Scrapy主要包括了以下组件:
- 引擎(Scrapy)
用来处理整个系统的数据流处理, 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。
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
一、安装
因为python3并不能完全支持Scrapy,因此为了完美运行Scrapy,我们使用python2.7来编写和运行Scrapy。
1
|
pip
install
Scrapy
|
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
其它可能依赖的安装包:lxml-3.6.4-cp27-cp27m-win_amd64.whl,VCForPython27.msi百度下载即可
二、基本使用
1、创建项目
运行命令:
1
|
scrapy
startproject
p1(
your_project
_name)
|
2.自动创建目录的结果:
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,如: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
注意:一般创建爬虫文件时,以网站域名命名
3、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
示例代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
class
XiaoHuarSpider
(
scrapy
.
spiders
.
Spider
)
:
name
=
"xiaohuar"
allowed_domains
=
[
"xiaohuar.com"
]
start_urls
=
[
"http://www.gg4493.cn/"
,
]
def
parse
(
self
,
response
)
:
# print(response, type(response))
# from scrapy.http.response.html import HtmlResponse
# print(response.body_as_unicode())
current_url
=
response
.
url
#爬取时请求的url
body
=
response
.
body
#返回的html
unicode_body
=
response
.
body_as_unicode
(
)
#返回的html unicode编码
|
备注:
- 1.爬虫文件需要定义一个类,并继承scrapy.spiders.Spider
- 2.必须定义name,即爬虫名,如果没有name,会报错。因为源码中是这样定义的:
- 3.编写函数parse,这里需要注意的是,该函数名不能改变,因为Scrapy源码中默认callback函数的函数名就是parse;
- 4.定义需要爬取的url,放在列表中,因为可以爬取多个url,Scrapy源码是一个For循环,从上到下爬取这些url,使用生成器迭代将url发送给下载器下载url的html。源码截图:
4、运行
进入p1目录,运行命令
1
|
scrapy
crawl
xiaohau
--
nolog
|
格式:scrapy crawl+爬虫名 –nolog即不显示日志
5.scrapy查询语法:
当我们爬取大量的网页,如果自己写正则匹配,会很麻烦,也很浪费时间,令人欣慰的是,scrapy内部支持更简单的查询语法,帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍:
- 查询子子孙孙中的某个标签(以div标签为例)://div
- 查询儿子中的某个标签(以div标签为例):/div
- 查询标签中带有某个class属性的标签://div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
- 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签://div[@class=’c1′][@name=’alex’]
- 查询某个标签的文本内容://div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
- 查询某个属性的值(例如查询a标签的href属性)://a/@href
示例代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
def
parse
(
self
,
response
)
:
# 分析页面
# 找到页面中符合规则的内容(校花图片),保存
# 找到所有的a标签,再访问其他a标签,一层一层的搞下去
hxs
=
HtmlXPathSelector
(
response
)
#创建查询对象
# 如果url是 http://www.xiaohuar.com/list-1-\d+.html
if
re
.
match
(
'http://www.gg4493.cn/'
,
response
.
url
)
:
#如果url能够匹配到需要爬取的url,即本站url
items
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div'
)
#select中填写查询目标,按scrapy查询语法书写
for
i
in
range
(
len
(
items
)
)
:
src
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src'
%
i
)
.
extract
(
)
#查询所有img标签的src属性,即获取校花图片地址
name
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'
%
i
)
.
extract
(
)
#获取span的文本内容,即校花姓名
school
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'
%
i
)
.
extract
(
)
#校花学校
if
src
:
ab_src
=
"http://www.gg4493.cn/"
+
src
[
0
]
#相对路径拼接
file_name
=
"%s_%s.jpg"
%
(
school
[
0
]
.
encode
(
'utf-8'
)
,
name
[
0
]
.
encode
(
'utf-8'
)
)
#文件名,因为python27默认编码格式是unicode编码,因此我们需要编码成utf-8
file_path
=
os
.
path
.
join
(
"/Users/wupeiqi/PycharmProjects/beauty/pic"
,
file_name
)
urllib
.
urlretrieve
(
ab_src
,
file_path
)
|
注:urllib.urlretrieve(ab_src, file_path) ,接收文件路径和需要保存的路径,会自动去文件路径下载并保存到我们指定的本地路径。
5.递归爬取网页
上述代码仅仅实现了一个url的爬取,如果该url的爬取的内容中包含了其他url,而我们也想对其进行爬取,那么如何实现递归爬取网页呢?
