Scrapy
是:由Python
语言开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据,只需要实现少量的代码,就能够快速的抓取。
Scrapy框架的运行原理看下面一张图就够了(事实上原理是比较复杂的,也不是三言两语能够说清楚的,因此感兴趣的读者可以进一步阅读更多的相关文章来了解,本文不做过多讲解)
Scrapy主要包括了以下组件:
引擎(Scrapy Engine)
Item 项目
调度器(Scheduler)
下载器(Downloader)
爬虫(Spiders)
项目管道(Pipeline)
下载器中间件(Downloader Middlewares)
爬虫中间件(Spider Middlewares)
调度中间件(Scheduler Middewares)
第一种:在命令行模式下使用pip命令即可安装:
$ pip install scrapy
第二种:首先下载,然后再安装:
- $ pip download scrapy -d ./
- # 通过指定国内镜像源下载
- $pip download -i https://pypi.tuna.tsinghua.edu.cn/simple scrapy -d ./
进入下载目录后执行下面命令安装:
$ pip install Scrapy-1.5.0-py2.py3-none-any.whl
使用大概分为下面四步 1 创建一个scrapy项目
scrapy startproject mySpider
2 生成一个爬虫
scrapy genspider demo "demo.cn"
3 提取数据
完善spider 使用xpath等
4 保存数据
pipeline中保存数据
3.3 程序运行
在命令中运行爬虫
scrapy crawl qb # qb爬虫的名字
在pycharm中运行爬虫
- from scrapy import cmdline
- cmdline.execute("scrapy crawl qb".split())
Scrapy
爬虫框架的具体使用步骤如下:
“”
选择目标网站
定义要抓取的数据(通过Scrapy Items来完成的)
编写提取数据的spider
执行spider,获取数据
数据存储
当我们创建了一个scrapy项目后,继续创建了一个spider,目录结构是这样的:
下面来简单介绍一下各个主要文件的作用:
“scrapy.cfg :项目的配置文件
mySpider/ :项目的Python模块,将会从这里引用代码
mySpider/items.py :项目的目标文件
mySpider/pipelines.py :项目的管道文件
mySpider/settings.py :项目的设置文件
mySpider/spiders/ :存储爬虫代码目录
”
项目配置文件。这个是文件的内容:
- # Automatically created by: scrapy startproject
- #
- # For more information about the [deploy] section see:
- # https://scrapyd.readthedocs.io/en/latest/deploy.html
-
- [settings]
- default = mySpider.settings
-
- [deploy]
- #url = http://localhost:6800/
- project = mySpider
项目的Python模块,将会从这里引用代码
项目的目标文件
- # Define here the models for your scraped items
- #
- # See documentation in:
- # https://docs.scrapy.org/en/latest/topics/items.html
-
- import scrapy
- class MyspiderItem(scrapy.Item):
- # define the fields for your item here like:
- # name = scrapy.Field()
- pass
定义scrapy items的模块,示例: name = scrapy.Field()
项目的管道文件
- # Define your item pipelines here
- #
- # Don't forget to add your pipeline to the ITEM_PIPELINES setting
- # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
-
-
- # useful for handling different item types with a single interface
- from itemadapter import ItemAdapter
-
-
- class MyspiderPipeline:
- def process_item(self, item, spider):
- return item
这个文件也就是我们说的管道,当Item在Spider中被收集之后,它将会被传递到Item Pipeline(管道),这些Item Pipeline组件按定义的顺序处理Item。每个Item Pipeline都是实现了简单方法的Python类,比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用:
验证爬取的数据(检查item包含某些字段,比如说name字段)
查重(并丢弃)
将爬取结果保存到文件或者数据库中
项目的设置文件
- # Scrapy settings for mySpider project
- ...
-
- BOT_NAME = 'mySpider' # scrapy项目名
-
- SPIDER_MODULES = ['mySpider.spiders']
- NEWSPIDER_MODULE = 'mySpider.spiders'
- .......
-
- # Obey robots.txt rules
- ROBOTSTXT_OBEY = False # 是否遵守协议,一般给位false,但是创建完项目是是True,我们把它改为False
-
- # Configure maximum concurrent requests performed by Scrapy (default: 16)
- #CONCURRENT_REQUESTS = 32 # 最大并发量 默认16
- ......
- #DOWNLOAD_DELAY = 3 # 下载延迟 3秒
-
- # Override the default request headers: # 请求报头,我们打开
- DEFAULT_REQUEST_HEADERS = {
- 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
- 'Accept-Language': 'en',
- }
- # 爬虫中间件
- #SPIDER_MIDDLEWARES = {
- # 'mySpider.middlewares.MyspiderSpiderMiddleware': 543,
- #}
-
- # 下载中间件
- #DOWNLOADER_MIDDLEWARES = {
- # 'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
- #}
- ......
