5分钟快速掌握 scrapy 爬虫框架
共 8090字,需浏览 17分钟
·
2021-02-18 23:04
1. scrapy简介
scrapy是基于事件驱动的Twisted框架下用纯python写的爬虫框架。很早之前就开始用scrapy来爬取网络上的图片和文本信息,一直没有把细节记录下来。这段时间,因为工作需要又重拾scrapy爬虫,本文和大家分享下,包你一用就会, 欢迎交流。
1.1 scrapy框架
scrapy框架包括5个主要的组件和2个中间件Hook。
ENGIINE:整个框架的控制中心, 控制整个爬虫的流程。根据不同的条件添加不同的事件(就是用的Twisted) SCHEDULER:事件调度器 DOWNLOADER:接收爬虫请求,从网上下载数据 SPIDERS:发起爬虫请求,并解析 DOWNLOADER
返回的网页内容,同时和数据持久化进行交互,需要开发者编写
ITEM PIPELINES:接收 SPIDERS
解析的结构化的字段,进行持久化等操作,需要开发者编写
MIDDLEWARES: ENGIINE
和SPIDERS
,ENGIINE
和DOWNLOADER
之间一些额外的操作,hook的方式提供给开发者
从上可知,我们只要实现SPIDERS
(要爬什么网站,怎么解析)和ITEM PIPELINES
(如何处理解析后的内容)就可以了。其他的都是有框架帮你完成了。(图片来自网络,如果侵权联系必删)
1.2 scrapy数据流
我们再详细看下组件之间的数据流,会更清楚框架的内部运作。(图片来自网络,如果侵权联系必删)
SPIDERS
发爬虫请求给ENGIINE
, 告诉它任务来了ENGIINE
将请求添加到SCHEDULER
调度队列里, 说任务就交给你了,给我安排好SCHEDULER
看看手里的爬取请求很多,挑一个给ENGIINE
, 说大哥帮忙转发给下载DOWNLOADER
ENGIINE
:好的,DOWNLOADER
你的任务来了DOWNLOADER
:开始下载了,下载好了,任务结果 交给ENGIINE
ENGIINE
将结果给SPIDERS
, 你的一个请求下载好了,快去解析吧SPIDERS
:好的,解析产生了结果字段。又给SPIDERS
转发给ITEM PIPELINES
ITEM PIPELINES
: 接收到字段内容,保存起来。
第1步到第8步,一个请求终于完成了。是不是觉得很多余?ENGIINE
夹在中间当传话筒,能不能直接跳过?可以考虑跳过了会怎么样。
这里分析一下
SCHEDULER
的作用:任务调度, 控制任务的并发,防止机器处理不过来ENGIINE
:就是基于Twisted
框架, 当事件来(比如转发请求)的时候,通过回调的方式来执行对应的事件。我觉得ENGIINE
让所有操作变的统一,都是按照事件的方式来组织其他组件, 其他组件以低耦合的方式运作;对于一种框架来说,无疑是必备的。
2. 基础:XPath
写爬虫最重要的是解析网页的内容,这个部分就介绍下通过XPath
来解析网页,提取内容。
2.1 HTML节点和属性
(图片来自网络,如果侵权联系必删)
2.2 解析语法
a / b:‘/’在 xpath里表示层级关系,左边的 a是父节点,右边的 b是子节点 a // b:表示a下所有b,直接或者间接的 [@]:选择具有某个属性的节点 //div[@classs], //a[@x]:选择具有 class属性的 div节点、选择具有 x属性的 a节点 //div[@class="container"]:选择具有 class属性的值为 container的 div节点 //a[contains(@id, "abc")]:选择 id属性里有 abc的 a标签
一个例子
response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()
# 获取所有class属性(css)为taglist的div, 下一个层ul下的所有li下所有a下所有img标签下data-original属性
# data-original这里放的是图片的url地址
更多详见
http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths
3. 安装部署
Scrapy 是用纯python编写的,它依赖于几个关键的python包(以及其他包):
lxml 一个高效的XML和HTML解析器 parsel ,一个写在lxml上面的html/xml数据提取库, w3lib ,用于处理URL和网页编码的多用途帮助程序 twisted 异步网络框架 cryptography 和 pyOpenSSL ,处理各种网络级安全需求
# 安装
pip install scrapy
4. 创建爬虫项目
scrapy startproject sexy
# 创建一个后的项目目录
# sexy
# │ scrapy.cfg
# │
# └─sexy
# │ items.py
# │ middlewares.py
# │ pipelines.py
# │ settings.py
# │ __init__.py
# │
# ├─spiders
# │ │ __init__.py
# │ │
# │ └─__pycache__
# └─__pycache__
# 执行 需要到scrapy.cfg同级别的目录执行
scrapy crawl sexy
从上可知,我们要写的是spiders
里的具体的spider类和items.py和pipelines.py
(对应的ITEM PIPELINES
)
5. 开始scrapy爬虫
5.1 简单而强大的spider
这里实现的功能是从图片网站中下载图片,保存在本地, url做了脱敏。需要注意的点在注释要标明
类要继承 scrapy.Spider
取一个唯一的name 爬取的网站url加到start_urls列表里 重写 parse
利用xpath解析reponse的内容
可以看到parse
实现的时候没有转发给ITEM PIPELINES
,直接处理了。这样简单的可以这么处理,如果业务很复杂,建议交给ITEM PIPELINES
。后面会给例子
# 目录结果为: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):
# 如果有多个spider, name要唯一
name = 'sexy'
