5分鐘快速掌握scrapy爬蟲框架

1. scrapy簡介

scrapy是基于事件驅(qū)動(dòng)的Twisted框架下用純python寫的爬蟲框架。很早之前就開始用scrapy來爬取網(wǎng)絡(luò)上的圖片和文本信息，一直沒有把細(xì)節(jié)記錄下來。這段時(shí)間，因?yàn)楣ぷ餍枰种厥皊crapy爬蟲，本文和大家分享下，包你一用就會(huì)，歡迎交流。

1.1 scrapy框架

scrapy框架包括5個(gè)主要的組件和2個(gè)中間件Hook。

ENGIINE：整個(gè)框架的控制中心，控制整個(gè)爬蟲的流程。根據(jù)不同的條件添加不同的事件（就是用的Twisted）
SCHEDULER：事件調(diào)度器
DOWNLOADER：接收爬蟲請求，從網(wǎng)上下載數(shù)據(jù)
SPIDERS：發(fā)起爬蟲請求，并解析DOWNLOADER返回的網(wǎng)頁內(nèi)容，同時(shí)和數(shù)據(jù)持久化進(jìn)行交互,需要開發(fā)者編寫
ITEM PIPELINES：接收SPIDERS解析的結(jié)構(gòu)化的字段，進(jìn)行持久化等操作，需要開發(fā)者編寫
MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之間一些額外的操作，hook的方式提供給開發(fā)者

從上可知，我們只要實(shí)現(xiàn)SPIDERS（要爬什么網(wǎng)站，怎么解析）和ITEM PIPELINES（如何處理解析后的內(nèi)容）就可以了。其他的都是有框架幫你完成了。（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

1.2 scrapy數(shù)據(jù)流

我們再詳細(xì)看下組件之間的數(shù)據(jù)流，會(huì)更清楚框架的內(nèi)部運(yùn)作。（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

SPIDERS發(fā)爬蟲請求給ENGIINE，告訴它任務(wù)來了
ENGIINE將請求添加到SCHEDULER調(diào)度隊(duì)列里, 說任務(wù)就交給你了，給我安排好
SCHEDULER看看手里的爬取請求很多，挑一個(gè)給ENGIINE，說大哥幫忙轉(zhuǎn)發(fā)給下載DOWNLOADER
ENGIINE：好的， DOWNLOADER你的任務(wù)來了
DOWNLOADER：開始下載了，下載好了，任務(wù)結(jié)果交給ENGIINE
ENGIINE將結(jié)果給SPIDERS，你的一個(gè)請求下載好了，快去解析吧
SPIDERS：好的，解析產(chǎn)生了結(jié)果字段。又給SPIDERS轉(zhuǎn)發(fā)給ITEM PIPELINES
ITEM PIPELINES: 接收到字段內(nèi)容，保存起來。

第1步到第8步，一個(gè)請求終于完成了。是不是覺得很多余？ENGIINE夾在中間當(dāng)傳話筒，能不能直接跳過？可以考慮跳過了會(huì)怎么樣。

這里分析一下

SCHEDULER的作用：任務(wù)調(diào)度，控制任務(wù)的并發(fā)，防止機(jī)器處理不過來
ENGIINE：就是基于Twisted框架, 當(dāng)事件來（比如轉(zhuǎn)發(fā)請求）的時(shí)候，通過回調(diào)的方式來執(zhí)行對應(yīng)的事件。我覺得ENGIINE讓所有操作變的統(tǒng)一，都是按照事件的方式來組織其他組件，其他組件以低耦合的方式運(yùn)作；對于一種框架來說，無疑是必備的。

2. 基礎(chǔ)：XPath

寫爬蟲最重要的是解析網(wǎng)頁的內(nèi)容，這個(gè)部分就介紹下通過XPath來解析網(wǎng)頁，提取內(nèi)容。

2.1 HTML節(jié)點(diǎn)和屬性

（圖片來自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）

2.2 解析語法

a / b：‘/’在 xpath里表示層級(jí)關(guān)系，左邊的 a是父節(jié)點(diǎn)，右邊的 b是子節(jié)點(diǎn)
a // b：表示a下所有b，直接或者間接的
[@]：選擇具有某個(gè)屬性的節(jié)點(diǎn)
- //div[@classs], //a[@x]：選擇具有 class屬性的 div節(jié)點(diǎn)、選擇具有 x屬性的 a節(jié)點(diǎn)
- //div[@class="container"]：選擇具有 class屬性的值為 container的 div節(jié)點(diǎn)
//a[contains(@id, "abc")]：選擇 id屬性里有 abc的 a標(biāo)簽

一個(gè)例子

 
 
 
 
  
  
  
  response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()  
  
  
  
  # 獲取所有class屬性（css）為taglist的div， 下一個(gè)層ul下的所有l(wèi)i下所有a下所有img標(biāo)簽下data-original屬性  
  
  
  
  # data-original這里放的是圖片的url地址

更多詳見

http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths

3. 安裝部署

Scrapy 是用純python編寫的，它依賴于幾個(gè)關(guān)鍵的python包（以及其他包）：

lxml 一個(gè)高效的XML和HTML解析器
parsel ，一個(gè)寫在lxml上面的html/xml數(shù)據(jù)提取庫,
w3lib ，用于處理URL和網(wǎng)頁編碼的多用途幫助程序
twisted 異步網(wǎng)絡(luò)框架
cryptography 和 pyOpenSSL ，處理各種網(wǎng)絡(luò)級(jí)安全需求

 
 
 
 
  
  
  
  # 安裝  
  
  
  
  pip install scrapy

4. 創(chuàng)建爬蟲項(xiàng)目

 
 
 
 
  
  
  
  scrapy startproject sexy  
  
  
  
  # 創(chuàng)建一個(gè)后的項(xiàng)目目錄  
  
  
  
  # sexy  
  
  
  
  # │  scrapy.cfg  
  
  
  
  # │  
  
  
  
  # └─sexy  
  
  
  
  #     │  items.py  
  
  
  
  #     │  middlewares.py  
  
  
  
  #     │  pipelines.py  
  
  
  
  #     │  settings.py  
  
  
  
  #     │  __init__.py  
  
  
  
  #     │  
  
  
  
  #     ├─spiders  
  
  
  
  #     │  │  __init__.py  
  
  
  
  #     │  │  
  
  
  
  #     │  └─__pycache__  
  
  
  
  #     └─__pycache__  
  
  
  
  # 執(zhí)行 需要到scrapy.cfg同級(jí)別的目錄執(zhí)行  
  
  
  
  scrapy crawl sexy

從上可知，我們要寫的是spiders里的具體的spider類和items.py和pipelines.py（對應(yīng)的ITEM PIPELINES）

5. 開始scrapy爬蟲

5.1 簡單而強(qiáng)大的spider

這里實(shí)現(xiàn)的功能是從圖片網(wǎng)站中下載圖片，保存在本地， url做了脫敏。需要注意的點(diǎn)在注釋要標(biāo)明

類要繼承 scrapy.Spider
取一個(gè)唯一的name
爬取的網(wǎng)站url加到start_urls列表里
重寫parse利用xpath解析reponse的內(nèi)容

可以看到parse實(shí)現(xiàn)的時(shí)候沒有轉(zhuǎn)發(fā)給ITEM PIPELINES，直接處理了。這樣簡單的可以這么處理，如果業(yè)務(wù)很復(fù)雜，建議交給ITEM PIPELINES。后面會(huì)給例子

 
 
 
 
  
  
  
  # 目錄結(jié)果為：spiders/sexy_spider.py  
  
  
  
  import scrapy  
  
  
  
  import os  
  
  
  
  import requests  
  
  
  
  import time  
  
  
  
  def download_from_url(url):  
  
  
  
      response = requests.get(url, stream=True)  
  
  
  
      if response.status_code == requests.codes.ok:  
  
  
  
          return response.content  
  
  
  
      else:  
  
  
  
          print('%s-%s' % (url, response.status_code))  
  
  
  
          return None  
  
  
  
  class SexySpider(scrapy.Spider):  
  
  
  
     # 如果有多個(gè)spider， name要唯一  
  
  
  
      name = 'sexy'  
  
  
  
      allowed_domains = ['uumdfdfnt.94demo.com']  
  
  
  
      allowed_urls = ['http://uumdfdfnt.94demo.com/']  
  
  
  
      # 需要爬取的網(wǎng)站url加到start_urls list里  
  
  
  
      start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']  
  
  
  
      save_path = '/home/sexy/dingziku'  
  
  
  
      def parse(self, response):  
  
  
  
          # 解析網(wǎng)站，獲取圖片列表  
  
  
  
          img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  
  
  
  
          time.sleep(1)  
  
  
  
          # 處理圖片， 具體業(yè)務(wù)操作， 可交給items， 見5.2 items例子  
  
  
  
          for img_url in img_list:  
  
  
  
              file_name = img_url.split('/')[-1]  
  
  
  
              content = download_from_url(img_url)  
  
  
  
              if content is not None:  
  
  
  
                  with open(os.path.join(self.save_path, file_name), 'wb') as fw:  
  
  
  
                      fw.write(content)  
  
  
  
