Python网络爬虫与信息提取——网络爬虫Scrapy框架

第五章 网络爬虫之Scrapy框架

● Scrapy爬虫框架

• Scrapy爬虫框架介绍
  1、Scrapy安装：cmd-> pip install scrapy
  2、Scrapy不是一个函数功能库而是一个爬虫框架。
     爬虫框架：
      1）爬虫框架是实现爬虫功能的一个软件结构和功能组件集合。
      2）爬虫框架是一个半成品，能够帮助用户实现专业网络爬虫。
  3、Scrapy爬虫框架结构（5主要模块+2中间键）
      
    数据流的三个路径
     路径1：
      1）Engine从 Spider处获得爬取请求( Request)；
      2）Engine将爬取请求转发给 Scheduler，用于调度；
     路径2：
      3）Engine从 Scheduler处获得下一个要爬取的请求；
      4）Engine将爬取请求通过中间件发送给 Downloader；
      5）爬取网页后, Downloader形成响应( Response)，通过中间件发给 Engine；
      6）Engine将收到的响应通过中间件发送给 Spider处理；
     路径3：
      7）Spider处理响应后产生爬取项(scraped Item)和新的爬取请求( Requests)给Engine；
      8）Engine将爬取项发送给Item Pipeline(框架出口)；
      9）Engine将爬取请求发送给Scheduler。
    数据流的出入口
      Engine控制各模块数据流，不间断从 Scheduler处获得爬取请求，直至请求为空。
      框架入口: Spider的初始爬取请求
      框架出口: Item Pipeline
      ENGINE、SCHEDULER、DOWNLOAD模块功能已有实现，SPIDERS、ITEM PIPELINES模块有用户编写（配置）。
• Scrapy爬虫框架解析
  1、Engine模块（不需要用户修改）—核心
      1）控制所有模块之间的数据流;
      2）根据条件触发事件;
  2、Downloader模块（不需要用户修改:根据请求下载网页;
  3、Scheduler模块（不需要用户修改:对所有爬取请求进行调度管理;
  4、Spider模块（需用户编写配置代码）
      1）解析Downloader返回的响应(Response)；
      2）产生爬取项(scraped item)；
      3）产生额外的爬取请求(Request)；
  5、Item Pipelines模块（需用户编写配置代码）
      1）以流水线方式处理 Spider产生的抓取项；
      2）由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型；
      3）可能操作包括:清理、检验和查重爬取项中的HTML数据、将数据存储到数据库；
  6、Downloader Middleware中间键（用户可编写配置代码）
      目的:实施 Engine、Scheduler和Downloader间进用户可配置的控制；
      功能:修改、丟弃、新增请求或响应；
  7）Spider middleware中间键（用户可编写配置代码）
      目的:对请求和爬取项的再处理；
      功能:修改、丢弃、新增请求或爬取项。
• requests库和Scrapy爬虫比较
  1、相同点
    1）两者都可以进行页面请求和爬取, Python爬虫的两个重要技术路线；
    2）两者可用性都好,文档丰富,入门简单；
    3）两者都没有处理js、提交表单、应对验证码等功能(可扩展)。
  2、不同点
      
  3、开发爬虫技术路线选择
    1）非常小的需求, requests库。
    2）不太小的需求, Scrapy框架。
    3）定制程度很高的需求(不考虑规模)，自搭框架，requests>Scrapy。
• Scrapy爬虫常用命令
  1、Scrapy命令行：Scrapy是为持续运行设计的专业爬虫框架，提供操作的Scrap命令行，打开命令行操作：CMD窗口->scrapy -h。
  2、Scrapy命令行格式
      
  3、Scrapy常用命令
      
  最常用：startproject、genspider、crawl
  4、为什么 Scrapy采用命令行创建和运行爬虫?
    1）命令行(不是图形界面)更容易自动化，适合脚本控制；
    2）本质上，Scrapy是给程序员用的，功能(而不是界面)更重要。

