Scrapy学习笔记(5)-CrawlSpider+sqlalc
前言
在之前的文章Scrapy学习笔记(2)-使用pycharm在虚拟环境中运行第一个spider中有提到在使用scrapy genspider命令生成spider的时候可以使用-t参数来指定生成spider的模板，前面几篇文章中我们没有指定模板，所以都是使用最基本的Spider类来爬取数据。Spider其实能做很多事情了，但是如果你想对某个网站进行全站爬取的话，你可能需要一个更强大的武器—CrawlSpider。另外之前的文章中我们如果要把爬取的数据保存到数据库，那我们就得提前在库中执行DDL语句将表建好，有时候觉得设计表并写SQL是个很麻烦的事情，就想着能不能省掉写SQL的过程，查了下资料还真有，那就是使用sqlalchemy，本文记录实战过程。
基础知识
class scrapy.spiders.CrawlSpider
这是抓取一般网页最常用的类，除了从Spider继承过来的属性外，其提供了一个新的属性rules，它提供了一种简单的机制，能够为将要爬取的链接定义一组提取规则。
rules
这是一个Rule对象列表，每条规则定义了爬取网站链接的行为，如果一条链接命中多条规则，以第一条规则进行匹配，顺序由属性中定义的顺序决定。
Link Extractors
Link Extractors 是用于从网页(scrapy.http.Response)中抽取会被follow链接的对象。 Scrapy 自带的Link Extractors类由scrapy.linkextractors模块提供，你可以这样直接导入from scrapy.linkextractors import LinkExtractor，也可以通过实现一个简单的接口来创建自己个性化的Link Extractor来满足需求。每个LinkExtractor都有唯一的公共方法是 extract_links ，其接收 一个Response对象， 并返回scrapy.link.Link 对象｡ Link Extractors只实例化一次，其 extract_links 方法会根据不同的response被调用多次来提取链接｡默认的link extractor 是 LinkExtractor ，其实就是 LxmlLinkExtractor，在以前版本的Scrapy版本中还提供了其他的link extractor，不过都已经被废弃了。
LxmlLinkExtractor
classscrapy.linkextractors.lxmlhtml.LxmlLinkExtractor(
allow=(),
deny=(),
allow_domains=(),
deny_domains=(),
deny_extensions=None,
restrict_xpaths=(),
restrict_css=(),
tags=(‘a’, ‘area’),
attrs=(‘href’, ),
canonicalize=True,
unique=True,
process_value=None
)
参数解释：
allow 只有匹配这个正则表达式(或正则表达式列表)的URL才会被提取｡如果没有给出(或None) ,它会匹配所有的链接｡
deny 匹配这个正则表达式(或正则表达式列表)的URL将会被排除在外(即不提取)｡它的优先级高于allow参数，如果没有给出(或None) ,将不排除任何链接｡
allow_domains 包含特定域名的字符串或字符串列表，表示允许从这里面提取链接
deny_domains 包含特定域名的字符串或字符串列表, 表示不允许从这里面提取链接
deny_extensions 提取链接时,忽略扩展名的列表｡如果没有给出,默认为scrapy.linkextractor模块中定义的ignored_extensions列表｡
restrict_xpaths 单个xpath表达式或xpath表达式列表,若不为空，则只使用该参数去提取URL，和allow共同作用过滤链接。
restrict_css 单个css选择器或者选择器列表，作用和restrict_xpaths一样
tags 提取链接时要考虑的标签或标签列表｡默认为 ( ‘a’ , ‘area’)
attrs 提取链接时应该寻找的attrbitues列表(仅在 tags 参数中指定的标签)｡默认为 (‘href’)｡
canonicalize 是否标准化每个提取的URL，使用w3lib.url.canonicalize_url。默认为True。
unique 是否过滤提取过的URL，布尔类型
process_value 处理tags和attrs提取到的URL的函数，它能修改并返回一个新值。如果为空则默认是lambda x: x
Rule
classscrapy.spiders.Rule(
link_extractor,
callback=None,
cb_kwargs=None,
follow=None,
process_links=None,
process_request=None
)
参数解释：
link_extractor 是一个Link Extractor对象，定义怎样提取每个需要爬取的页面中的链接。
callback 是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被每个指定的link_extractor 调用，这个方法的第一个参数是response必须返回一个item或者Request的list。
cb_kwargs 是一个包含关键字参数的字典，可以传递给callback函数。
follow 是一个布尔值，指定这些通过规则匹配出来的链接是否需要继续，如果callback是None，follow默认为False，否则follow是True。
process_links是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被每个指定的link_extractor调用，这个主要作用是过滤。
process_request 是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被这个规则的每个request调用，必须返回一个request或者None。
SQLAlchemy
是python的一款开源软件，提供了SQL工具包及对象关系映射(ORM)工具(需要安装第三方库)。它的优点用一句话概括就是可以避免写繁复的sql语句.（隐藏数据库，良好的数据接口，动态的数据映射，引入缓存）具体请参考官方文档
Xpath
scrapy支持使用xpath表达式来提取数据。XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。 XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。具体可参考http://www.runoob.com/xpath/xpath-tutorial.html
实践
有了前面的知识和基本概念之后，下面就是写代码了，本文目标是使用CrawlSpider和sqlalchemy实现如下网站中的高匿代理IP采集入库http://ip84.com，新建项目和spider的过程我就不写了，不会的可以参考之前的文章，本次项目名称为”ip_proxy_pool”，顾名思义就是IP代理池，学习爬虫的应该都知道，不过本文仅仅是采集特定网站公开的代理IP，维护一个IP代理池那是后话，OK，Talk is cheap，Show you the code！
项目结构如上图所示，model目录存放数据库表的映射文件，proxy.py是目标表的映射文件，rules.py以及和model目录同级的__init__.py文件本文中暂时用不到先不管，其他文件都是本次实践需要用到的。
1.items.py
