前言
本文项目基于Windows; Navicat 12 for MongoDB(不好用,也许使用NoSQL Manager for MongoDB会更好)。
开发环境
so,本Scrapy项目,环境如下:
操作系统:Win7
开发语言及框架:Python3.7 Scrapy1.5.1
开发工具:PyCharm
数据库:MongoDB、MySQL
数据库可视化工具:Navicat 12 for MongoDB
各种安装、新建项目等请自行百度或查阅我前面的安装文档,这里只做代码记录。
本项目所实现的主要功能:
1、爬取豆瓣电影Top250的数据并存入本地MongoDB或MySQL中;
2、自定义Downloader middlewares,产生随机的USER_AGENT
Scrapy架构图
组件(白话文解释)
Scrapy Engine 引擎负责操作所有的数据流和事件,负责各个组件之间的通信和数据交换。
Spiders 包含了request、接收response后的解析、提取item等功能。简单来说数据的过滤、分析、再请求都在这个组件里。
调度器(Scheduler) 本质就是个队列。spider携带着request给引擎传递了请求之后,Scheduler负责给它们排个队,后来的spider排到队尾等着,队头的spider会被丢给引擎去执行。
下载器(Downloader) 引擎把接收到的request发给Downloader,Downloader获取页面数据再把得到的一堆东东丢回给引擎。
Item Pipeline 负责处理被spider提取出来的item。典型的处理有过滤清理、 验证及持久化(例如存取到数据库中)。
下载器中间件(Downloader middlewares) 下载器中间件是在引擎及下载器之间的特定钩子(specific hook),处理Downloader传递给引擎的response(也包括引擎传递给下载器的Request)。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
一句话总结就是:处理下载请求部分,主要应用:封装代理等隐藏我们信息的地方。
Spider中间件(Spider middlewares) Spider中间件是在引擎及Spider之间的特定钩子(specific hook),处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
项目目录
代码笔记
1、scrapy.cfg
[settings]
default = Scrapy_DoubanMoviesTop250.settings
[deploy]
project = Scrapy_DoubanMoviesTop250
settings: 项目配置文件
deploy: 项目别名
2、settings.py(节选)
# -*- coding: utf-8 -*-
# 设置导出编码格式为utf-8
FEED_EXPORT_ENCODING = 'utf-8'
BOT_NAME = 'Scrapy_DoubanMoviesTop250'
SPIDER_MODULES = ['Scrapy_DoubanMoviesTop250.spiders']
NEWSPIDER_MODULE = 'Scrapy_DoubanMoviesTop250.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 0.5
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
'Scrapy_DoubanMoviesTop250.middlewares.my_useragent': 543
}
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'Scrapy_DoubanMoviesTop250.pipelines.ScrapyDoubanmoviestop250Pipeline': 300,
}
# MongoDB设置
mongo_host = '127.0.0.1'
mongo_port = 27017
mongo_db_name = 'douban'
mongo_db_collection = 'douban_movie'
# mysql设置
mysql_host = '127.0.0.1'
mysql_port = 3306
mysql_user = 'root'
mysql_password = '123456'
mysql_db_name = 'scrapy_douban'
以下是对上述代码的拆分解释:
(1)导出格式编码声明:
# 设置导出编码格式为utf-8
FEED_EXPORT_ENCODING = 'utf-8'
(2)USER_AGENT改为自己浏览器的值,F12直接看就好
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
PS:为什么修改USER_AGENT?
大多数情况下,网站都会根据我们的请求头信息来区分你是不是一个爬虫程序,如果一旦识别出这是一个爬虫程序,很容易就会拒绝我们的请求,因此我们需要给我们的爬虫手动添加请求头信息,来模拟浏览器的行为。
(3)设置不遵守robots.txt规则
ROBOTSTXT_OBEY = False
PS:robots.txt规则是个什么东东?
robots.txt 是遵循 Robot协议 的一个文件,它保存在网站的服务器中,它的作用是,告诉搜索引擎爬虫,本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后,会在第一时间访问网站的 robots.txt 文件,然后决定该网站的爬取范围。
当然,我们并不是在做搜索引擎,某些情况下我们想要获取的内容恰恰是被 robots.txt 禁止访问的,这个时候,我们就要将此配置项设置为 False ,拒绝遵守 Robot协议。
(4)下载延迟设置为0.5
DOWNLOAD_DELAY = 0.5
对单个IP进行并发请求的最大值,默认是0,单位是秒。注意:设置太大,大规模抓取等待时间过长,设置太小,短时间增大服务器负载,会被咔嚓。
(5)自定义Downloader middlewares,产生随机USER_AGENT
DOWNLOADER_MIDDLEWARES = {
# 这里的My_useragent就是你自定义的中间件名称,543表示执行顺序,越大的越往后执行,默认从543开始
'Scrapy_DoubanMoviesTop250.middlewares.my_useragent': 543
}
白话文解释:网站是根据请求头信息来区分爬虫程序的,当我们大量爬取同一个网站的数据,一直使用同一个请求头可能会被抓包然后咔嚓掉,所以可以搞一个随机生成USER_AGENT的中间件更好地隐藏自己。
(6)开启ITEM_PIPELINES,默认即可
ITEM_PIPELINES = {
'Scrapy_DoubanMoviesTop250.pipelines.ScrapyDoubanmoviestop250Pipeline': 300,
}
要持久化数据你不开试试?
