Python爬虫框架-scrapy的使用-巨人网络通讯

Python爬虫框架-scrapy的使用

Scrapy

Scrapy是纯python实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。
Scrapy使用了Twisted异步网络框架来处理网络通讯，可以加快我们的下载速度，并且包含了各种中间件接口，可以灵活的完成各种需求

1、安装

sudo pip3 install scrapy

2、认识scrapy框架

2.1 scrapy架构图

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队列，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理
Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件
Spider Middlewares（Spider中间件）：可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses和从Spider出去的Requests）

2.2 Scrapy运行的大体流程：

1.引擎从spider拿到第一个需要处理的URL，并将request请求交给调度器。

2.调度器拿到request请求后，按照一定的方式进行整理排列，入队列，并将处理好的request请求返回给引擎。

3.引擎通知下载器，按照下载中间件的设置去下载这个request请求。

4.下载器下载request请求，并将获取到的response按照下载中间件进行处理，然后后交还给引擎，由引擎交给spider来处理。对于下载失败的request，引擎会通知调度器进行记录，待会重新下载。

5.spider拿到response，并调用回调函数（默认调用parse函数）去进行处理，并将提取到的Item数据和需要跟进的URL交给引擎。

6.引擎将item数据交给管道进行处理，将需要跟进的URL交给调度器，然后开始循环，直到调度器中不存在任何request，整个程序才会终止。

2.3 制作scrapy爬虫步骤：

1.创建项目：通过（scrapy startproject 项目名）来创建一个项目

2.明确目标：编写items.py文件，定义提取的Item

3.制作爬虫：编写spiders/xx.py文件，爬取网站并提取Item

4.存储内容：编写pipelines.py文件，设计管道来存储提取到的Item(即数据)

3、入门教程

3.1 创建项目在开始爬虫之前，第一步需要创建一个项目。先进入打算存储代码的目录，运行以下命令：

scrapy startproject myProject

其中myProject为项目名，运行上述命令后，在当前目录下会创建一个myProject目录，该目录包含以下内容：

.
├── myProject
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders
│       └── __init__.py
└── scrapy.cfg

scrapy.cfg：项目的配置文件

myProject/items.py：项目中的目标文件

myProject/middlewares.py：项目中的中间件文件

myProject/pipelines.py：项目中的管道文件

myProject/settings.py：项目中的设置文件

myProject/spiders：放置spider代码的目录

3.2 明确目标（定义Item）

我们打算抓取网站http://www.itcast.cn/channel/teacher.shtml里所有老师的姓名、职称、入职时间和个人简介：

首先打开myProject/items.py文件
Item是保存爬取到的数据的容器，其使用方法和python字典类似
创建一个scrapy.Item 类，并且定义类型为 scrapy.Field的类属性来定义一个Item（类似于ORM的映射关系）
创建一个MyprojectItem 类，和构建item模型（model）

import scrapy
 
class MyprojectItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    hiredate = scrapy.Field()
    profile = scrapy.Field()

3.3 制作爬虫在项目根目录下输入以下命令，可以在myProject/spiders目录下创建一个名为itcast的爬虫(itcast.py)，并且指定爬虫作用域的范围itcast.cn：

scrapy genspider itcast itcast.cn

打开itcast.py，默认添上了以下内容：

import scrapy

class ItcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.cn']
    start_urls = ['http://itcast.cn/']

    def parse(self, response):
        pass

要建立一个Spider，你必须用scrapy.Spider类创建一个子类，并确定了3个强制的属性和1个方法。

name：这个爬虫的识别名称，必须是唯一的
allow_domains：爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。
start_urls：爬取的URL列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始URL返回的数据中提取。
parse(self, response)：Request对象默认的回调解析方法。每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，该方法负责解析返回的数据(response.body)，提取数据(生成item)以及生成需要进一步处理的URL的Request对象

修改start_urls为第一个需要爬取的URL：

start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']

修改parse方法提取Item：

def parse(self, response):
    for teacher in response.xpath("//ul[@class='clears']/li/div[@class='main_mask']"):
        #将提取到到的数据封装到一个MyprojectItem对象中
        item = MyprojectItem()
        #利用xpath返回该表达式所对应的所有节点的selector list列表
        #调用extract方法序列化每个节点为Unicode字符串并返回list
        name = teacher.xpath('h2/text()').extract()[0]
        title = teacher.xpath('h2/span/text()').extract()[0]
        hiredate = teacher.xpath('h3/text()').extract()[0].split('：')[-1]
        profile = teacher.xpath('p/text()').extract()[0]
        item['name'] = name
        item['title'] = title
        item['hiredate'] = hiredate
        item['profile'] = profile
        # 使用yield将获取的数据交给pipelines，如果使用return,则数据不会经过pipelines
        yield item

3.4 存储内容

Feed输出

如果仅仅想要保存item，可以不需要实现任何的pipeline，而是使用自带的Feed输出(Feed export)。主要有以下4种方式，通过-o指定输出文件格式：