# -*- coding: utf-8 -*-# Define here the models for your scraped items## See documentation in:# http://doc.scrapy.org/en/latest/topics/items.htmlimport scrapyclass IpProxyPoolItem(scrapy.Item): ip_port = scrapy.Field() type = scrapy.Field() level = scrapy.Field() country = scrapy.Field() location = scrapy.Field() speed = scrapy.Field() source = scrapy.Field()
2.model目录下的__init__.py
# -*- coding: utf-8 -*-from sqlalchemy.ext.declarative import declarative_basefrom sqlalchemy import create_enginefrom sqlalchemy.orm import sessionmaker# 创建对象的基类:Base = declarative_base()# 初始化数据库连接:engine = create_engine('mysql+mysqldb://root:123456@localhost:3306/scrapy?charset=utf8')#返回数据库会话def loadSession(): Session = sessionmaker(bind=engine) session = Session() return session
3.proxy.py(数据库表proxies的映射文件)
# -*- coding: utf-8 -*-from sqlalchemy import Column,String,Integer,DateTimefrom . import Baseimport datetimeclass Proxy(Base): __tablename__ = 'proxies' ip_port=Column(String(30),primary_key=True,nullable=False) type=Column(String(20),nullable=True) level=Column(String(20),nullable=True) location=Column(String(100),nullable=True) speed=Column(Integer,nullable=True) source = Column(String(500), nullable=False) indate=Column(DateTime,nullable=False) def __init__(self,ip_port,source,type=None,level=None,location=None,speed=None): self.ip_port=ip_port
self.type=type
self.level=level
self.location=location
self.speed=speed
self.source=source
self.indate=datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
4.pipelines.py
# -*- coding: utf-8 -*-# Define your item pipelines herefrom model import Base,engine,loadSessionfrom model import proxyclass IpProxyPoolPipeline(object): #搜索Base的所有子类，并在数据库中生成表 Base.metadata.create_all(engine) def process_item(self, item, spider): a = proxy.Proxy( ip_port=item['ip_port'], type=item['type'], level=item['level'], location=item['location'], speed=item['speed'], source=item['source'] ) session = loadSession() session.add(a) session.commit() return item
5.proxy_spider.py
# -*- coding: utf-8 -*-import scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom ..items import IpProxyPoolItemclass ProxySpiderSpider(CrawlSpider): name = 'proxy_spider' allowed_domains = ['ip84.com'] start_urls = ['http://ip84.com/gn'] rules = ( #跟随下一页链接 Rule(LinkExtractor(restrict_xpaths="//a[@class='next_page']"),follow=True), #对所有链接中含有"/gn/数字"的链接调用parse_item函数进行数据提取并过滤重复链接 Rule(LinkExtractor(allow=r'/gn/\d+',unique=True), callback='parse_item'), ) def parse_item(self, response): print 'Hi, this is an item page! %s' % response.url
item=IpProxyPoolItem() for proxy in response.xpath("//table[@class='list']/tr[position()>1]"): ip=proxy.xpath("td[1]/text()").extract_first() port=proxy.xpath("td[2]/text()").extract_first() location1=proxy.xpath("td[3]/a[1]/text()").extract_first() location2=proxy.xpath("td[3]/a[2]/text()").extract_first() level=proxy.xpath("td[4]/text()").extract_first() type = proxy.xpath("td[5]/text()").extract_first() speed=proxy.xpath("td[6]/text()").extract_first() item['ip_port']=(ip if ip else "")+":"+(port if port else "") item['type']=(type if type else "") item['level']=(level if level else "") item['location']=(location1 if location1 else "")+" "+(location2 if location2 else "") item['speed']=(speed if speed else "") item['source']=response.url
return item
6.settings.py
# -*- coding: utf-8 -*-# Scrapy settings for ip_proxy_pool projectBOT_NAME = 'ip_proxy_pool'SPIDER_MODULES = ['ip_proxy_pool.spiders']NEWSPIDER_MODULE = 'ip_proxy_pool.spiders'# Obey robots.txt rulesROBOTSTXT_OBEY = TrueITEM_PIPELINES = { 'ip_proxy_pool.pipelines.IpProxyPoolPipeline': 300,}DOWNLOAD_DELAY = 2
7.运行spider，查看结果
shell中执行scrapy crawl proxy_spider，发现数据库中已经自动生成了表proxies并且数据已经入库,Done!
