5分鐘快速掌握 scrapy 爬蟲框架
1. scrapy簡(jiǎn)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(qǐng)求，從網(wǎng)上下載數(shù)據(jù) SPIDERS：發(fā)起爬蟲請(qǐng)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?cè)僭敿?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(qǐng)求給ENGIINE， 告訴它任務(wù)來了ENGIINE將請(qǐng)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(qǐng)求很多，挑一個(gè)給ENGIINE， 說大哥幫忙轉(zhuǎn)發(fā)給下載DOWNLOADERENGIINE：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ENGIINEENGIINE將結(jié)果給SPIDERS， 你的一個(gè)請(qǐng)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 PIPELINESITEM PIPELINES: 接收到字段內(nèi)容，保存起來。
第1步到第8步，一個(gè)請(qǐng)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(qǐng)求）的時(shí)候，通過回調(diào)的方式來執(zhí)行對(duì)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(duì)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(duì)應(yīng)的ITEM PIPELINES）
5. 開始scrapy爬蟲
5.1 簡(jiǎn)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(jiǎn)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(qǐng)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(qǐng)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。可以看到主要是處理請(qǐng)求process_request，響應(yīng)process_response和異常process_exception三個(gè)鉤子函數(shù)。處理請(qǐng)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(qǐng)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(qǐng)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
作者簡(jiǎn)介：wedo實(shí)驗(yàn)君, 數(shù)據(jù)分析師；熱愛生活，熱愛寫作
回復(fù)關(guān)鍵字“簡(jiǎn)明python ”，立即獲取入門必備書籍《簡(jiǎn)明python教程》電子版
回復(fù)關(guān)鍵字“爬蟲”，立即獲取爬蟲學(xué)習(xí)資料
推薦閱讀
點(diǎn)贊和在看就是最大的支持??
評(píng)論
圖片
表情