Python爬虫入门五（Scrapy爬虫框架）

最新推荐文章于 2022-06-22 09:44:21 发布

step-forward

最新推荐文章于 2022-06-22 09:44:21 发布

阅读量336

点赞数

本文链接：https://blog.csdn.net/weixin_45734982/article/details/106008509

版权

一、Scrapy架构流程
1.简介
Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
Scrap，是碎片的意思，这个Python的爬虫框架叫Scrapy。
2.优势
用户只需要定制开发几个模块，就可以轻松实现爬虫, 用来抓取网页内容和图片，非常方便;
Scrapy使用了Twisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求
3.架构流程图

在这里插入图片描述
其中，绿色为数据流向。

大致整体流程如下：
在这里插入图片描述
只有当调度器中不存在任何request时，整个程序才会停止。(注:对于下载失败的URL，Scrapy也会重新下载. )

4.组件
引擎(Scrapy): 用来处理整个系统的数据流, 触发事务(框架核心)
调度器(Scheduler): 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader): 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders): 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline):负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares): 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares):介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出
调度中间件(Scheduler Middewares): 介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
二、Scrapy爬虫步骤
1）新建项目(scrapy startproject xxx)
命令行输入：
scrapy startproject 项目名称
cd 项目名称
scrapy genspider 爬虫名称爬取网址
2）明确目标(编写item.py)
明确你要抓取的目标
3）制作爬虫(爬虫名称.py)
制作爬虫，开始爬取网页;
4）存储爬虫(pipelines.py)
设置管道存储爬取内容
运行时，命令行输入:
scrapy crawl 爬虫名称
运行并存储：scrapy crawl 爬虫名称 -o 文件名

三、案例（三国演义名著定向爬虫项目）
1.新建Scrapy项目
创建爬虫项目，命令：scrapyproject 项目名称
创建爬虫文件，命令：book.py 爬虫名目标网站
创建完成后会自动生成一些文件

在这里插入图片描述

项目名
|—— 项目名
|	|—— _init_.py	#包定义
|	|—— items.py	#模型定义
|	|—— middlewares.py	#中间件定义
|	|—— pipelines.py	#管道定义
|	|—— settings.py 	#配置文件。编程方式控制的配置文件
|	|—— spider
|		|—— _init_.py	#默认蜘蛛代码文件
|——— scrapy.cfg	#运行配置文件。该文件存放的目录为根目录。模块名的字段定义了项目的设置

2.明确目标（items.py)
明确自己爬取的网站，需要爬取的信息，查看源代码，分析代码。
编辑items.py文件：这里明确爬取小说名称，章节名称和每个章节的内容

# -*- coding: utf-8 -*-
 
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
 
import scrapy
from scrapy.loader.processors import TakeFirst
 
class ScrapyprojectItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass
 
class BookItem(scrapy.Item):
    # 定义item类：
    #       继承scrapy.item
    #       所有字段都定义为 scrapy.Field()  不管是什么类型
    # ItemLoader返回列表
    # 输入输出处理器
    name = scrapy.Field(output_processor=TakeFirst())  # 只提取列表中的第一个元素
    content = scrapy.Field(output_processor=TakeFirst())
    bookname = scrapy.Field(output_processor=TakeFirst())

设置settings.py
在这里插入图片描述
3、制作爬虫
编写spiders/xxspider.py文件，我这里是spiders/book.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from scrapy.loader import ItemLoader
 
from ScrapyProject.items import BookItem
 
"""
Scrapy爬虫流程: 
    1. 确定start_urls起始URL
    2. 引擎将起始的URL交给调度器(存储到队列， 去重)
    3. 调度器将URL发送给Downloader，Downloader发起Request从互联网上下载网页信息(Response)
    4. 将下载的页面内容交给Spider， 进行解析(parse函数), yield 数据
    5. 将处理好的数据(items)交给pipeline进行存储 
下载图书到本地修改的内容:
    1). 请求图书详情页parse(self, response)函数的修改-ScrapyProject/ScrapyProject/spiders/book.py
    2). 对章节详情页进行解析parse_chapter_detail函数的修改-ScrapyProject/ScrapyProject/spiders/book.py
    3). 将采集的数据存储到文件中， pipeeline组件-ScrapyProject/ScrapyProject/pipelines.py
    4). 设置文件中启动pipeline组件-ScrapyProject/ScrapyProject/settings.py
"""
 
