python爬虫框架scrap_Python爬虫框架Scrapy

Scrapy是一个流行的Python爬虫框架, 用途广泛.

使用pip安装scrapy:

pip install scrapy

scrapy由一下几个主要组件组成:

scheduler: 调度器, 决定下一个要抓取的url, 核心是一个任务队列

scrapy engine: 引擎, 用于控制整个系统的任务和数据流

downloader: 下载器, 下载目标url的内容并交给spider处理

spider: 爬虫, 用于分析下载内容, 提取数据项(item)包括获取要继续爬取的url.

pipeline: 项管道, 接受spider获得item并进行处理.

downloader middleware: 下载器中间件, 处理engine与downloader之间的请求响应

spider middleware: 爬虫中间件, 处理engine与spider之间的数据流

scheduler middleware: 调度器中间件, 处理engine与scheduler之间的数据流

首先engine从scheduler中获得一项任务(url), 并将其封装为一个请求(request)交给downloader.

downloader下载链接内容, 封装为响应(response)交给spider,spider获得item交给pipeline进行处理, 并将需要继续爬取的url交给scheduler.

scrapy使用twisted提供的网络IO异步支持, 性能出色.

第一个Scrapy爬虫

在实际编写爬虫之前,首先要建立一个项目. 在项目目录的父目录中执行命令:

scrapy startproject ScrapyDemo

建立一个名为ScrapyDemo的项目, 目录结构如下:

|- scrapy.cfg

|- ScrapyDemo

|- __init__.py

|- items.py

|- pipelines.py

|- settings.py

|- spiders

|- __init__.py

spider用于解析页面内容, 生成item.

在spiders包下建立python脚本MySpider:

from scrapy import Spider

class MySpider(Spider):

name = "cnblogs"

allowed_domains = ["cnblogs.com"]

start_urls = [

"http://www.cnblogs.com/Finley/",

]

def parse(self, response):

filename = response.url.split("/")[-2]

with open(filename, 'wb') as f:

f.write(response.body)

重写Spider类需要定义几个必须的成员:

name: spider的名字, 必须是唯一的

start_urls: 起始的url, 爬取时首先从该列表中开始爬取.从这些页面中得到的复合要求的url将被添加到队列中.

parse(): 负责解析downloader得到的response, 得到items交给pipeline处理.当然上述示例中只是保存了爬取的内容.

parse方法是spider的核心, parse方法可以yield或返回两类对象:

scrapy.item.Item: item实例将被送入Pipeline进行处理

scrapy.Request: 请求将加入任务队列, 常用于爬取页内链接

在项目根目录中执行命令开始爬取:

scrapy crawl cnblogs

使用selector分析内容

在spider.parse中使用选择器(selector)来解析html(xml), selector采用XPath表达式来选择XML中的元素.

def parse(self, response):

for e in response.xpath('//ul/li'):

title = e.xpath('a/text()').extract()

link = e.xpath('a/@href').extract()

desc = e.xpath('text()').extract()

print title, link, desc

选择器提供了四个方法:

xpath(pattern): 通过xpath选择元素

css(pattern): 通过css选择元素

extract(): 从元素中提取内容字符串

re(pattern): 使用正则表达式提取内容, 返回匹配的字符串

常用xpath表达式:

'html/head/title' 选择HTML文档中

标签内的元素

'/html/head/title/text()': 选择

元素内的文本

'//div' 选择所有

元素

'//div[@class="panel"]' 选取class属性panel的

元素.

'//div[@id=d1]'; 选取id属性为d1的

元素.

css()方法则是使用css选择器进行选择:

'#id': id选择器

'.class' class选择器

'div' 标签选择器

更多关于XPath的内容参见菜鸟教程

使用 item

item的行为类似dict, 用于存储spider解析得到的数据:

from scrapy.item import Item, Field

class MyItem(Item):

name = Field()

content = Field()

url = Field()

在spider.parse中将结果以item的形式返回:

def parse(self, response):

items = []

for post in response.xpath('//a[@class="postTitle2"]'):

item = MyItem()

name = post.xpath('text()').extract()[0]

url = post.xpath('@href').extract()[0]

print('post:', name, url)

item['name'] = name

item['url'] = url

items.append(item)

return items

更多关于item的内容参见这里

使用Item PipeLine

定义一个Python类,然后实现process_item(self, item, spider)方法即可作为一个PipeLine中一个过滤器的实现.

process_item的item参数为要处理的项目, spider则是相应的spider对象.process_item返回的item对象将交给下个过滤器处理, 或者或者抛出DropItem异常丢弃这个item.

from scrapy.exceptions import DropItem

class StopWordPipeline:

def process_item(self, item, spider):

if item['name'] in stop_words:

raise DropItem(item['name'])

return item

注册item只需要在settings.py中添加:

ITEM_PIPELINES = {

'ScrapyDemo.StopWordPipeline': 300,

'ScrapyDemo.JsonWriterPipeline': 800,

}

值表示Pipeline的执行顺序，从低到高执行，范围0-1000.

Scrapy Shell

scrapy使用engine调度spider, 不便于调试.scrapy提供了shell, 在python shell环境中建立上下文以便于调试. 启动shell:

scrapy shell

url为要爬取的网址.终端中建立了相关对象:

crawler: 当前 Crawler 对象.

spider : 处理URL的spider。 对当前URL没有处理的Spider时则为一个 Spider 对象。

request : 最近获取到的页面的 Request 对象。 您可以使用 replace() 修改该request。或者 使用 fetch 快捷方式来获取新的request。

response: 包含最近获取到的页面的 Response 对象。

sel : 根据最近获取到的response构建的 Selector 对象。

settings - 当前的 Scrapy settings

可以在shell下调试选择器:

$scrapy shell www.cnblogs.com/Finley

>>> response

<200 http://www.cnblogs.com/Finley>

>>> response.xpath('//a[@class="postTitle2"]')

...