allowed_domains = ['uumdfdfnt.94demo.com']
allowed_urls = ['http://uumdfdfnt.94demo.com/']
# 需要爬取的网站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):
# 解析网站,获取图片列表
img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
time.sleep(1)
# 处理图片, 具体业务操作, 可交给items, 见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)
# 自动下一页(见5.3 自动下一页)
next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@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
这里说明下两个的作用
items:提供一个字段存储, spider会将数据存在这里 pipline:会从items取数据,进行业务操作,比如5.1中的保存图片;又比如存储到数据库中等
我们来改写下上面的例子
items.py其实就是定义字段 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
# 导入item
from ..items import SexyItem
class SexySpider(scrapy.Spider):
# 如果有多个spider, name要唯一
name = 'sexy'
allowed_domains = ['uumdfdfnt.94demo.com']
allowed_urls = ['http://uumdfdfnt.94demo.com/']
# 需要爬取的网站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):
# 解析网站,获取图片列表
img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
time.sleep(1)
# 处理图片, 具体业务操作, 可交给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里内容
img_url = item['img_url']
# 业务处理
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
重要的配置要开启在 settings.py
中开启piplines类,数值表示优先级
ITEM_PIPELINES = {
'sexy.pipelines.SexyPipeline': 300,
}
5.3 自动下一页
有时候我们不仅要爬取请求页面中的内容,还要递归式的爬取里面的超链接url,特别是下一页这种,解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls
里。大家都是聪明人来试试这个。
先在页面解析下下一页的url scrapy.Request(next_page, callback=self.parse) 发起一个请求,并调用parse来解析,当然你可以用其他的解析
完美了,完整例子见5.1
next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()
if next_page is not None:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)
5.4 中间件
下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在 middlewares.py
。可以看到主要是处理请求process_request
,响应process_response
和异常process_exception
三个钩子函数。处理请求 process_request
: 传给DOWNLOADER
之前做的操作响应 process_response
:DOWNLOADER
给ENGIINE
响应之前的操作
这里举一个添加模拟浏览器请求的方式,防止爬虫被封锁。重写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,)
统一要在settings.py
中开启下载中间件,数值表示优先级
DOWNLOADER_MIDDLEWARES = {
'sexy.middlewares.customUserAgent.RandomUserAgent': 20,
}
5.5 可用配置settings.py
除了上面提供的pipline配置开启和中间件配置外,下面介绍几个常用的配置
爬虫机器人规则:ROBOTSTXT_OBEY = False, 如果要爬取的网站有设置robots.txt,最好设置为False CONCURRENT_REQUESTS:并发请求 DOWNLOAD_DELAY:下载延迟,可以适当配置,避免把网站也爬挂了。
所有的配置详见 https://doc.scrapy.org/en/latest/topics/settings.html
6. 总结
相信从上面的介绍,你已经可以动手写一个你自己的爬虫了。我也完成了做笔记的任务了。scrapy还提供更加详细的细节,可参见https://docs.scrapy.org/en/latest/
。
最后总结如下:
scrapy是基于事件驱动Twisted框架的爬虫框架。 ENGIINE
是核心,负责串起其他组件开发只要编写spider和item pipline和中间件, download和schedule交给框架 scrapy crawl 你的爬虫name,name要唯一 爬取的url放在start_urls, spider会自动Request的,parse来解析 pipline和中间件要记得在settings中开启 关注下settings的常用配置,需要时看下文档
作者简介:wedo实验君, 数据分析师;热爱生活,热爱写作