          # 自動(dòng)下一頁（見5.3 自動(dòng)下一頁）  
  
  
  
          next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁"]/@href').get()  
  
  
  
          if next_page is not None:  
  
  
  
              next_page = response.urljoin(next_page)  
  
  
  
              yield scrapy.Request(next_page, callback=self.parse)

5.2 items和pipline例子

這里說明下兩個(gè)的作用

items：提供一個(gè)字段存儲(chǔ)， spider會(huì)將數(shù)據(jù)存在這里
pipline：會(huì)從items取數(shù)據(jù)，進(jìn)行業(yè)務(wù)操作，比如5.1中的保存圖片；又比如存儲(chǔ)到數(shù)據(jù)庫中等

我們來改寫下上面的例子

items.py其實(shí)就是定義字段scrapy.Field()

 
 
 
 
  
  
  
  import scrapy 
  
  
  
  class SexyItem(scrapy.Item):  
  
  
  
      # define the fields for your item here like:  
  
  
  
      # name = scrapy.Field()  
  
  
  
      img_url = scrapy.Field()

spiders/sexy_spider.py

 
 
 
 
  
  
  
  import scrapy  
  
  
  
  import os  
  
  
  
  # 導(dǎo)入item  
  
  
  
  from ..items import SexyItem  
  
  
  
  class SexySpider(scrapy.Spider): 
  
  
  
     # 如果有多個(gè)spider， name要唯一  
  
  
  
      name = 'sexy'  
  
  
  
      allowed_domains = ['uumdfdfnt.94demo.com']  
  
  
  
      allowed_urls = ['http://uumdfdfnt.94demo.com/']  
  
  
  
      # 需要爬取的網(wǎng)站url加到start_urls list里  
  
  
  
      start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']  
  
  
  
      save_path = '/home/sexy/dingziku'  
  
  
  
      def parse(self, response):  
  
  
  
          # 解析網(wǎng)站，獲取圖片列表  
  
  
  
          img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  
  
  
  
          time.sleep(1)  
  
  
  
          # 處理圖片， 具體業(yè)務(wù)操作， 可交給yield items  
  
  
  
          for img_url in img_list:  
  
  
  
              items = SexyItem()  
  
  
  
              items['img_url'] = img_url  
  
  
  
              yield items

pipelines.py

 
 
 
 
  
  
  
  import os  
  
  
  
  import requests  
  
  
  
  def download_from_url(url):  
  
  
  
      response = requests.get(url, stream=True)  
  
  
  
      if response.status_code == requests.codes.ok:  
  
  
  
          return response.content  
  
  
  
      else:  
  
  
  
          print('%s-%s' % (url, response.status_code))  
  
  
  
          return None 
  
  
  
   class SexyPipeline(object):  
  
  
  
      def __init__(self):  
  
  
  
          self.save_path = '/tmp'  
  
  
  
      def process_item(self, item, spider):  
  
  
  
          if spider.name == 'sexy':  
  
  
  
              # 取出item里內(nèi)容  
  
  
  
              img_url = item['img_url']           
  
  
  
               # 業(yè)務(wù)處理  
  
  
  
              file_name = img_url.split('/')[-1]  
  
  
  
              content = download_from_url(img_url)  
  
  
  
              if content is not None:  
  
  
  
                  with open(os.path.join(self.save_path, file_name), 'wb') as fw:  
  
  
  
                      fw.write(content)  
  
  
  
          return item

重要的配置要開啟在settings.py中開啟piplines類，數(shù)值表示優(yōu)先級(jí)

 
 
 
 
  
  
  
  ITEM_PIPELINES = {  
  
  
  
     'sexy.pipelines.SexyPipeline': 300,  
  
  
  
  }

5.3 自動(dòng)下一頁

有時(shí)候我們不僅要爬取請求頁面中的內(nèi)容，還要遞歸式的爬取里面的超鏈接url，特別是下一頁這種，解析內(nèi)容和當(dāng)前頁面相同的情況下。一種笨方法是手動(dòng)加到start_urls里。大家都是聰明人來試試這個(gè)。

先在頁面解析下下一頁的url
scrapy.Request(next_page, callback=self.parse) 發(fā)起一個(gè)請求，并調(diào)用parse來解析，當(dāng)然你可以用其他的解析

完美了，完整例子見5.1

 
 
 
 
  
  
  
  next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁"]/@href').get()  
  
  
  
  if next_page is not None:  
  
  
  
     next_page = response.urljoin(next_page)  
  
  
  
     yield scrapy.Request(next_page, callback=self.parse)