示例代码:
1
2
3
4
5
|
# 获取所有的url,继续访问,并在其中寻找相同的url
all_urls
=
hxs
.
select
(
'//a/@href'
)
.
extract
(
)
for
url
in
all_urls
:
if
url
.
startswith
('http://www.gg4493.cn/'
)
:
yield
Request
(
url
,
callback
=
self
.
parse
)
|
即通过yield生成器向每一个url发送request请求,并执行返回函数parse,从而递归获取校花图片和校花姓名学校等信息。
注:可以修改settings.py 中的配置文件,以此来指定“递归”的层数,如: DEPTH_LIMIT = 1
6.scrapy查询语法中的正则:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
from
scrapy
.
selector
import
Selector
from
scrapy
.
http
import
HtmlResponse
html
=
""
"<!DOCTYPE html>
<html>
<head lang="
en
">
<meta charset="
UTF
-
8
">
<title></title>
</head>
<body>
<li class="
item
-
"><a href="
link
.
html
">first item</a></li>
<li class="
item
-
0
"><a href="
link1
.
html
">first item</a></li>
<li class="
item
-
1
"><a href="
link2
.
html
">second item</a></li>
</body>
</html>
"
""
response
=
HtmlResponse
(
url
=
'http://www.gg4493.cn/'
,
body
=
html
,
encoding
=
'utf-8'
)
ret
=
Selector
(
response
=
response
)
.
xpath
(
'//li[re:test(@class, "item-\d*")]//@href'
)
.
extract
(
)
print
(
ret
)
|
- 语法规则:Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract(),即根据re正则匹配,test即匹配,属性名是class,匹配的正则表达式是”item-d*”,然后获取该标签的href属性。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
import
hashlib
from
tutorial
.
items
import
JinLuoSiItem
from
scrapy
.
http
import
Request
from
scrapy
.
selector
import
HtmlXPathSelector
class
JinLuoSiSpider
(
scrapy
.
spiders
.
Spider
)
:
count
=
0
url_set
=
set
(
)
name
=
"jluosi"
domain
=
'http://www.girl4493.cn/'
allowed_domains
=
[
"jluosi.com"
]
start_urls
=
[
"http://www.mimi131.cn/"
,
]
def
parse
(
self
,
response
)
:
md5_obj
=
hashlib
.
md5
(
)
md5_obj
.
update
(
response
.
url
)
md5_url
=
md5_obj
.
hexdigest
(
)
if
md5_url
in
JinLuoSiSpider
.
url_set
:
pass
else
:
JinLuoSiSpider
.
url_set
.
add
(
md5_url
)
hxs
=
HtmlXPathSelector
(
response
)
if
response
.
url
.
startswith
(
'http://www.jluosi.com:80/ec/goodsDetail.action'
)
:
item
=
JinLuoSiItem
(
)
item
[
'company'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[1]/text()'
)
.
extract
(
)
item
[
'link'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[2]/text()'
)
.
extract
(
)
item
[
'qq'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]//a/@href'
)
.
re
(
'.*uin=(?P<qq>\d*)&'
)
item
[
'address'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[4]/text()'
)
.
extract
(
)
item
[
'title'
]
=
hxs
.
select
(
'//h1[@class="goodsDetail_goodsName"]/text()'
)
.
extract
(
)
item
[
'unit'
]
=
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()'
)
.