(7)MongoDB设置
# MongoDB设置
mongo_host = '127.0.0.1'
mongo_port = 27017
mongo_db_name = 'douban'
mongo_db_collection = 'douban_movie'
(8)MySQL设置
# mysql设置
mysql_host = '127.0.0.1'
mysql_port = 3306
mysql_user = 'root'
mysql_password = '123456'
mysql_db_name = 'scrapy_douban'
3、items.py
写spider之前,你得先弄清楚你需要哪些数据?items.py就是你声明自己所需的数据名字的地方。
import scrapy
class ScrapyDoubanmoviestop250Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 排名
serial_number = scrapy.Field()
# 电影名称
movie_name = scrapy.Field()
# 介绍
introduction = scrapy.Field()
# 评分
score = scrapy.Field()
# 评论数
evaluation = scrapy.Field()
# 电影描述
description = scrapy.Field()
4、douban_spider.py
# -*- coding: utf-8 -*-
import scrapy
from Scrapy_DoubanMoviesTop250.items import ScrapyDoubanmoviestop250Item
class DoubanSpiderSpider(scrapy.Spider):
# 爬虫名字 和项目名不可重复
name = 'douban_spider'
# 允许的域名
allowed_domains = ['movie.douban.com']
# 入口url,扔到调度器Scheduler里面去
start_urls = ['http://movie.douban.com/top250']
# spider默认解析方法。
# 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。
def parse(self, response):
# 获取电影条目
movie_list = response.xpath("//div[@class='article']/ol[@class='grid_view']/li")
for movie_item in movie_list:
item = ScrapyDoubanmoviestop250Item()
# 写详细的xpath,进行数据解析
item['serial_number'] = movie_item.xpath(".//div[@class='item']//em/text()").extract_first()
item['movie_name'] = movie_item.xpath(".//div[@class='info']//div[@class='hd']//a//span[1]/text()").extract_first()
# 页面多行数据的处理
introduction_list = movie_item.xpath(".//div[@class='info']//div[@class='bd']//p[1]/text()").extract()
for introduction in introduction_list:
item['introduction'] = "".join(introduction.split())
item['score'] = movie_item.xpath(".//span[@class='rating_num']/text()").extract_first()
item['evaluation'] = movie_item.xpath(".//div[@class='star']//span[4]/text()").extract_first()
item['description'] = movie_item.xpath(".//p[@class='quote']//span/text()").extract_first()
# 将数据yield到pipline里去,进行数据清洗、存储等操作
yield item
# 解析下一页,获取下一页的xpath
next_link = response.xpath("//span[@class='next']//link/@href").extract()
if next_link:
next_link = next_link[0]
yield scrapy.Request("http://movie.douban.com/top250"+next_link, callback=self.parse)
嗯。。。学完了纯python的爬取之后,学习这个代码压力应该不大。看到这个下一页的声明,也能够理解调度器Scheduler的作用了。
5、数据持久化操作
写完douban_spider.py之后,其实就可以拿到数据了,你可以选择导出数据文件,也可以将数据存入数据库中。
注意:可在settings.py中配置导出文件编码方式为utf-8,尽量避免乱码问题。
1、保存数据为.json或.csv文件
进入项目中的spiders文件夹中,输入命令:
scrapy crawl 你在spider文件中定义的爬虫名字 -o 文件名称.json
例:scrapy crawl douban_spider -o movies.json,在当前文件夹中导出。
2、保存至MongoDB中
打开pipelines.py,初始化数据库连接并插入数据,代码如下:
# -*- coding: utf-8 -*-
import pymongo
from Scrapy_DoubanMoviesTop250.settings import mongo_host, mongo_port, mongo_db_name, mongo_db_collection
class ScrapyDoubanmoviestop250Pipeline(object):
def __init__(self):
# 获取数据库配置信息
host = mongo_host
port = mongo_port
db_name = mongo_db_name
db_collection = mongo_db_collection
# 获取数据库连接
get_connection = pymongo.MongoClient(host=host, port=port)
# 在连接中拿到数据库信息
local_db = get_connection[db_name]