# json格式，默认为Unicode编码
scrapy crawl itcast -o itcast.json
# json lines格式，默认为Unicode编码
scrapy crawl itcast -o itcast.jsonl
#csv 逗号表达式，可用Excel打开
scrapy crawl itcast -o itcast.csv
# xml格式
scrapy crawl itcast -o itcast.xml

执行这些命令后，将会对爬取的数据进行序列化，并生成文件。

编写Item Pipeline（通用）：

每个Item Pipeline都是实现了简单方法的Python类，他们接收到Item并通过它执行一些行为，同时也决定此Item是丢弃还是被后续pipeline继续处理。
每个item pipeline组件必须实现process_item（self,item,spider）方法：

这个方法必须返回一个Item (或任何继承类)对象，或是抛出 DropItem异常。
参数是被爬取的item和爬取该item的spider
spider程序每yield一个item，该方法就会被调用一次

同时还可以实现以下方法：

open_spider(self,spider)：开启spider的时候调用，只执行1次
close_spider(self,spider)：关闭spider的时候调用，只执行1次
item写入json文件：

import json
from itemadapter import ItemAdapter

class MyprojectPipeline:
    def open_spider(self,spider):
        '''可选实现，开启spider时调用该方法'''
        self.f = open('itcast.json','w')

    def process_item(self, item, spider):
        '''必须实现，被抛弃的item将不会被后续的pipeline组件所处理'''
        self.f.write(json.dumps(dict(item),ensure_ascii=False)+'\n')
        return item

    def close_spider(self,spider):
        '''可选实现，关闭spider时调用该方法'''
        self.f.close()

启用Item Pipeline组件

ITEM_PIPELINES = {
   'myProject.pipelines.MyprojectPipeline': 300,
}

在settings.py文件里添加以上配置（可以取消原有的注释），后面的数字确定了item通过pipeline的顺序，通常定义在0-1000范围内，数值越低，组件的优先级越高

启动爬虫

scrapy crawl itcast

查看当前目录下是否生成了itcast.json文件

4、Scrapy Shell

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。

启动scrapy shell

scrapy shell url>

命令行启动，url是要爬取的网页的地址

常见可用对象

response.status：状态码
response.url：当前页面url
response.body：响应体（bytes类型）
response.text：响应文本（str类型）
response.json()：如果响应体的是json，则直接转换成python的dict类型
response.headers：响应头
response.selector：返回Selector对象，之后就可以调用xpath和css等方法，也可以简写成response.xpath()和response.css()

selector选择器

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Unicode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Unicode字符串list列表

5、Spider

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。

scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。

import scrapy

class XxSpider(scrapy.Spider):
    pass

主要用到的函数及调用顺序为：

__init__()：初始化爬虫名字和start_urls列表
start__requests(self)：调用make_requests_from_url()生成Requests对象交给Scrapy下载并返回response
parse(self,response)：解析response，并返回Item或Requests（需指定回调函数）。Item传给Item pipline持久化，而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

其他方法

log(self, message, level=log.DEBUG)
message：字符串类型，写入的log信息
level：log等级，有CRITICAL、 ERROR、WARNING、INFO、DEBUG这5种，默认等级为DEBUG

6、CrwalSpider

快速创建CrawlSpider模板：

scrapy genspider -t crawl 爬虫名 爬虫域

scrapy.spiders.CrwalSpider是编写的爬虫所必须继承的类

from scrapy.spiders import CrawlSpider

class XxSpider(CrawlSpider):
     pass

CrawlSpider类继承于Spider类，它定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。

LinkExtractor

class scrapy.spiders.LinkExtractor

每个LinkExtractor对象有唯一的公共方法是 extract_links()，它接收一个Response对象，并返回一个 scrapy.link.Link 对象。根据不同的response调用多次来提取链接
主要参数：

allow：满足括号中“正则表达式”的值会被提取，如果为空，则全部匹配。

deny：与这个正则表达式(或正则表达式列表)匹配的URL一定不提取。

allow_domains：会被提取的链接的domains。

deny_domains：一定不会被提取链接的domains。

restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。

rules

class scrapy.spiders.Rule

在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了特定操作。如果多个rule匹配了相同的链接，第一个会被使用。
Rule对象主要参数：

link_extractor：是一个Link Extractor对象，用于定义需要提取的链接
callback：从link_extractor中每获取到链接时，该回调函数接受一个response作为其第一个参数。注意：字符串类型，避免使用'parse'
follow：布尔类型，指定了根据该规则从response提取的链接是否需要跟进。如果callback为None，follow 默认设置为True ，否则默认为False。
process_links：指定函数，从link_extractor中获取到链接列表时将会调用该函数，主要用来过滤。
process_requests：指定函数，该规则提取到每个request时都会调用该函数，用来过滤request。

CrawSpider爬虫示例
以阳光热线问政平台http://wz.sun0769.com/political/index/politicsNewest?id=1为例，爬取投诉帖子的编号、帖子的标题，帖子的处理状态和帖子里的内容。