extract
(
)
product_list
=
[
]
product_tr
=
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr'
)
for
i
in
range
(
2
,
len
(
product_tr
)
)
:
temp
=
{
'standard'
:
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()'
%
i
)
.
extract
(
)
[
0
]
.
strip
(
)
,
'price'
:
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()'
%
i
)
.
extract
(
)
[
0
]
.
strip
(
)
,
}
product_list
.
append
(
temp
)
item
[
'product_list'
]
=
product_list
yield
item
current_page_urls
=
hxs
.
select
(
'//a/@href'
)
.
extract
(
)
for
i
in
range
(
len
(
current_page_urls
)
)
:
url
=
current_page_urls
[
i
]
url_ab
=
url
yield
Request
(
url_ab
,
callback
=
self
.
parse
)
选择器规则
Demo
选择器规则
Demo
|
选择器规则Demo
1
2
3
4
5
|
def
parse
(
self
,
response
)
:
from
scrapy
.
http
.
cookies
import
CookieJar
cookieJar
=
CookieJar
(
)
cookieJar
.
extract_cookies
(
response
,
response
.
request
)
print
(
cookieJar
.
_cookies
)
|
获取响应cookie
更多选择器规则:http://www.baby98.cn/
7、格式化处理
上述实例只是简单的图片处理,所以在parse方法中直接处理。如果对于想要获取更多的数据(获取页面的价格、商品名称、QQ等),则可以利用Scrapy的items将数据格式化,然后统一交由pipelines来处理。即不同功能用不同文件实现。
items:即用户需要爬取哪些数据,是用来格式化数据,并告诉pipelines哪些数据需要保存。
示例items.py文件:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import
scrapy
class
JieYiCaiItem
(
scrapy
.
Item
)
:
company
=
scrapy
.
Field
(
)
title
=
scrapy
.
Field
(
)
qq
=
scrapy
.
Field
(
)
info
=
scrapy
.
Field
(
)
more
=
scrapy
.
Field
(
)
|
即:需要爬取所有url中的公司名,title,qq,基本信息info,更多信息more。
上述定义模板,以后对于从请求的源码中获取的数据同样按照此结构来获取,所以在spider中需要有一下操作:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
import
hashlib
from
beauty
.
items
import
JieYiCaiItem
from
scrapy
.
http
import
Request
from
scrapy
.
selector
import
HtmlXPathSelector
from
scrapy
.
spiders
import
CrawlSpider
,
Rule
from
scrapy
.
linkextractors
import
LinkExtractor
class
JieYiCaiSpider
(
scrapy
.
spiders
.
Spider
)
:
count
=
0
url_set
=
set
(
)
name
=
"jieyicai"
domain
=
'http://www.meimei233.com'
allowed_domains
=
[
"jieyicai.com"
]
start_urls
=
[
"http://www.meimei333.com"
,
]
rules
=
[
#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
#Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
#Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
]
def
parse
(
self
,
response
)
:
md5_obj
=
hashlib
.
md5
(
)
md5_obj
.
update
(
response
.
url
)
md5_url
=
md5_obj
.
hexdigest
(
)
if
md5_url
in
JieYiCaiSpider
.
url_set
:
pass
else
:
JieYiCaiSpider
.
url_set
.
add
(
md5_url
)
hxs
=
HtmlXPathSelector
(
response
)
if
response
.
url
.
startswith
(
'http://www.jieyicai.com/Product/Detail.aspx'
)
:
item
=
JieYiCaiItem
(
)
item
[
'company'
]
=
hxs
.
select
(
'//span[@class="username g-fs-14"]/text()'
)
.
extract
(
)
item
[
'qq'
]
=
hxs
.
select
(
'//span[@class="g-left bor1qq"]/a/@href'
)
.
re
(
'.*uin=(?P<qq>\d*)&'
)
item
[
'info'
]
=
hxs
.
select
(
'//div[@class="padd20 bor1 comard"]/text()'
)
.
