python scrapy框架爬虫_想要用 python 做爬虫，是使用 scrapy框架还是用 requests, bs4 等库？...

最新推荐文章于 2024-08-14 09:15:16 发布

weixin_39988197

最新推荐文章于 2024-08-14 09:15:16 发布

阅读量287

点赞数

文章标签： python scrapy框架爬虫

在这个言必称“大数据”“人工智能”的时代，数据分析与挖掘（比如爬虫）可以说互联网从业者必备的技能。想要用Python做爬虫，使用scrapy框架是很好的选择。这次我拉来了我们岂安科技喜欢（瞎）折腾的研发工程师Hekko，跟知友说说利用轻量级爬虫框架scrapy来进行数据采集的基本方法。基本保证人人都会吧。以下，GO~

一、scrapy简介

scrapy是一套用Python编写的异步爬虫框架，基于Twisted实现，运行于Linux/Windows/MacOS等多种环境，具有速度快、扩展性强、使用简便等特点。即便是新手也能迅速掌握并编写出所需要的爬虫程序。scrapy可以在本地运行，也能部署到云端（scrapyd）实现真正的生产级数据采集系统。

我们通过一个实例来学习如何利用scrapy从网络上采集数据。“博客园”是一个技术类的综合资讯网站，本次我们的任务是采集该网站MySQL类别 https://www.cnblogs.com/cate/mysql/ 下所有文章的标题、摘要、发布日期、阅读数量，共4个字段。最终的成果是一个包含了所有4个字段的文本文件。如图所示：

最终拿到的数据如下所示，每条记录有四行，分别是标题、阅读数量、发布时间、文章摘要：

二、安装scrapy

下面来看看怎么安装scrapy。首先你的系统里必须得有Python和pip，本文以最常见的Python2.7.5版本为例。pip是Python的包管理工具，一般来说Linux系统中都会默认安装。在命令行下输入如下命令并执行：

sudo pip install scrapy -i http://pypi.douban.com/simple –trusted-host=pypi.douban.com

pip会从豆瓣网的软件源下载并安装scrapy，所有依赖的包都会被自动下载安装。”sudo”的意思是以超级用户的权限执行这条命令。所有的进度条都走完之后，如果提示类似”Successfully installed Twisted, scrapy … “，则说明安装成功。

三、scrapy交互环境

scrapy同时也提供了一个可交互运行的Shell，能够供我们方便地测试解析规则。scrapy安装成功之后，在命令行输入 scrapy shell 即可启动scrapy的交互环境。scrapy shell的提示符是三个大于号>>>，表示可以接收命令了。我们先用fetch()方法来获取首页内容：

>>> fetch( “https://www.cnblogs.com/cate/mysql/” )

如果屏幕上有如下输出，则说明网页内容已经获取到了。

2017-09-04 07:46:55 [scrapy.core.engine] INFO: Spider opened

2017-09-04 07:46:55 [scrapy.core.engine] DEBUG: Crawled (200)

(referer: None)

获取到的响应会保存在response对象中。该对象的status属性表示HTTP响应状态，正常情况为200。

>>> print response.status

200

text属性表示返回的内容数据，从这些数据中可以解析出需要的内容。

>>> print response.text

u'\r\n\r\n

\r\n

MySQL – \u7f51\u7ad9\u5206\u7c7b – \u535a\u5ba2\u56ed\r\n

’

可以看到是一堆很乱的HTML代码，没法直观地找到我们需要的数据。这个时候我们可以通过浏览器的“开发者工具”来获取指定数据的DOM路径。用浏览器打开网页 https://www.cnblogs.com/cate/mysql/ 之后，按下F12键即可启动开发者工具，并迅速定位指定的内容。

可以看到我们需要的4个字段都在 / body / div(id=”wrapper”) / div(id=”main”) / div(id=”post_list”) / div(class=”post_item”) / div(class=”post_item_body”) / 下，每一个”post_item_body”都包含一篇文章的标题、摘要、发布日期、阅读数量。我们先获取所有的”post_item_body”，然后再从里面分别解析出每篇文章的4个字段。

>>> post_item_body = response.xpath( “//div[@id=’wrapper’]/div[@id=’main’]/div[@id=’post_list’]/div[@class=’post_item’]/div[@class=’post_item_body’]” )

>>> len( post_item_body )

response的xpath方法能够利用xpath解析器获取DOM数据，xpath的语法请参考官网文档。可以看到我们拿到了首页所有20篇文章的post_item_body。那么如何将每篇文章的这4个字段提取出来呢？

我们以第一篇文章为例。先取第一个post_item_body：

>>> first_article = post_item_body[ 0 ]

标题在post_item_body节点下的 h3 / a 中，xpath方法中text()的作用是取当前节点的文字，extract_first()和strip()则是将xpath表达式中的节点提取出来并过滤掉前后的空格和回车符：

>>> article_title = first_article.xpath( “h3/a/text()” ).extract_first().strip()

>>> print article_title

Mysql之表的操作与索引操作

然后用类似的方式提取出文章摘要：

>>> article_summary = first_article.xpath( “p[@class=’post_item_summary’]/text()” ).extract_first().strip()

>>> print article_summary

表的操作: 1.表的创建: create table if not exists table_name(字段定义); 例子: create table if not exists user(id int auto_increment, uname varchar(20), address varch …

在提取post_item_foot的时候，发现提取出了两组内容，第一组是空内容，第二组才是“发布于 XXX”的文字。我们将第二组内容提取出来，并过滤掉“发布于”三个字：