 
class BookSpider(scrapy.Spider):
    # 爬虫的名称，必须唯一
    name = 'book'
    base_url = 'http://www.shicimingju.com'
    # 限制: 爬取的url地址必须是'shicimingju.com'
    # allowed_domains = ['shicimingju.com']
    # 起始的url地址, 可以指定多个, 有两种方式指定:
    #   1). start_urls属性设置=[]
    #   2). 通过start_requests生成起始url地址
    start_urls = [
        'http://www.shicimingju.com/book/sanguoyanyi.html',
        # 'http://www.shicimingju.com/book/xiyouji.html',
        # 'http://www.shicimingju.com/book/hongloumeng.html',
    ]
 
    def parse(self, response):
        """
        1). 如何编写好的解析代码呢? 使用Scrapy的交互式工具scrapy shell url
        2). 如何处理解析后的数据? 通过yield返回解析数据的字典格式
        3). 如何获取/下载小说章节详情页的链接并下载到本地?
        """
 
        # 1). 获取所有章节的li标签
        chapters = response.xpath('//div[@class="book-mulu"]/ul/li')
 
        # 2). 遍历每一个li标签， 提取章节的详细网址和章节名称
        for chapter in chapters:
            # -). 创建ItemLoader对象， 将item对象和selector/response关联
            l = ItemLoader(item=BookItem(), selector=chapter)
            detail_url = chapter.xpath('./a/@href').extract_first()
            # -). 根据xpath进行提取数据信息并填充到item对象的name属性中
            l.add_xpath('name', './a/text()')
            # -). 将数据信息(书籍名称)填充到item对象的bookname属性中
            l.add_value('bookname', response.url.split('/')[-1].strip('.html'))
            # print("item对象: ", item)
            # 将章节详情页的url提交到调度器队列， 通过Downloader下载器下载并交给self.parse_chapter_detail解析器进行解析处理数据。
            yield Request(url=self.base_url + detail_url,
                          callback=self.parse_chapter_detail,
                          # -). load_item获取item对象
                          meta={'item': l.load_item()}
                          )
 
 
    def parse_chapter_detail(self, response):
        # 1). .xpath('string(.)')获取该标签及子孙标签所有的文本信息；
        # 2). 如何将对象转成字符串?
        #       - extract_first()/get()-转换一个对象为字符串
        #       - extract()/get_all()-转换列表中的每一个对象为字符串
        item = response.meta['item']
        content = response.xpath('.//div[@class="chapter_content"]')[0].xpath('string(.)').get()
        item['content'] = content
        yield  item

其中：

book.py文件中：
两种做法实现：

方法一、实例化item对象

# 实例化item对象
item = BookItem()

获取信息并存储到item中：

name = chapter.xpath('./a/text()').extract_first()
bookname = response.url.split('/')[-1].strip('.html')
 
item['name'] = name
item['bookname'] = bookname
print('item对象: ' ,item)

章节详情页的url提交到调度器的队列，通过Downloader下载器下载并交给self.parse_detail解析器进行解析数据

yield Request(url=self.base_url+detail_url,
              callback=self.parse_chapter_detail,   
              meta={'item':item}
              )

方法二、使用ItemLoader

# 创建ItemLoader对象  用response/selector根据情况而定
l = ItemLoader(item=BookItem(), selector=chapters)

根据xpath提取数据信息，并填充到item对象的属性中

l.add_xpath('name','./a/text()')
l.add_value('bookname',response.url.split('/')[-1].strip('.html'))

填充数据有三种方法：

调用xpath选择器：add_xpath
调用css选择器：add_css
直接给字段赋值：add_value
章节详情页的url提交到调度器的队列，通过Downloader下载器下载并交给self.parse_detail解析器进行解析数据

yield Request(url=self.base_url+detail_url,
              callback=self.parse_chapter_detail,  
              meta = {'item':l.load_item()}  # l.load_item()：获取item对象
              )

4、存储数据
通过pipeline(管道)存储，编辑pipelines.py文件
解析数据部分yield返回的数据，以item的方式传入pipeline中，实现信息的持久化存储。

# -*- coding: utf-8 -*-
 
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import os
import sqlite3
 
import  scrapy
import sqlalchemy
from scrapy.exceptions import DropItem
from scrapy.pipelines.images import ImagesPipeline
 
from sqlalchemy import create_engine, Column, String, Float, Integer
from sqlalchemy.exc import IntegrityError, InvalidRequestError
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker
from colorama import  Fore
 
from ScrapyProject.settings import BASE_DIR
 
 
class ScrapyprojectPipeline(object):
    def process_item(self, item, spider):
        """将章节内容写入对应的章节文件"""
        # books/hongloumeng
        dirname = os.path.join('books', item['bookname'])
        if not os.path.exists(dirname):
            os.makedirs(dirname)        # 递归创建目录
        name = item['name']
        # 文件名相对路径用join方法拼接： Linux路径拼接符是/, Windows路径拼接符是\
        filename = os.path.join(dirname, name)
        # 写入文件时以‘w’的方式打开， 并指定编码格式为utf-8来写入中文.
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(item['content'])
            # print("写入文件%s成功" %(name))
        return item
 
 
class SqlitePipeline(object):
    """用过sqlalchemy（ORM）将数据信息添加到数据库中"""
    # 创建数据库模型， 用于做基类
    Base = declarative_base()
 