# 得到集合信息
self.post = local_db[db_collection]
def process_item(self, item, spider):
data = dict(item)
self.post.insert(data)
return item
2、保存至MySQL中
打开pipelines.py,初始化数据库连接并插入数据,代码如下:
# -*- coding: utf-8 -*-
import pymysql
from Scrapy_DoubanMoviesTop250.settings import mysql_host, mysql_port, mysql_user, mysql_password, mysql_db_name
class ScrapyDoubanmoviestop250Pipeline(object):
# 连接数据库:
self.connect = pymysql.connect(
host=mysql_host,
port=mysql_port,
user=mysql_user,
password=mysql_password,
database=mysql_db_name,
charset='utf8',
use_unicode=True
)
# 通过cursor进行增删改查
self.cursor = self.connect.cursor()
def process_item(self, item, spider):
insert_sql = """insert into douban_movie(serial_number, movie_name, introduction, score, evaluation, description) values (%s, %s, %s, %s, %s, %s)"""
self.cursor.execute(insert_sql, (item['serial_number'], item['movie_name'], item['introduction'], item['score'], item['evaluation'], item['description']))
self.connect.commit()
return item
def close_spider(self, spider):
self.cursor.close()
self.connect.close()
这里再次声明一下:settings.py中必须开启ITEM_PIPELINES,否则scrapy可不会智能地帮你开启连接数据库的管道的喔!详见文中 代码笔记——2、settings.py(节选)—— (6)开启ITEM_PIPELINES,默认即可。
到此,基本上这个项目的目的也就完成了:使用Scrapy框架抓取数据并存储到MongoDB或MySQL中。
6、随机User_Agent中间件示例
用途:详见文中 代码笔记——2、settings.py(节选)—— (2)USER_AGENT改为自己浏览器的值,F12直接看就好、(5)自定义Downloader middlewares,产生随机USER_AGENT。
打开middlewares.py,在已有代码后追加一个新的类My_useragent:
class My_useragent(object):
def process_request(self, request, spider):
USER_AGENT_LIST = [
'MSIE (MSIE 6.0; X11; Linux; i686) Opera 7.23',
'Opera/9.20 (Macintosh; Intel Mac OS X; U; en)',
'Opera/9.0 (Macintosh; PPC Mac OS X; U; en)',
'iTunes/9.0.3 (Macintosh; U; Intel Mac OS X 10_6_2; en-ca)',
'Mozilla/4.76 [en_jp] (X11; U; SunOS 5.8 sun4u)',
'iTunes/4.2 (Macintosh; U; PPC Mac OS X 10.2)',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:5.0) Gecko/20100101 Firefox/5.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:9.0) Gecko/20100101 Firefox/9.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.8; rv:16.0) Gecko/20120813 Firefox/16.0',
'Mozilla/4.77 [en] (X11; I; IRIX;64 6.5 IP30)',
'Mozilla/4.8 [en] (X11; U; SunOS; 5.7 sun4u)'
]
request.headers['User_Agent'] = random.choice(USER_AGENT_LIST)
这个函数process_request(self, request, spider)并不是自己写的,是下载器中间件Downloader middlewares自带的方法,每一个request对象都会经过该方法。当然还有process_response(self, request, response, spider),当下载器完成请求后,返回response给引擎的时候调用。
这里的USER_AGENT_LIST可以自己去网上百度一个,看心情写。
最后,别忘了去settings.py中配置一下DOWNLOADER_MIDDLEWARES。
贴上我的配置:
DOWNLOADER_MIDDLEWARES = {
# 这里的My_useragent就是你自定义的中间件名称,543表示执行顺序,越大的越往后执行,默认从543开始
'Scrapy_DoubanMoviesTop250.middlewares.My_useragent': 543
}
7、模拟main方法
如果你不满于每次执行.py文件都需要输入命令,也可以在项目中这么做:
在项目根目录下新建main.py,输入以下代码,不需要手动配置,直接右键Run 'main'即可,PyCharm会帮你配置好的。
from scrapy import cmdline
cmdline.execute('scrapy crawl douban_spider'.split())
嗯,抄代码是很简单的,真正地去理解把它融入为自己的还需要一段时间。本篇笔记是学习之后的整理,其实非常像流水账,我中间遇到的问题也没有记录,Navicat的使用也没有记录,个人非常不喜欢但也不想再重做了。年前Python的学习时间还很充裕,之后会边学边写笔记的,一整套流程按发展的步骤详细地记录下来。Over~