Scrapy
Scrapy是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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件:
- 引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心) - 调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 - 下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) - 爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 - 项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。 - 下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。 - 爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。 - 调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
一、安装
Linux:
pip3 install scrapy
Windows:
a. pip3 install wheel b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl d. pip3 install scrapy e. 下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/
二、基本使用
1、创建项目
scrapy startproject 项目名称 - 在当前目录中创建中创建一个项目文件(类似于Django) scrapy genspider [-t template] <name> <domain> - 穿件爬虫应用 如:scrapy gensipider -t basic oldboy oldboy.com scrapy gensipider -t xmlfeed autohome autohome.com.cn 查看所有命令:scrapy gensipider -l 查看模板命令:scrapy gensipider -d 模板名称 scrapy list - 展示爬虫应用列表 scrapy crawl 爬虫应用名称 - 运行单独爬虫应用
创建实例:
创建项目 shuais-MacBook-Pro:~ dandyzhang$ scrapy startproject scrapy_test New Scrapy project 'scrapy_test', using template directory '/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/site-packages/scrapy/templates/project', created in: /Users/dandyzhang/scrapy_test You can start your first spider with: cd scrapy_test scrapy genspider example example.com 进入创建的项目 shuais-MacBook-Pro:~ dandyzhang$ cd scrapy_test/ 创建爬虫应用1 shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider chouti chouti.com Created spider 'chouti' using template 'basic' in module: scrapy_test.spiders.chouti 创建爬虫应用2 shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy genspider cnblogs cnblogs.com Created spider 'cnblogs' using template 'basic' in module: scrapy_test.spiders.cnblogs
2、项目结构以及爬虫应用简介
上面的实例,创建好了一个完整的项目:
文件说明:
- scrapy.cfg 项目的主配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
此时,发现之前根据命令创建了2个应用都存储在spiders文件夹内,现在以其中的chouti为例,来撰写第一个爬虫
import scrapy class ChoutiSpider(scrapy.Spider): name = 'chouti' # 外部scrapy调用的爬虫应用名称 allowed_domains = ['chouti.com'] # 允许的域名 start_urls = ['http://dig.chouti.com/'] # 起始url def parse(self, response): # 访问起始url并获取结果后的回调函数 print(response.text) # response就是返回结果
查看结果:
如果是window用户可能会遇到编码问题:
import sys,os sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')
3、小试牛刀
如上,需要在抽屉网中抓去热榜的所有标题,图中的框已经标好,从content-list入手,抓取每一个item中class为part2的share-title
class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://dig.chouti.com/'] def parse(self, response): """ 1.获取想要的内容 2.如果分页,继续下载内容 :param response: :return: """ # 获取当前页的内容 item_list = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]') # /子标签 # //起始位置时,是在全局进行查找;非起始位置是在当前标签的子子孙孙内部找 # ./当前对象下面找 # 获取index为0的对象中的第一个满足条件的文本 # obj = item_list[0].xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract_first() obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract() print(obj_list) # 获取的结果是列表
如果抓取的是标签的内容而不是属性的话:
obj = item_list[0].xpath('./div[@class="news-content"]//div[@class="show-content"]/text()').extract()
执行命令:
shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog
结果:
此时,如果分页内的也需要抓取呢?
首先,先获取以下分页内部的url:
import scrapy from scrapy.selector import Selector, HtmlXPathSelector from scrapy.http import Request class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://dig.chouti.com/'] def parse(self, response): """ 1.获取想要的内容 2.如果分页,继续下载内容 :param response: :return: """ url_list = Selector(response=response).xpath('//div[@id="dig_lcpage"]//a/@href').extract() print(url_list)
运行结果:
shuais-MacBook-Pro:scrapy_test dandyzhang$ scrapy crawl chouti --nolog ['/all/hot/recent/2', '/all/hot/recent/3', '/all/hot/recent/4', '/all/hot/recent/5', '/all/hot/recent/6', '/all/hot/recent/7', '/all/hot/recent/8', '/all/hot/recent/9', '/all/hot/recent/10', '/all/hot/recent/2']
此时需要先拼接url,然后抓取数据:
# -*- coding: utf-8 -*- import scrapy from scrapy.selector import Selector, HtmlXPathSelector from scrapy.http import Request # 这里导入了一个Request,用来迭代 class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://dig.chouti.com/'] def parse(self, response): """ 1.获取想要的内容 2.如果分页,继续下载内容 :param response: :return: """ item_list = Selector(response=response).xpath('//div[@id="content-list"]/div[@class="item"]') obj_list = item_list.xpath('./div[@class="news-content"]//div[@class="part2"]/@share-title').extract() print(obj_list) url_list = Selector(response=response).xpath('//div[@id="dig_lcpage"]//a/@href').extract() for url in url_list: url = 'http://dig.chouti.com' + url yield Request(url=url) # 迭代处理
这里可以在settings配置文件内设置下钻的深度:
DEPTH_LIMIT = 2
可以发现产生来了多个列表文件: