Scrapy是一个使用Python开发的,为了爬取网站数据,提取结构性数据而编写的应用框架。可以应用在数据挖掘、信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取所设计的,也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
一. Scrapy框架简介
Scrapy使用Twisted异步网络库来处理网络通讯。整体架构大致如下:
Scrapy主要包括了以下组件:
1.1 引擎(Scrapy)
用来处理整个系统的数据流, 触发事务(框架核心)
1.2 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
1.3 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)
1.4 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
1.5 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。
1.6 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。
1.7 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。
1.8 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。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
二. 安装Scrapy框架
如果直接pip install scrapy
可能会出错。因此,需要按下面步骤安装各种模块,建议下载wheel文件进行安装。
-
安装lxml:pip install lxml(已安装请忽略)。
-
安装pyOpenSSL:在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件进行安装。
-
安装Twisted:在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。
-
安装PyWin32:在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。
-
安装scrapy,在官网https://www.lfd.uci.edu/~gohlke/pythonlibs/下载wheel文件。
三. 创建第一个scrapy项目
目标是爬取美剧天堂前100最新信息,爬取网址http://www.meijutt.com/new100.html。具体操作步骤如下:
3.1 第1步,创建工程
新建文件夹,用于存放项目。然后在命令行窗口中使用cd命令切换到当前目录,再输入下面命令创建Scrapy项目,操作如下图。
scrapy startproject movie # movie表示工程名,框架会自动在当前目录下创建一个同名的文件夹,工程文件就在里边。
# 如果用过django,就会发现操作比较相似。
3.2 第2步,创建爬虫程序
使用cd命令切换到movie目录,再输入下面命令创建Scrapy程序,操作如下图。
cd movie
scrapy genspider meiju meijutt.com # meiju是爬虫的名字;meijutt.com是要爬取的url的域名
3.3 第3步,自动创建目录及文件
完成前面2步操作,Scrapy会自动在指定文件夹中创建一个项目,并初始化爬虫程序文件的模板,如下图所示。
文件说明:
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。真正爬虫相关的配置信息在settings.py文件中。
- items.py 设置数据存储模板,用于结构化数据,类似Django的Model。
- pipelines 数据处理行为,如一般结构化的数据持久化。
- settings.py 配置文件,如递归的层数、并发数,延迟下载等。
- spiders 爬虫目录,如创建文件,编写爬虫规则等。
注意,一般创建爬虫文件时,以网站域名命名。
3.4 第4步,设置数据存储模板
打开items.py文件,然后输入下面代码,设置数据存储的模板。。本例仅存储项目的名称name字段。操作如下图:
import scrapy
class MovieItem(scrapy.Item):
name = scrapy.Field()
3.5 第5步,编写爬虫程序
在spiders子目录中打开meiju.py文件,然后输入下面代码,设置下载器开始下载的页面URL。以及爬虫要爬取的HTML结构片段。最后,使用for循环和迭代器,把每一个项目结构片段传递给items.py定义的字段模板。
完成本步操作之前,读者应该先熟悉目标页面的结构,以及要抓取的HTML片段,同时熟悉XPath基本语法,可以先使用浏览器访问该页面,使用F12键,查看一下HTML结构,如下图:
import scrapy
from movie.items import MovieItem
class MeijuSpider(scrapy.Spider):
name = "meiju"
allowed_domains = ["meijutt.com"]
start_urls = ['http://www.meijutt.com/new100.html']
def parse(self, response):
movies = response.xpath('//ul[@class="top-list fn-clear"]/li')
for each_movie in movies:
item = MovieItem()
item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
yield item
3.6 第6步,设置配置文件
打开settings.py文件,然后添加下面代码。操作如下图:
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}
3.7 第7步,编写数据处理脚本
打开pipelines.py文件,输入下面代码。操作如下图:
class MoviePipeline(object):
def process_item(self, item, spider):
with open("my_meiju.txt",'a') as fp:
fp.write(item['name'] + '\n')
3.8 第8步,执行爬虫
到上面一步,已经完成了爬虫程序的全部设计,下面就可以测试爬虫的工作状态了,在命令行窗口,使用cd命令进入mobie目录,然后使用scrapy crawl命令进行测试。操作如下图:
cd movie
scrapy crawl meiju --nolog # meiju表示程序名称,参数nolog表示不显示执行的log过程,也就是在命令行中不显示执行过程日志信息
执行结果如下图: