Scrapy(python爬虫框架)入门笔记

本文章仅作为个人笔记

Scrpy官网

Scrpy官方文档

Scrpy中文文档

个人ScrapyDemo项目地址

python环境安装

• win下安装：
  • python：下载python安装包直接安装即可
  • pip： easy_install pip
• mac下安装：
  • python：mac下自带python2.7
  • pip： easy_install pip
• centos7下安装：
  • python：centos7下自带python2.7
  • pip： easy_install pip

scrapy 安装

pip install Scrapy

创建项目

scrapy startproject <project_name>

创建爬虫

scrapy genspider <spider_name> <host_name>

在文件夹根目录创建 requirements.txt文件并加入需要的组件，例如：

Scrapy==1.5.0
beautifulsoup4==4.6.0
requests==2.18.4

项目环境搭建

pip install -r requirements.txt

运行单个爬虫

scrapy crawl <spider_name>

运行多个爬虫（Scrapy本身并不支持命令行直接运行多个Spiders，创建一个新的python文件加入如下内容运行此python文件便可）（需按需更改）

# -*- coding: utf-8 -*-
import sys
    from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from ScrapyDemo.spiders.news_estadao import EstadaoSpider
from ScrapyDemo.spiders.news_gazetaesportiva import DemoSpider
from ScrapyDemo.spiders.news_megacurioso import MegacuriosoSpider

if sys.getdefaultencoding != 'utf-8':
    reload(sys)
    sys.setdefaultencoding('utf-8')

process = CrawlerProcess(get_project_settings())
process.crawl(EstadaoSpider)
process.crawl(DemoSpider)
process.crawl(MegacuriosoSpider)
process.start()

启用pipelines用于处理结果

• 打开settings.py文件在ITEM_PIPELINES选项下加入peline并赋值，0-1000，数字越小越优先

输出单个spider运行结果到文件

scrapy crawl demo -o /path/to/demo.json

多个spider的结果混合处理：

• 上面的运行多个爬虫脚本并不能将多个spider的结果混合处理
• 因为业务需要，只可退而求其次

  • 思路：借助commands库运行linux命令顺序运行并输出结果到文件，最后读取文件内容解析为对象进行混合处理

  • 代码（需按需更改）：

    #!/usr/bin/env python
    # encoding: utf-8
    import commands
    
    def test():
      result = []
      try:
          commands.getoutput("echo '' > /path/to/megacurioso.json") #清空上次运行结果
          commands.getoutput("scrapy crawl demo -o /path/to/demo.json") # 运行结果并输出
          result = json.loads(commands.getoutput("cat /path/to/megacurioso.json")) # 获取运行结果
      except:
          print "Get megacurioso error."
      return result
    

解决结果爬虫信息乱码问题：

• 在有乱码问题python文件顶部加入如下代码：

  if sys.getdefaultencoding != 'utf-8':
    reload(sys)
    sys.setdefaultencoding('utf-8')
  

爬虫示例，也可以使用文顶给出的github链接：

• item示例(items.py)：

  # -*- coding: utf-8 -*-
  
  # Define here the models for your scraped items
  #
  # See documentation in:
  # https://doc.scrapy.org/en/latest/topics/items.html
  
  import scrapy
  
  
  class ScrapydemoItem(scrapy.Item):
      title = scrapy.Field()
      imageUrl = scrapy.Field()
      des = scrapy.Field()
      source = scrapy.Field()
      actionUrl = scrapy.Field()
      contentType = scrapy.Field()
      itemType = scrapy.Field()
      createTime = scrapy.Field()
      country = scrapy.Field()
      headUrl = scrapy.Field()
      pass
  

• pipelines示例（pipelines.py）：

  # -*- coding: utf-8 -*-
  
  # Define your item pipelines here
  #
  # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
  from ScrapyDemo.items import ScrapydemoItem
  import json
  
  
  class ScrapydemoPipeline(object):
      DATA_LIST_NEWS = []
  
      def open_spider(self, spider):
          DATA_LIST_NEWS = []
          print 'Spider start.'
  
      def process_item(self, item, spider):
          if isinstance(item, ScrapydemoItem):
              self.DATA_LIST_NEWS.append(dict(item))
          return item
  
      def close_spider(self, spider):
          print json.dumps(self.DATA_LIST_NEWS)
          print 'Spider end.'
  

• spider示例(demo.py)：

      # -*- coding: utf-8 -*-
      import scrapy
      from ScrapyDemo.items import ScrapydemoItem
  
  
      class DemoSpider(scrapy.Spider):
          name = 'news_gazetaesportiva'
          allowed_domains = ['www.gazetaesportiva.com']
          start_urls = ['https://www.gazetaesportiva.com/noticias/']
          headers = {
              'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
              'accept-language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
              'cache-control': 'max-age=0',
              'upgrade-insecure-requests': '1',
              'User-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
          }
  
          def parse(self, response):
              print('Start parse.')
              for element in response.xpath('//article'):
                  title = element.xpath(".//h3[@class='entry-title no-margin']/a/text()").extract_first()
                  imageUrl = [element.xpath(".//img[@class='medias-object wp-post-image']/@src").extract_first()]
                  des = element.xpath(".//div[@class='entry-content space']/text()").extract_first()
                  source = 'gazeta'
                  actionUrl = element.xpath(".//a[@class='blog-image']/@href").extract_first()
                  contentType = ''
                  itemType = ''
                  createTime = element.xpath(".//small[@class='updated']/text()").extract_first()
                  country = 'PZ'
                  headUrl = ''
                  if title is not None and title != "" and actionUrl is not None and actionUrl != "" and imageUrl is not None and imageUrl != "":
                      item = ScrapydemoItem()
                      item['title'] = title
                      item['imageUrl'] = imageUrl
                      item['des'] = des
                      item['source'] = source
                      item['actionUrl'] = actionUrl
                      item['contentType'] = contentType
                      item['itemType'] = itemType
                      item['createTime'] = createTime
                      item['country'] = country
                      item['headUrl'] = headUrl
                      yield item
              print('End parse.')
  

• 代码个人理解：

  • settings可配置公共配置及配置pipelines对spiders结果进行汇总，例如(后面的数值越大优先级越低，取值0-1000)：

    ITEM_PIPELINES = {
        'DemoScrapy.pipelines.ScrapydemoPipeline': 300,
    }
    

  • 配置pipelines后命令行运行spiders是会先运行open_spider方法，然后每个结果解析时运行process_item方法，最后spider结束时运行close_spider方法

  • items文件是用来配置描述结果对象的

  • spiders文件夹里根据命令行创建的spiders文件配置需要抓取的数据的网页及需要伪装的请求头参数等，抓取数据后数据结果进入 parse方法进行解析，可使用xpath进行解析。xpath的具体使用可参考前文给出的链接，个人进行数据抓取前使用chrom定位标签，复制源码后根据规则找到标签位置最后进行规则匹配，因为每次数据规则匹配不可能一次性完成，建议使用debug功能来进行匹配，最后一次性完成规则书写。

• pycharm下debug spiders：

  • 打开pycharm后如果遇到部分插件无法安装的情况可使用虚拟环境：

    
    image.png
    image.png
    image.png

  • debug运行scrapy：

    
    image.png
    image.png
    image.png
    image.png
    image.png
    image.png

    • 运行到断点后右击选择 Evaluate Expresion

      
      如此便可随意运行代码查看执行结果