Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
![](https://i-blog.csdnimg.cn/blog_migrate/ea3bd27d8d2d375e0a6d8e95f2d8703f.png)
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处理, 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蛛(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。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
一、安装
1 pip install Scrapy
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
二、基本使用
1、创建项目
运行命令:
1 scrapy startproject your_project_name
自动创建目录:
1 project_name/
2
3 scrapy.cfg
5 project_name/
7 __init__.py
9 items.py
11 pipelines.py
13 settings.py
15 spiders/
17 __init__.py
18
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
2、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
1 #!/usr/bin/env python
2 # -*- coding:utf-8 -*-
3 import scrapy
4
5 class XiaoHuarSpider(scrapy.spiders.Spider):
6 name = "xiaohuar"
7 allowed_domains = ["xiaohuar.com"]
8 start_urls = [
9 "http://www.xiaohuar.com/hua/",
10 ]
11
12 def parse(self, response):
13 # print(response, type(response))
14 # from scrapy.http.response.html import HtmlResponse
15 # print(response.body_as_unicode())
16
17 current_url = response.url
18 body = response.body
19 unicode_body = response.body_as_unicode()
3、运行
进入project_name目录,运行命令
1 scrapy crawl spider_name --nolog
4、递归的访问
以上的爬虫仅仅是爬去初始页,而我们爬虫是需要源源不断的执行下去,直到所有的网页被执行完毕
1 #!/usr/bin/env python
2 # -*- coding:utf-8 -*-
3 import scrapy
4 from scrapy.http import Request
5 from scrapy.selector import HtmlXPathSelector
6 import re
7 import urllib
8 import os
9
10
11 class XiaoHuarSpider(scrapy.spiders.Spider):
12 name = "xiaohuar"
13 allowed_domains = ["xiaohuar.com"]
14 start_urls = [
15 "http://www.xiaohuar.com/list-1-1.html",
16 ]
17
18 def parse(self, response):
19 # 分析页面
20 # 找到页面中符合规则的内容(校花图片),保存
21 # 找到所有的a标签,再访问其他a标签,一层一层的搞下去
22
23 hxs = HtmlXPathSelector(response)
24
25 # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
26 if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
27 items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
28 for i in range(len(items)):
29 src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
30 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
31 school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
32 if src:
33 ab_src = "http://www.xiaohuar.com" + src[0]
34 file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))
35 file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
36 urllib.urlretrieve(ab_src, file_path)
37
38 # 获取所有的url,继续访问,并在其中寻找相同的url
39 all_urls = hxs.select('//a/@href').extract()
40 for url in all_urls:
41 if url.startswith('http://www.xiaohuar.com/list-1-'):
42 yield Request(url, callback=self.parse)
43
以上代码将符合规则的页面中的图片保存在指定目录,并且在HTML源码中找到所有的其他 a 标签的href属性,从而“递归”的执行下去,直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL,关键在于parse方法使用了 yield Request对象。
1 from scrapy.selector import Selector
2 from scrapy.http import HtmlResponse
3 html = """<!DOCTYPE html>
4 <html>
5 <head lang="en">
6 <meta charset="UTF-8">
7 <title></title>
8 </head>
9 <body>
10 <li class="item-"><a href="link.html">first item</a></li>
11 <li class="item-0"><a href="link1.html">first item</a></li>
12 <li class="item-1"><a href="link2.html">second item</a></li>
13 </body>
14 </html>
15 """
16 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
17 ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
18 print(ret)
1 #!/usr/bin/env python
2 # -*- coding:utf-8 -*-
3
4 import scrapy
5 import hashlib
6 from tutorial.items import JinLuoSiItem
7 from scrapy.http import Request
8 from scrapy.selector import HtmlXPathSelector
9
10
11 class JinLuoSiSpider(scrapy.spiders.Spider):
12 count = 0
13 url_set = set()
14
15 name = "jluosi"
16 domain = 'http://www.jluosi.com'
17 allowed_domains = ["jluosi.com"]
18
19 start_urls = [
20 "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
21 ]
22
23 def parse(self, response):
24 md5_obj = hashlib.md5()
25 md5_obj.update(response.url)
26 md5_url = md5_obj.hexdigest()
27 if md5_url in JinLuoSiSpider.url_set:
28 pass
29 else:
30 JinLuoSiSpider.url_set.add(md5_url)
31 hxs = HtmlXPathSelector(response)
32 if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
33 item = JinLuoSiItem()
34 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
35 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
36 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
37 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()
38
39 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()
40
41 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
42 product_list = []
43 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
44 for i in range(2,len(product_tr)):
45 temp = {
46 'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
47 'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
48 }
49 product_list.append(temp)
50
51 item['product_list'] = product_list
52 yield item
53
54 current_page_urls = hxs.select('//a/@href').extract()
55 for i in range(len(current_page_urls)):
56 url = current_page_urls[i]
57 if url.startswith('http://www.jluosi.com'):
58 url_ab = url
59 yield Request(url_ab, callback=self.parse)
1 def parse(self, response):
2 from scrapy.http.cookies import CookieJar
3 cookieJar = CookieJar()
4 cookieJar.extract_cookies(response, response.request)
5 print(cookieJar._cookies)
更多选择器规则:http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
5、格式化处理
上述实例只是简单的图片处理,所以在parse方法中直接处理。如果对于想要获取更多的数据(获取页面的价格、商品名称、QQ等),则可以利用Scrapy的items将数据格式化,然后统一交由pipelines来处理。
在items.py中创建类:
1 # -*- coding: utf-8 -*-
2
3 # Define here the models for your scraped items
4 #
5 # See documentation in:
6 # http://doc.scrapy.org/en/latest/topics/items.html
7
8 import scrapy
9
10 class JieYiCaiItem(scrapy.Item):
11
12 company = scrapy.Field()
13 title = scrapy.Field()
14 qq = scrapy.Field()
15 info = scrapy.Field()
16 more = scrapy.Field()
1 #!/usr/bin/env python
2 # -*- coding:utf-8 -*-
3
4 import scrapy
5 import hashlib
6 from beauty.items import JieYiCaiItem
7 from scrapy.http import Request
8 from scrapy.selector import HtmlXPathSelector
9 from scrapy.spiders import CrawlSpider, Rule
10 from scrapy.linkextractors import LinkExtractor
11
12
13 class JieYiCaiSpider(scrapy.spiders.Spider):
14 count = 0
15 url_set = set()
16
17 name = "jieyicai"
18 domain = 'http://www.jieyicai.com'
19 allowed_domains = ["jieyicai.com"]
20
21 start_urls = [
22 "http://www.jieyicai.com",
23 ]
24
25 rules = [
26 #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
27 #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
28 #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
29 #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
30 ]
31
32 def parse(self, response):
33 md5_obj = hashlib.md5()
34 md5_obj.update(response.url)
35 md5_url = md5_obj.hexdigest()
36 if md5_url in JieYiCaiSpider.url_set:
37 pass
38 else:
39 JieYiCaiSpider.url_set.add(md5_url)
40
41 hxs = HtmlXPathSelector(response)
42 if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
43 item = JieYiCaiItem()
44 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
45 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
46 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
47 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
48 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
49 yield item
50
51 current_page_urls = hxs.select('//a/@href').extract()
52 for i in range(len(current_page_urls)):
53 url = current_page_urls[i]
54 if url.startswith('/'):
55 url_ab = JieYiCaiSpider.domain + url
56 yield Request(url_ab, callback=self.parse)
此处代码的关键在于:
- 将获取的数据封装在了Item对象中
- yield Item对象 (一旦parse中执行yield Item对象,则自动将该对象交个pipelines的类来处理)
1 # -*- coding: utf-8 -*-
2
3 # Define your item pipelines here
4 #
5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
7
8 import json
9 from twisted.enterprise import adbapi
10 import MySQLdb.cursors
11 import re
12
13 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
14 phone_re = re.compile(r'(\d+-\d+|\d+)')
15
16 class JsonPipeline(object):
17
18 def __init__(self):
19 self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')
20
21
22 def process_item(self, item, spider):
23 line = "%s %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
24 self.file.write(line)
25 return item
26
27 class DBPipeline(object):
28
29 def __init__(self):
30 self.db_pool = adbapi.ConnectionPool('MySQLdb',
31 db='DbCenter',
32 user='root',
33 passwd='123',
34 cursorclass=MySQLdb.cursors.DictCursor,
35 use_unicode=True)
36
37 def process_item(self, item, spider):
38 query = self.db_pool.runInteraction(self._conditional_insert, item)
39 query.addErrback(self.handle_error)
40 return item
41
42 def _conditional_insert(self, tx, item):
43 tx.execute("select nid from company where company = %s", (item['company'][0], ))
44 result = tx.fetchone()
45 if result:
46 pass
47 else:
48 phone_obj = phone_re.search(item['info'][0].strip())
49 phone = phone_obj.group() if phone_obj else ' '
50
51 mobile_obj = mobile_re.search(item['info'][1].strip())
52 mobile = mobile_obj.group() if mobile_obj else ' '
53
54 values = (
55 item['company'][0],
56 item['qq'][0],
57 phone,
58 mobile,
59 item['info'][2].strip(),
60 item['more'][0])
61 tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)
62
63 def handle_error(self, e):
64 print 'error',e
上述中的pipelines中有多个类,到底Scapy会自动执行那个?哈哈哈哈,当然需要先配置了,不然Scapy就蒙逼了。。。
在settings.py中做如下配置:
1 ITEM_PIPELINES = {
2 'beauty.pipelines.DBPipeline': 300,
3 'beauty.pipelines.JsonPipeline': 100,
4 }
5 # 每行后面的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内。
归类 : Python爬虫