● Scrapy爬虫基本使用

• Scrapy爬虫案列讲解
  应用Scrapy爬虫框架主要是编写配置型代码
  1、产生步骤
    步骤1:建立一个Scrapy爬虫工程
    选取一个目录（F:\pycodes\），然后执行如下命令：

F:\pycodes>scrapy startprojrct python123demo
Scrapy 1.6.0 - no active project

Unknown command: startprojrct

Use "scrapy" to see available commands

F:\pycodes>scrapy startproject python123demo
New Scrapy project 'python123demo', using template directory 'c:\users\hp\appdata\local\programs\python\python37-32\lib\site-packages\scrapy\templates\project', created in:
    F:\pycodes\python123demo

You can start your first spider with:
    cd python123demo
    scrapy genspider example example.com

  步骤2：在工程中产生一个Scrapy爬虫
  进入工程目录（F:\pycodes\python123demo），然后执行如下命令：

F:\pycodes\python123demo>scrapy genspider demo python123.io
Spider 'demo' already exists in module:
  python123demo.spiders.demo

  该命令作用：
    1)生成一个名称为demo的spider；
    2)在spiders目录下增加代码文件 demo.py；
    该命令仅用于生成 demo.py，该文件也可以手工生成。
  步骤3：配置产生的spider爬虫
  配置：1）初始URL地址；2）获取页面后的解析方式

import scrapy
class DemoSpider(scrapy.Spider):
    name = "demo"
    #allowed_domains = ["python123.io"]
    start_urls = ['https://python123.io/ws/demo.html']
    def parse(self, response):
        fname = response.url.split('/')[-1]
        with open(fname, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s.' % name)

  步骤4：运行爬虫，获取网页
  在命令行下，执行如下命令：demo爬虫被执行，捕获页面存储在demo.html

F:\pycodes\python123demo>scrapy crawl demo

2、生成的工程目录结构
python123demo/ --------------→外层目录
  scrap.cfg     --------→部署 Scrapy爬虫的配置文件(将爬虫放在特定的服务器，并在服务器配置相关的操作接口）
  python 123demo/--------→Scrapy框架的用户自定义 Python代码
    _init_.py   -------→初始化脚本
    items.py   -------→Items代码模板(继承类)(一般不需要编写)
    middlewares.py----→Middlewares代码模板(继承类)(扩展middlewares功能时编写)
    pipelines.py  -----→pipelines代码模板(继承类)
    settings.py  ------→scrap爬虫的配置文件(优化爬虫功能，需修改对应的配置项)
    spiders/   -------→Spiders代码模板目录(继承类)(存放工程爬虫，要求其中爬虫符合爬虫模板的约束)
      _init_.py  —→初始文件，无需修改
      _pycache_.py →缓存目录，无需修改
      (内层目录结构 用户自定义的spider代码增加在此处)
3、工程爬虫模板
    
  1）类必须继承于scrapy.Spider子类；
  2）name为当前爬虫名；
  3）allowed_domains为提交给命令行的域名，爬虫在爬取网站只能爬取这个域名以下的相关链接；
  4） start_urls以列表形式包含的一个或多个url，为scrapy框架最初爬取网址；
  5）parse()用于处理响应，解析内容形成字典，发现新的URL爬取请求。

• yield关键字的使用
  1、yield←→ 生成器
    1）生成器是一个不断产生值的函数；
    2）包含yield语句的函数是一个生成器；
    3）生成器每次产生一个值（yield语句），函数被冻结，被唤醒后再产生一个值。
  2、生成器相比一次列出所有内容的优势：
    1)更节省存储空间；
    2)响应更迅速；
    3)使用更灵活。
• Scrapy爬虫基本使用
  1、Scrapy爬虫的使用步骤
    步骤1：创建一个工程和Spider模板；
    步骤2：编写Spider；
    步骤3：编写Item Pipeline；
    步骤4：优化配置策略。
  2、Scrapy爬虫的数据类型
    Request类：class scrapy.http.Request()
      Request类介绍：
        1）Request对象表示一个HTTP请求；
        2）由Spider生成，由Downloader执行。
      Request类方法  Response类：class scrapy.http.Response()
      Response类介绍：
        1）Response对象表示一个HTTP响应；
        2）由Downloader生成，由Spider处理。
      Response类方法
    Item类：class scrapy.item.Item()
      Item类介绍：
        1）Item对象表示一个从HTML页面中提取的信息内容；
        2）由Spider生成，由Item Pipeline处理；
        3）Item类似字典类型，可以按照字典类型操作。
  3、Scrapy爬虫支持多种HTML信息提取方法：
    • Beautiful Soup
    • lxml
    • re
    • XPath Selector
    • CSS Selector
      CSS Selector的基本使用
        1）格式：
  