- # Configure item pipelines
- # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
- #ITEM_PIPELINES = {
- # 'mySpider.pipelines.MyspiderPipeline': 300, # 管道
- #}
- .......
省略号省略代码,一般重要点,给了注释
6.mySpider/spiders/ :存储爬虫代码目录
- import scrapy
-
- class DbSpider(scrapy.Spider):
- name = 'db'
- allowed_domains = ['douban.com'] # 可以修改
- start_urls = ['http://douban.com/'] # 开始的url也可以修改
-
- def parse(self, response):
- # pass
Scrapy终端是一个交互终端,我们可以在未启动spider的情况下尝试及调试代码,也可以用来测试XPath或CSS表达式,查看他们的工作方式,方便我们爬取的网页中提取的数据,但是一般使用的不多。感兴趣的查看官方文档:
官方文档
http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/shell.html
Scrapy Shell根据下载的页面会自动创建一些方便使用的对象,例如 Response 对象,以及 Selector 对象 (对HTML及XML内容)
。
当shell载入后,将得到一个包含response数据的本地 response 变量,输入 response.body
将输出response的包体,输出 response.headers
可以看到response的包头。
输入 response.selector
时, 将获取到一个response 初始化的类 Selector 的对象,此时可以通过使用 response.selector.xpath()
或response.selector.css()
来对 response 进行查询。
Scrapy也提供了一些快捷方式, 例如 response.xpath()
或response.css()
同样可以生效(如之前的案例)。
Selectors选择器
“Scrapy Selectors 内置 XPath 和 CSS Selector 表达式机制
”
Selector有四个基本的方法,最常用的还是xpath:
xpath(): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表
extract(): 序列化该节点为字符串并返回list
css(): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表,语法同 BeautifulSoup4
re(): 根据传入的正则表达式对数据进行提取,返回字符串list列表
本节,我将使用Scrapy爬取站酷数据作为示例
既然已经初步了解了scrapy的工作流程以及原理,我们来做一个入门的小案例,爬取站酷首页推荐的item信息。如下图所示,一个小方框就是一个item信息。我们要提取每一个item的六个组成部分:
imgLink(封面图片链接);
title(标题);
types(类型);
vistor(人气);
comment(评论数);
likes(推荐人数)
然后只是一个页面的item,我们还要通过翻页实现批量数据采集。
目录结构
在上一篇中我们说明了新建scrapy项目(zcool)和spider项目(zc),这里不再赘述,然后得到我们的目录结构如下图所示:
start.py文件
然后为了方便运行,在zcool目录下新建start文件。并进行初始化设置。
- from scrapy import cmdline
- cmdline.execute('scrapy crawl zc'.split())
settings.py文件
在这个文件里我们需要做几样设置👇
避免在程序运行的时候打印log日志信息
LOG_LEVEL = 'WARNING'
ROBOTSTXT_OBEY = False
添加请求头:
打开管道:
item.py文件
- import scrapy
- class ZcoolItem(scrapy.Item):
- # define the fields for your item here like:
- imgLink = scrapy.Field() # 封面图片链接
- title = scrapy.Field() # 标题
- types = scrapy.Field() # 类型
- vistor = scrapy.Field() # 人气
- comment = scrapy.Field() # 评论数
- likes = scrapy.Field() # 推荐人数
7.3 页面数据提取
首先我们在站酷页面使用xpath-helper测试一下:
然后zc.py文件里面初步测试一下:
- def parse(self, response):
- divList = response.xpath('//div[@class="work-list-box"]/div')
- print(len(divList))
运行结果如下图所示:
没有问题,然后我们对各种信息分别解析提取,
- def parse(self, response):
- divList = response.xpath('//div[@class="work-list-box"]/div')
- for div in divList:
- imgLink = div.xpath("./div[1]/a/img/@src").extract()[0] # 1.封面图片链接
- ... 2.title(标题);3 types(类型);4vistor(人气);5comment(评论数) ....
