教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

2019-03-27 本文已影响1人扒皮狼

Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

image

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。


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:

scrapy startproject p1（your_project_name）

2.自动创建目录的结果：

image

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

image

示例代码：


#!/usr/bin/env python

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

import scrapy

class  XiaoHuarSpider(scrapy.spiders.Spider):

    name  =  "xiaohuar"

    allowed_domains  =  ["xiaohuar.com"]

    start_urls  =  [

        "http://www.xiaohuar.com/hua/",

    ]

    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：

image

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：

image

4、运行

进入p1目录，运行命令


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：

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.xiaohuar.com/list-1-\d+.html',  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.xiaohuar.com"  +  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：


# 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.xiaohuar.com/list-1-'):

                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：


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://example.com',  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。


#!/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.jluosi.com'

    allowed_domains  =  ["jluosi.com"]

    start_urls  =  [

        "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",

    ]

    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]

                if  url.startswith('http://www.jluosi.com'):

                    url_ab  =  url

                    yield Request(url_ab,  callback=self.parse)

选择器规则Demo


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

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：


# -*- 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：


#!/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.jieyicai.com'

    allowed_domains  =  ["jieyicai.com"]

    start_urls  =  [

        "http://www.jieyicai.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

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）


# -*- 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

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。

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，如果本文对您有参考价值，欢迎帮小编点下文下方视频教程的的推荐，谢谢！
居然老师视频教程

教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

一、安装

二、基本使用

1、创建项目

2.自动创建目录的结果：

3、编写爬虫

4、运行

5.scrapy查询语法：

5.递归爬取网页

6.scrapy查询语法中的正则：

7、格式化处理

总结：

猜你喜欢

热点阅读