list):
# 设置过滤条件,将目标节点获取出来
if num % 2 == 0:
item = WangyiItem()
item['name'] = node.xpath('./td[1]/a/text()').extract_first()
# response.urljoin()用于拼接相对路径的url,可以理解成自动补全
item['link'] = response.urljoin(node.xpath('./td[1]/a/@href').extract_first())
item['depart'] = node.xpath('./td[2]/text()').extract_first()
item['category'] = node.xpath('./td[3]/text()').extract_first()
item['type'] = node.xpath('./td[4]/text()').extract_first()
item['address'] = node.xpath('./td[5]/text()').extract_first()
item['num'] = node.xpath('./td[6]/text()').extract_first().strip()
item['date'] = node.xpath('./td[7]/text()').extract_first()
# print(item)
# yield item
# 构建详情页面的请求
yield scrapy.Request(
url=item['link'],
callback=self.parse_detail,
meta={'item': item}
)
# 模拟翻页
part_url = response.xpath('/html/body/div[2]/div[2]/div[2]/div/a[last()]/@href').extract_first()
print(part_url)
# 判断中止条件
if part_url != 'javascript:void(0)':
next_url = response.urljoin(part_url)
# 构建请求对象,并且返回给引擎
yield scrapy.Request(
url=next_url,
callback=self.parse # 这儿若不写也是默认用parse方法来解析的
)
def parse_detail(self, response):
# 将meta传参获取
item = response.meta['item']
# 提取剩余字段数据
item['duty'] = response.xpath('/html/body/div[2]/div[2]/div[1]/div/div/div[2]/div[1]/div/text()').extract()
item['require'] = response.xpath('/html/body/div[2]/div[2]/div[1]/div/div/div[2]/div[2]/div/text()').extract()
# print(item)
# 返回给引擎
yield item
items.py:
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class WangyiItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field()
link = scrapy.Field()
depart = scrapy.Field()
category = scrapy.Field()
type = scrapy.Field()
address = scrapy.Field()
num = scrapy.Field()
date = scrapy.Field()
duty = scrapy.Field()
require = scrapy.Field()
运行效果:
json数据解析:
小结
1、完善并使用Item数据类:
在items.py中完善要爬取的字段
在爬虫文件中先导入Item
实力化Item对象后,像字典一样直接使用
2、构造Request对象,并发送请求:
导入scrapy.Request类
在解析函数中提取url
yield scrapy.Request(url, callback=self.parse_detail, meta={})
3、利用meta参数在不同的解析函数中传递数据:
通过前一个解析函数 yield scrapy.Request(url, callback=self.xxx, meta={}) 来传递meta
在self.xxx函数中 response.meta.get(‘key’, ‘’) 或 response.meta[‘key’] 的方式取出传递的数据