extract
(
)
item
[
'more'
]
=
hxs
.
select
(
'//li[@class="style4"]/a/@href'
)
.
extract
(
)
item
[
'title'
]
=
hxs
.
select
(
'//div[@class="g-left prodetail-text"]/h2/text()'
)
.
extract
(
)
yield
item
current_page_urls
=
hxs
.
select
(
'//a/@href'
)
.
extract
(
)
for
i
in
range
(
len
(
current_page_urls
)
)
:
url
=
current_page_urls
[
i
]
if
url
.
startswith
(
'/'
)
:
url_ab
=
JieYiCaiSpider
.
domain
+
url
yield
Request
(
url_ab
,
callback
=
self
.
parse
)
spider
spider
|
spider
上述代码中:对url进行md5加密的目的是避免url过长,也方便保存在缓存或数据库中。
此处代码的关键在于:
- 将获取的数据封装在了Item对象中
- yield Item对象 (一旦parse中执行yield Item对象,则自动将该对象交个pipelines的类来处理)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
|
# -*- 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
import
json
from
twisted
.
enterprise
import
adbapi
import
MySQLdb
.
cursors
import
re
mobile_re
=
re
.
compile
(
r
'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}'
)
phone_re
=
re
.
compile
(
r
'(\d+-\d+|\d+)'
)
class
JsonPipeline
(
object
)
:
def
__init__
(
self
)
:
self
.
file
=
open
(
'/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json'
,
'wb'
)
def
process_item
(
self
,
item
,
spider
)
:
line
=
"%s %s\n"
%
(
item
[
'company'
]
[
0
]
.
encode
(
'utf-8'
)
,
item
[
'title'
]
[
0
]
.
encode
(
'utf-8'
)
)
self
.
file
.
write
(
line
)
return
item
class
DBPipeline
(
object
)
:
def
__init__
(
self
)
:
self
.
db_pool
=
adbapi
.
ConnectionPool
(
'MySQLdb'
,
db
=
'DbCenter'
,
user
=
'root'
,
passwd
=
'123'
,
cursorclass
=
MySQLdb
.
cursors
.
DictCursor
,
use_unicode
=
True
)
def
process_item
(
self
,
item
,
spider
)
:
query
=
self
.
db_pool
.
runInteraction
(
self
.
_conditional_insert
,
item
)
query
.
addErrback
(
self
.
handle_error
)
return
item
def
_conditional_insert
(
self
,
tx
,
item
)
:
tx
.
execute
(
"select nid from company where company = %s"
,
(
item
[
'company'
]
[
0
]
,
)
)
result
=
tx
.
fetchone
(
)
if
result
:
pass
else
:
phone_obj
=
phone_re
.
search
(
item
[
'info'
]
[
0
]
.
strip
(
)
)
phone
=
phone_obj
.
group
(
)
if
phone_obj
else
' '
mobile_obj
=
mobile_re
.
search
(
item
[
'info'
]
[
1
]
.
strip
(
)
)
mobile
=
mobile_obj
.
group
(
)
if
mobile_obj
else
' '
values
=
(
item
[
'company'
]
[
0
]
,
item
[
'qq'
]
[
0
]
,
phone
,
mobile
,
item
[
'info'
]
[
2
]
.
strip
(
)
,
item
[
'more'
]
[
0
]
)
tx
.
execute
(
"insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)"
,
values
)
def
handle_error
(
self
,
e
)
:
print
'error'
,
e
pipelines
pipelines
|
上述代码中多个类的目的是,可以同时保存在文件和数据库中,保存的优先级可以在配置文件settings中定义。
1
2
3
4
5
|
ITEM_PIPELINES
=
{
'beauty.pipelines.DBPipeline'
:
300
,
'beauty.pipelines.JsonPipeline'
:
100
,
}
# 每行后面的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内。
|
总结:本文对python爬虫框架Scrapy做了详细分析和实例讲解