    # 类-数据库表(products)
    class Product(Base):
        __tablename__ = "products"
        title = Column(String(100))
        image = Column(String(200))
        # 每个商品只能爬取一次
        link = Column(String(200), unique=True, primary_key=True)  # 商品详情页网址必须唯一
        price = Column(Float)
        sizes = Column(String(200))
        stocks = Column(Integer)
 
        def __repr__(self):
            """字符串友好展示"""
            return "<Product>{}:{}".format(self.title, self.stocks)
 
    def open_spider(self, spider):  # 创建/链接数据库
        # 创建数据库引擎. sqlite:///相对路径, sqlite:绝对路径
        engine = create_engine("sqlite:///" +  'shopify.db')
        # 创建session类
        Session = sessionmaker(bind=engine)
 
        # 根据数据库引擎的配置，创建数据库表
        self.Base.metadata.create_all(engine)
        # 生成session会话， 用于缓存
        self.session = Session()
 
    def process_item(self, item, spider):
        """
        sqlite3.IntegrityError, sqlalchemy.exc.IntegrityError
        # 1). 数据库已经存在该商品的详情页链接， 接着判断商品的库存是否发生变化？
            - 如果库存发生变化，
                - 当前库存>原库存, 通知补货商品名称和补货的数量(邮件/微信/钉钉/discord), 同时更新产品目前的sizes和stocks - 补货(更新)
                - 当前库存<=原库存, 只更新sizes和stock
            - 如果库存无变化， 不做处理
        # 2). 数据库不存在该商品的详情页链接，说明商品是上新产品, 通知商品产品，并将产品信息添加数据库中(添加)
        """
        # 1). 数据库已经存在该商品的详情页链接， 接着判断商品的库存是否发生变化？unique/sqlite3.IntegrityError
        # 如果库存发生变化， 当前库存/原库存
        # 从当前数据库中找到该商品的信息(库存)
        product = self.session.query(self.Product).filter(self.Product.link == item['link']).first()
        if product:
            old_stock = product.stocks
            now_stock = item['stocks']
            # print("原库存:", old_stock, type(old_stock))
            # print("当前库存:", now_stock, type(now_stock))
            # 当前库存>原库存, 通知补货商品名称和补货的数量(邮件/微信/钉钉/discord), 同时更新产品目前的sizes和stocks - 补货(更新)
            # 当前库存<=原库存, 只更新sizes和stock
            if now_stock > old_stock:
                print(Fore.YELLOW + '[补货]: 商品%s补货数量为%s' %(product.title, now_stock-old_stock))
            product.sizes = item['sizes']
            product.stocks = item['stocks']
            self.session.add(product)
            self.session.commit()
        else:
            # 2). 数据库不存在该商品的详情页链接，说明商品是上新产品, 通知商品产品，并将产品信息添加数据库中(添加)
            product = self.Product(title=item['title'],
                                   image=item['image'],
                                   link=item['link'],
                                   price=item['price'],
                                   sizes=item['sizes'],
                                   stocks=item['stocks']
                                   )
            self.session.add(product)
            self.session.commit()
            print(Fore.GREEN + "新产品[%s]上架, 目前库存为[%s]" %(item['title'], item['stocks']))
        return  item
 
 
    def close_spider(self, spider):  # 关闭/断开数据库
        self.session.close()
 
 
class MyImagesPipeline(ImagesPipeline):
    """自定义图片存储管道"""
 
    def get_media_requests(self, item, info):
        # 默认情况下下载多个图片的url
        image_url = item['image']     # http://www.xxxx.com/xxx.png
        yield scrapy.Request(image_url)
 
    def item_completed(self, results, item, info):
        # image_paths = [x['path'] for ok, x in results if ok]
        # if not image_paths:
        #     raise DropItem("Item contains no images")
        # item['image'] = image_paths[0]
        return item

这样我们就实现了一个简单的scrapy爬虫框架的构建。

step-forward

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Python爬虫入门五（Scrapy爬虫框架）

一、Scrapy架构流程1.简介Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。Scrap，是碎片的意思，这个Python的爬虫框架叫Scrapy。2.优势用户只需要定制开发几个模块，就可以轻松实现爬虫, 用来抓取网页内容和图片，非
复制链接

扫一扫