        2）CSS Selector由W3C组织维护并规范

● Scrapy爬虫实例

• 股票数据 Scrape爬中实例介绍
  1、功能描述
  目标：获取上交所和深交所所有股票的名称和交易信息
  输出：保存到文件中
  技术路线：scrapy
  2、数据网站的确定
    获取股票列表：
      东方财富网：http://quote.eastmoney.com/stocklist.html
    获取个股信息：
      百度股票：https://gupiao.baidu.com/stock/
      单个股票：https://gupiao.baidu.com/stock/sz002439.html
  3、程序框架：编写spider处理链接爬取和页面解析，编写pipelines处理信息存储。
• “股票数据 Scrap爬虫实例编写(仅供参考）
   步骤
    步骤1：建立工程和Spider模板
      1）>scrapy startproject BaiduStocks
      2）>cd BaiduStocks
      3）>scrapy genspider stocks baidu.com
      4）进一步修改spiders/stocks.py文件
    步骤2：编写Spider
      1）配置stocks.py文件
      2）对返回页面的处理
      3）修改对新增URL爬取请求的处理
  stocks.py文件源代码

import scrapy
import re
 
class StocksSpider(scrapy.Spider):
    name = "stocks"
    start_urls = ['https://quote.eastmoney.com/stocklist.html']
 
    def parse(self, response):
        for href in response.css('a::attr(href)').extract():
            try:
                stock = re.findall(r"[s][hz]\d{6}", href)[0]
                url = 'https://gupiao.baidu.com/stock/' + stock + '.html'
                yield scrapy.Request(url, callback=self.parse_stock)
            except:
                continue
 
    def parse_stock(self, response):
        infoDict = {}
        stockInfo = response.css('.stock-bets')
        name = stockInfo.css('.bets-name').extract()[0]
        keyList = stockInfo.css('dt').extract()
        valueList = stockInfo.css('dd').extract()
        for i in range(len(keyList)):
            key = re.findall(r'>.*</dt>', keyList[i])[0][1:-5]
            try:
                val = re.findall(r'\d+\.?.*</dd>', valueList[i])[0][0:-5]
            except:
                val = '--'
            infoDict[key]=val
 
        infoDict.update(
            {'股票名称': re.findall('\s.*\(',name)[0].split()[0] + \
             re.findall('\>.*\<', name)[0][1:-1]})
        yield infoDict

  步骤3：编写ITEM Pipelines
    1）配置pipelines.py文件
  pipelines.py文件源代码

class BaidustocksPipeline(object):
    def process_item(self, item, spider):
        return item
 
class BaidustocksInfoPipeline(object):
    def open_spider(self, spider):
        self.f = open('BaiduStockInfo.txt', 'w')
 
    def close_spider(self, spider):
        self.f.close()
 
    def process_item(self, item, spider):
        try:
            line = str(dict(item)) + '\n'
            self.f.write(line)
        except:
            pass
        return item

    2）定义对爬取项（Scraped Item）的处理类
    3）配置ITEM_PIPELINES选项
  settings.py文件中被修改的区域

ITEM_PIPELINES = {
    'BaiduStocks.pipelines.BaidustocksInfoPipeline': 300,
}

  步骤4：程序的执行：>scrapy crawl stocks

• “股票数据 Scrap爬虫实例优化
    配置并发连接选项——settings.py文件