>>> post_date = first_article.xpath( “div[@class=’post_item_foot’]/text()” ).extract()[ 1 ].split( “发布于” )[ 1 ].strip()

>>> print post_date

2017-09-03 18:13

最后将阅读数量提取出来：

>>> article_view = first_article.xpath( “div[@class=’post_item_foot’]/span[@class=’article_view’]/a/text()” ).extract_first()

>>> print article_view

阅读(6)

很多人觉得xpath方法里的规则太过复杂。其实只要了解一点HTML文件的DOM结构，掌握xpath的提取规则还是比较轻松容易的。好在 scrapy shell 允许我们反复对DOM文件进行尝试解析。实验成功的xpath表达式就可以直接用在项目里了。

四、创建scrapy项目

scrapy shell 仅仅适用于测试目标网站是否可以正常采集以及采集之后如何解析，真正做项目的时候还需要从头建立一个scrapy项目。输入以下命令退出 scrapy shell 并返回Linux命令行：

>>> exit()

假设我们的项目名称叫 cnblogs_scrapy ，则可通过下面的命令来创建一个 scrapy 项目：

scrapy startproject cnblogs_scrapy

会自动生成如下结构的目录与文件：

|– cnblogs_scrapy

| |– __init__.py

| |– items.py

| |– middlewares.py

| |– pipelines.py

| |– settings.py

| `– spiders

| `– __init__.py

`– scrapy.cfg

五、解析与存储

我们需要改三个地方：

1）在spiders目录下新建一个文件cnblogs_mysql.py，内容如下：

# -*- coding: utf-8 -*-

import scrapy

import sys

reload( sys )

sys.setdefaultencoding( "utf8" )

class CnblogsMySQL(scrapy.Spider):

# 爬虫的名字，必须有这个变量

name = 'cnblogs_mysql'

page_index = 1

# 初始地址，必须有这个变量

start_urls = [

'https://www.cnblogs.com/cate/mysql/' + str( page_index ),

]

def parse(self, response):

post_items = response.xpath(

"//div[@id='wrapper']/div[@id='main']/div[@id='post_list']/div[@class='post_item']/div[@class='post_item_body']"

)

for post_item_body in post_items:

yield {

'article_title':

post_item_body.xpath( "h3/a/text()" ).extract_first().strip(),

'article_summary':

post_item_body.xpath( "p[@class='post_item_summary']/text()" ).extract_first().strip(),

'post_date':

post_item_body.xpath( "div[@class='post_item_foot']/text()" ).extract()[ 1 ].strip(),

'article_view' :

post_item_body.xpath(

"div[@class='post_item_foot']/span[@class='article_view']/a/text()"

).extract_first().strip()

}

next_page_url = None

self.page_index += 1

if self.page_index <= 20:

next_page_url = "https://www.cnblogs.com/cate/mysql/" + str( self.page_index )

else:

next_page_url = None

if next_page_url is not None:

yield scrapy.Request(response.urljoin(next_page_url))

这个就是我们的爬虫，其中name和start_urls两个变量必须存在。parse方法的作用是将响应内容解析为我们需要的数据。parse中的for循环就是在提取每一页中的20篇文章。解析并提取完成后，通过yield将结果抛到pipeline进行存储。

2）修改pipelines.py文件，内容如下：

# -*- coding: utf-8 -*-

# Define your item pipelines here

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

class CnblogsScrapyPipeline(object):

def open_spider( self, spider ):

self.fp = open( "data.list", "w" )

def close_spider( self, spider ):

self.fp.close()

def process_item(self, item, spider):

self.fp.write( item[ "article_title" ] + "\n" )

self.fp.write( item[ "article_view" ] + "\n" )

self.fp.write( item[ "post_date" ] + "\n" )

self.fp.write( item[ "article_summary" ] + "\n\n" )

return item

可以看到有三个方法。这三个方法是从基类中继承而来。

open_spider/close_spider分别在爬虫启动和结束的时候执行，一般用作初始化及收尾。process_item会在每一次spider解析出数据后yield的时候执行，用来处理解析的结果。上面这个pipeline的作用是将每一条记录都存储到文件中。当然也可以通过pipeline将内容存储到数据库或其它地方。

3）配置pipeline

注意仅仅有这个pipeline文件还不能工作，需要在配置文件中向scrapy声明pipeline。同目录下有个settings.py文件，加入如下内容：

ITEM_PIPELINES = {

'cnblogs_scrapy.pipelines.CnblogsScrapyPipeline': 300,

}

后面的数字是pipeline的权重，如果一个爬虫有多个pipeline，各个pipeline的执行顺序由这个权重来决定。

修改完成并保存之后，退到cnblogs_scrapy的上层目录，并输入以下命令启动爬虫：

scrapy crawl cnblogs_mysql

所有经过处理的信息都会输出到屏幕上。结束之后，当前目录中会生成名为data.list的文件，里面存储了本次采集的所有数据。

六、翻页

cnblogs_mysql.py的parse方法中有个next_page_url变量，一般情况下这个变量的内容应当是当前页面的下一页URL，该URL当然也可以通过解析页面来获取。获得下一页的URL之后，用scrapy.Request来发起新一次的请求。简单起见本文通过直接拼接URL的形式来指定仅采集前20页的数据。

七、其它

用scrapy发请求之前，也可以自己构造Request，这样就能伪装为真实访问来避免被封。一般情况下有修改User-Agent、随机采集时间、随机代理IP等方法。 scrapy项目可以直接运行，也可以部署在云端进行批量采集和监控。云端部署需要用到scrapyd，操作起来也很简单，有需要的话可自行参考官网文档。