python scrapy教程实例_Scrapy爬虫入门实例

在搭建好了Scrapy的开发环境后(如果配置过程中遇到问题，请参考上一篇文章

搭建Scrapy爬虫的开发环境，

或者在博客里留言)，我们开始演示爬取实例。

我们试图爬取论坛-东京版的主题贴。该网

站需要登录后才能查看帖子附带的大图，适合演示登录过程。

1. 定义item

我们需要保存标题、帖子详情、帖子详情的url、图片列表，所以定义item如下：class RentItem(scrapy.Item):

"""item类"""

title = scrapy.Field()          # 标题

rent_desc = scrapy.Field()      # 描述

url = scrapy.Field()            # 详情的url

pic_list = scrapy.Field()       # 图片列表

2. 使用FormRequest模拟登录

首先我们需要分析页面，找到登录的form，以及需要提交的数据(用Fiddler或Firebug分析请求即可)，

然后使用Scrapy提供FormRequest.from_response()模拟页面的登录过程，主要代码如下：# 需要登录，使用FormRequest.from_response模拟登录

if "id='lsform'" in response.body:

logging.info("in parse, need to login, url: {0}".format(response.url))

form_data = {            "handlekey": "ls",            "quickforward": "yes",            "username": "loginname",            "password": "passwd"

}

request = FormRequest.from_response(

response=response,

headers=self.headers,

formxpath="//form[contains(@id, 'lsform')]",

formdata=form_data,

callback=self.parse_list

)    else:

logging.info("in parse, NOT need to login, url: {0}"

.format(response.url))

request = Request(url=response.url,

headers=self.headers,

callback=self.parse_list,

)

如果请求的页面需要登录，则通过xpath定位到对应的form，将登录需要的数据作为参数，提交登录，

在callback对应的回调方法里，处理登录成功后的爬取逻辑。

3. 使用XPath提取页面数据

Scrapy使用XPath或CSS表达式分析页面结构，由基于lxml的Selector提取数据。XPath或者CSS都可

以，另外BeautifulSoup

分析HTML/XML文件非常方便，这里采用XPath分析页面，请参考

zvon-XPath 1.0 Tutorial，示例丰富且易

懂，看完这个入门教程，常见的爬取需求基本都能满足。我这里简单解释一下几个重要的点：/表示绝对路径，即匹配从根节点开始，./表示当前路径，//表示匹配任意开始节点；

*是通配符，可以匹配任意节点；

在一个节点上使用[]，如果是数字n表示匹配第n个element，如果是@表示匹配属性，还可以使用函数，

比如常用的contains()表示包含，starts-with()表示字符串起始匹配等。

在取节点的值时，text()只是取该节点下的值，而不会取该节点的子节点的值，而.则会取包括子节点

在内的所有值，比如：

Welcome to  Chengdu

sel.xpath("div/text()")     // Welcome tosel.xpath("div").xpath("string(.)")     // Welcome to Chengdu

4. 不同的spider使用不同的pipeline

我们可能有很多的spider，不同的spider爬取的数据的结构不一样，对应的存储格式也不尽相同，因此

我们会定义多个pipeline，让不同的spider使用不同的pipeline。

首先我们需要定义一个decorator，表示如果spider的pipeline属性中包含了添加该注解的pipeline，

则执行该pipeline，否则跳过该pipeline：def check_spider_pipeline(process_item_method):

"""该注解用在pipeline上

:param process_item_method:

:return:

"""    @functools.wraps(process_item_method)

def wrapper(self, item, spider):

# message template for debugging

msg = "{1} {0} pipeline step".format(self.__class__.__name__)        # if class is in the spider"s pipeline, then use the

# process_item method normally.

if self.__class__ in spider.pipeline:

logging.info(msg.format("executing"))            return process_item_method(self, item, spider)        # otherwise, just return the untouched item (skip this step in

# the pipeline)

else:

logging.info(msg.format("skipping"))            return item    return wrapper

然后，我们还需要在所有pipeline类的回调方法process_item()上添加该decrator注解：@check_spider_pipelinedef process_item(self, item, spider):

最后，在spider类中添加一个数组属性pipeline，里面是所有与该spider对应的pipeline，比如：# 应该交给哪个pipeline去处理pipeline = set([

pipelines.RentMySQLPipeline,

])

5. 将爬取的数据保存到mysql

数据存储的逻辑在pipeline中实现，可以使用twisted adbapi以线程池的方式与数据库交互。首

先从setttings中加载mysql配置：@classmethoddef from_settings(cls, settings):

"""加载mysql配置"""

dbargs = dict(

host=settings["MYSQL_HOST"],

db=settings["MYSQL_DBNAME"],

user=settings["MYSQL_USER"],

passwd=settings["MYSQL_PASSWD"],

charset="utf8",

use_unicode=True

)

dbpool = adbapi.ConnectionPool("MySQLdb", **dbargs)    return cls(dbpool)

然后在回调方法process_item中使用dbpool保存数据到mysql：@check_spider_pipelinedef process_item(self, item, spider):

"""pipeline的回调.

注解用于pipeline与spider之间的对应，只有spider注册了该pipeline，pipeline才

会被执行

"""

# run db query in the thread pool，在独立的线程中执行

deferred = self.dbpool.runInteraction(self._do_upsert, item, spider)

deferred.addErrback(self._handle_error, item, spider)    # 当_do_upsert方法执行完毕，执行以下回调

deferred.addCallback(self._get_id_by_guid)    # at the end, return the item in case of success or failure

# deferred.addBoth(lambda _: item)

# return the deferred instead the item. This makes the engine to

# process next item (according to CONCURRENT_ITEMS setting) after this

# operation (deferred) has finished.

time.sleep(10)    return deferred

6. 将图片保存到七牛云

查看七牛的python接口即可，这里要说明的是，上传图片的时候，不要使用BucketManager的

bucket.fetch()接口，因为经常上传失败，建议使用put_data()接口，比如：def upload(self, file_data, key):

"""通过二进制流上传文件

:param file_data:   二进制数据

:param key:         key

:return:

"""

try:

token = self.auth.upload_token(QINIU_DEFAULT_BUCKET)

ret, info = put_data(token, key, file_data)    except Exception as e:

logging.error("upload error, key: {0}, exception: {1}"

.format(key, e))    if info.status_code == 200:

logging.info("upload data to qiniu ok, key: {0}".format(key))        return True

else:

logging.error("upload data to qiniu error, key: {0}".format(key))        return False

7. 项目部署$ pip install scrapyd

$ pip install scrapyd-client

启动scrapyd:$ sudo scrapyd &

修改部署的配置文件scrapy.cfg:[settings]default = scrapy_start.settings

[deploy:dev]

url = http://localhost:6800/project = scrapy_start

其中dev表示target，scrapy_start表示project，部署即可：$ scrapyd-deploy dev -p scrapy_start

ok，这篇入门实例的重点就这么多，项目的源码在gitlab。

参考

作者：nkcoder

链接：https://www.jianshu.com/p/8fc69b2e7b21