5.4 中間件

下載中間件中間件的作用是提供一些常用的鉤子Hook來增加額外的操作。中間件的操作是在middlewares.py?？梢钥吹街饕翘幚碚埱髉rocess_request，響應(yīng)process_response和異常process_exception三個(gè)鉤子函數(shù)。
處理請求process_request: 傳給DOWNLOADER之前做的操作
響應(yīng)process_response：DOWNLOADER給ENGIINE響應(yīng)之前的操作

這里舉一個(gè)添加模擬瀏覽器請求的方式，防止爬蟲被封鎖。重寫process_request

 
 
 
 
  
  
  
  from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware  
  
  
  
  import random  
  
  
  
  agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;',  
  
  
  
                'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1',  
  
  
  
                'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',  
  
  
  
                'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',  
  
  
  
                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']  
  
  
  
  class RandomUserAgent(UserAgentMiddleware):  
  
  
  
      def process_request(self, request, spider):  
  
  
  
          ua = random.choice(agents)  
  
  
  
          request.headers.setdefault('User-agent',ua,)

統(tǒng)一要在settings.py中開啟下載中間件，數(shù)值表示優(yōu)先級(jí)

 
 
 
 
  
  
  
  DOWNLOADER_MIDDLEWARES = {  
  
  
  
      'sexy.middlewares.customUserAgent.RandomUserAgent': 20,  
  
  
  
  }

5.5 可用配置settings.py

除了上面提供的pipline配置開啟和中間件配置外，下面介紹幾個(gè)常用的配置

爬蟲機(jī)器人規(guī)則：ROBOTSTXT_OBEY = False，如果要爬取的網(wǎng)站有設(shè)置robots.txt，最好設(shè)置為False
CONCURRENT_REQUESTS：并發(fā)請求
DOWNLOAD_DELAY：下載延遲，可以適當(dāng)配置，避免把網(wǎng)站也爬掛了。

所有的配置詳見 https://doc.scrapy.org/en/latest/topics/settings.html

6. 總結(jié)

相信從上面的介紹，你已經(jīng)可以動(dòng)手寫一個(gè)你自己的爬蟲了。我也完成了做筆記的任務(wù)了。scrapy還提供更加詳細(xì)的細(xì)節(jié)，可參見https://docs.scrapy.org/en/latest/。

最后總結(jié)如下：

scrapy是基于事件驅(qū)動(dòng)Twisted框架的爬蟲框架。ENGIINE是核心，負(fù)責(zé)串起其他組件
開發(fā)只要編寫spider和item pipline和中間件， download和schedule交給框架
scrapy crawl 你的爬蟲name，name要唯一
爬取的url放在start_urls， spider會(huì)自動(dòng)Request的，parse來解析
pipline和中間件要記得在settings中開啟
關(guān)注下settings的常用配置，需要時(shí)看下文檔

網(wǎng)站標(biāo)題：5分鐘快速掌握scrapy爬蟲框架
分享URL：http://uogjgqi.cn/article/ccdehhp.html

掃二維碼與項(xiàng)目經(jīng)理溝通

我們在微信上24小時(shí)期待你的聲音

解答本文疑問/技術(shù)咨詢/運(yùn)營咨詢/技術(shù)建議/互聯(lián)網(wǎng)交流

av激情亚洲男人的天堂国语,日韩欧美精品一中文字幕,无码av一区二区三区无码,国产又色又爽又刺激的a片,国产又色又爽又刺激的a片

5分鐘快速掌握scrapy爬蟲框架

掃二維碼與項(xiàng)目經(jīng)理溝通

其他資訊

行業(yè)動(dòng)態(tài)

企業(yè)網(wǎng)站建設(shè)的重要性！

服務(wù)項(xiàng)目

網(wǎng)站建設(shè)

移動(dòng)端/APP

微信/小程序

技術(shù)支持

其它服務(wù)

更多服務(wù)項(xiàng)目

聯(lián)系吧在百度地圖上找到我們

電話：13518219792

av激情亚洲男人的天堂国语,日韩欧美精品一中文字幕,无码av一区二区三区无码,国产又色又爽又刺激的a片,国产又色又爽又刺激的a片

5分鐘快速掌握scrapy爬蟲框架

掃二維碼與項(xiàng)目經(jīng)理溝通

其他資訊

行業(yè)動(dòng)態(tài)

企業(yè)網(wǎng)站建設(shè)的重要性！

服務(wù)項(xiàng)目

網(wǎng)站建設(shè)

移動(dòng)端/APP

微信/小程序

技術(shù)支持

其它服務(wù)

更多服務(wù)項(xiàng)目

聯(lián)系吧 在百度地圖上找到我們

電話：13518219792

聯(lián)系吧在百度地圖上找到我們