Python 爬虫七 Scrapy

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：