- likes = div.xpath("./div[2]/p[3]/span[3]/@title").extract_first() # 6likes(推荐人数)
-
- item = ZcoolItem(imgLink=imgLink,title=title,types=types,vistor=vistor,comment=comment,likes=likes)
-
- yield item
解释: xpath提取数据方法:
S.N. | 方法 & 描述 |
---|---|
extract() | 返回的是符合要求的所有的数据,存在一个列表里。 |
extract_first() | 返回的hrefs 列表里的第一个数据。 |
get() | 和extract_first()方法返回的是一样的,都是列表里的第一个数据。 |
getall() | 和extract()方法一样,返回的都是符合要求的所有的数据,存在一个列表里。 |
注意:
“get() 、getall() 方法是新的方法,extract() 、extract_first()方法是旧的方法。extract() 、extract_first()方法取不到就返回None。get() 、getall() 方法取不到就raise一个错误。
”
item实例创建(yield上面一行代码)
这里我们之前在目录文件配置的item文件中已经进行了设置,对于数据存储,我们在爬虫文件中开头要导入这个类:
from zcool.items import ZcoolItem
然后使用yield返回数据。
为什么使用yield而不是return
不能使用return这个无容置疑,因为要翻页,使用return直接退出函数;而对于yield:在调用for的时候,函数内部不会立即执行,只是返回了一个生成器对象。在迭代的时候函数会开始执行,当在yield的时候,会返回当前值(i)。之后的这个函数会在循环中进行,直到没有下一个值。
7.4 翻页实现批量数据采集
通过上面的代码已经可以初步实现数据采集,只不过只有第一页的,如下图所示:
但是我们的目标是100个页面的批量数据采集,所以代码还需要修改。针对翻页这里介绍两种方式:
方式一:我们首先在页面中定位到下一页的按钮,如下图所示:
然后编写如下代码,在for循环完毕后。
- next_href = response.xpath("//a[@class='laypage_next']/@href").extract_first()
- if next_href:
- next_url = response.urljoin(next_href)
- print('*' * 60)
- print(next_url)
- print('*' * 60)
- request = scrapy.Request(next_url)
- yield request
scrapy.Request(): 把下一页的url传递给Request函数,进行翻页循环数据采集。
https://www.cnblogs.com/heymonkey/p/11818495.html # scrapy.Request()参考链接
注意方式一只有下一页按钮它的href对应属性值和下一页的url一致才行。
方式二:定义一个全局变量count = 0,每爬取一页数据,令其加一,构建新的url,再使用scrapy.Request() 发起请求。
如下图所示:
- count = 1
-
- class ZcSpider(scrapy.Spider):
- name = 'zc'
- allowed_domains = ['zcool.com.cn']
- start_urls = ['https://www.zcool.com.cn/home?p=1#tab_anchor'] # 第一页的url
-
- def parse(self, response):
- global count
- count += 1
-
- for div in divList:
- # ...xxx...
- yield item
-
- next_url = 'https://www.kuaikanmanhua.com/tag/0?state=1&sort=1&page={}'.format(count)
- yield scrapy.Request(next_url)
这两种方式在实际案例中择机采用。
7.5 数据存储
数据存储是在pipline.py中进行的,代码如下:
- from itemadapter import ItemAdapter
- import csv
-
- class ZcoolPipeline:
- def __init__(self):
- self.f = open('Zcool.csv','w',encoding='utf-8',newline='') # line1
- self.file_name = ['imgLink', 'title','types','vistor','comment','likes'] # line2
- self.writer = csv.DictWriter(self.f, fieldnames=self.file_name) # line3
- self.writer.writeheader() # line4
-
- def process_item(self, item, spider):
- self.writer.writerow(dict(item)) # line5
- print(item)
- return item # line6
-
- def close_spider(self,spider):
- self.f.close()
解释:
line1: 打开文件,指定方式为写,利用第3个参数把csv写数据时产生的空行消除
line2: 设置文件第一行的字段名,注意要跟spider传过来的字典key名称相同
line3: 指定文件的写入方式为csv字典写入,参数1为指定具体文件,参数2为指定字段名
line4: 写入第一行字段名,因为只要写入一次,所以文件放在__init__里面
line5: 写入spider传过来的具体数值,注意在spider文件中yield的item,是一个由类创建的实例对象,我们写入数据时,写入的是 字典,所以这里还要转化一下。
line6: 写入完返回
7.6 程序运行
因为之前创建了start.py文件,并且对它就行了初始化设置,现在运行爬虫程序不需要在控制台中输入命令:
scrapy crawl zc(爬虫项目名)
直运行start.py文件:得到如下结果:
对应于页面:
打开csv文件如下图所示:(由于csv文件在word中乱码了,此处我是用Notepad++打开)
没有问题,数据采集完毕。
7.7. 总结
入门案例,需要细心,主要是基础知识的巩固,以便于为进阶学习做好准备。