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from myProject.items import MyprojectItem

class SunSpider(CrawlSpider):
    name = 'sun'
    allowed_domains = ['wz.sun0769.com']
    start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1page=1']

    rules = (
        Rule(LinkExtractor(allow=r'id=\d+page=\d+')),#每一页的匹配规则，callback为None，默认跟进
        Rule(LinkExtractor(allow=r'politics/index\&;id=\d+'), callback='parse_item'),#每个帖子的匹配规则，设置了callback，默认不跟进
    )

    def parse_item(self, response):
        item = MyprojectItem()
        title = response.xpath('//div[@class="mr-three"]/p[@class="focus-details"]/text()').extract()[0] #帖子标题
        status = response.xpath('//div[@class="focus-date clear focus-date-list"]/span[3]/text()').extract()[0].split()[1] #处理状态
        number = response.xpath('//div[@class="focus-date clear focus-date-list"]/span[4]/text()').extract()[0].split('：')[-1] #帖子编号
        content = response.xpath('//div[@class="details-box"]/pre/text()').extract()[0] #帖子内容
        item['title'] = title
        item['status'] = status
        item['number'] = number
        item['content'] = content

        yield item

7、logging功能

Scrapy提供了log功能，通过在setting.py中进行设置，可以被用来配置logging

设置

LOG_ENABLED：默认: True，启用logging
LOG_ENCODING：默认: 'utf-8'，logging使用的编码
LOG_FILE：默认:：None，在当前目录里创建logging输出文件的文件名
LOG_LEVEL：默认：'DEBUG'，有'CRITICAL'（严重错误）、'ERROR'（一般错误）、'WARNING'（警告信息）、'INFO'（一般信息）、'DEBUG'（调试信息）这5种等级
LOG_STDOUT：默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。

示例：

#在settings.py中任意位置添上以下两句，终端上会清爽很多
LOG_FILE = "xxx.log"
LOG_LEVEL = "INFO"

8、Request对象

GET请求

可以使用yield scrapy.Request（url，callback）方法来发送请求
Request对象初始化方法传入参数如下：

class Request(object_ref):

    def __init__(self, url, callback=None, method='GET', headers=None, body=None,
                 cookies=None, meta=None, encoding='utf-8', priority=0,
                 dont_filter=False, errback=None, flags=None, cb_kwargs=None):
        pass

主要参数：

url：需要请求并进行下一步处理的url
callback：指定该请求返回的Response，由哪个函数来处理
method：默认'GET'，一般不需要指定，可以是‘POST','PUT'等
headrs：请求时包含的头文件，一般不需要
meta：比较常用，在不同的request之间传递数据用的，dict类型
encoding：使用默认的‘utf-8'就行
dont_filter：表明该请求不由调度器过滤，可以发送重复请求，默认为False
errback：指定错误处理函数

POST请求

可以使用scrapy.FormRequest(url, formdata, callback)方法进行发送
如果希望程序执行一开始就发送POST请求，可以重写Spider类的start_requests(self)方法，并且不再调用start_urls里的url。
如果想要预填充或重写像用户名、用户密码这些表单字段，可以使用 scrapy.FormRequest.from_response(response, formdata, callback) 方法实现。

9、Downloader Middlewares(下载中间件)

下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件，可以有多个下载中间件被加载运行。
当引擎传递请求给下载器的过程中，下载中间件可以对请求进行处理（例如增加http header信息，增加proxy信息等）；
在下载器完成http请求，传递响应给引擎的过程中，下载中间件可以对响应进行处理（例如进行gzip的解压等）
要激活下载器中间件组件，将其加入到settings.py中的DOWNLOADER_MIDDLEWARES 设置中。该设置是一个字典(dict)，键为中间件类的路径，值为其中间件的顺序(order)。例如：

DOWNLOADER_MIDDLEWARES = {
   'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
}

中间件组件是一个定义了以下一个或多个方法的Python类：

process_request(self, request, spider):当每个request通过下载中间件时，该方法被调用。
process_response(self, request, response, spider):当下载器完成http请求，传递响应给引擎的时候调用

示例：（使用随机User-Agent和代理IP）
middlewares.py文件

import random
import json
import redis

from scrapy import signals
from itemadapter import is_item, ItemAdapter
from myProject.settings import USER_AGENTS

class MyprojectDownloaderMiddleware:
    def __init__(self):
        self.r = redis.StrictRedis(host='localhost') #创建redis连接客户端，用于取里面存储的动态获取的代理ip

    def process_request(self, request, spider):
        user_agent = random.choice(USER_AGENTS) #取随机user-Agent
        proxy_list = json.loads(self.r.get('proxy_list').decode())
        proxy = random.choice(proxy_list) #取随机ip
        request.headers.setdefault("User-Agent",user_agent) #设置user-agent
        request.meta['proxy'] ='http://'+proxy['ip']+':'+str(proxy['port']) #使用代理ip

修改settings.py文件配置

#禁用cookies
COOKIES_ENABLED = False

#设置下载延迟
DOWNLOAD_DELAY = 3

#添加自己写的下载中间件类
DOWNLOADER_MIDDLEWARES = {
   'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
}

#添加USER-AGENTS
USER_AGENTS = [
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
    ]

到此这篇关于Python爬虫框架-scrapy的使用的文章就介绍到这了,更多相关Python爬虫框架scrapy使用内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章: