爬虫(6)、scrapy框架介绍

• 运行流程
• 组件
• 安装
• 命令行参数
• 项目结构
• 选择器xpath & css

运行流程

官网：https://docs.scrapy.org/en/latest/intro/overview.html

流程图如下：

The data flow in Scrapy is controlled by the execution engine, and goes like this:

• 1、The Engine gets the initial Requests to crawl from the Spider；
• 2、The Engine schedules the Requests in the Scheduler and asks for the next Requests to crawl；
• 3、The Scheduler returns the next Requests to the Engine；
• 4、The Engine sends the Requests to the Downloader, passing through the Downloader Middlewares；
• 5、Once the page finishes downloading，the Downloader generates a Response (with that page) and sends it to the Engine, passing through the Downloader Middlewares (see process_response())；
• 6、The Engine receives the Response from the Downloader and sends it to the Spider for processing, passing through the Spider Middleware (see process_spider_input()).
• 7、The Spider processes the Response and returns scraped items and new Requests (to follow) to the Engine, passing through the Spider Middleware (see process_spider_output()).
• 8、The Engine sends processed items to Item Pipelines, then send processed Requests to the Scheduler and asks for possible next Requests to crawl.
• 9、The process repeats (from step 1) until there are no more requests from the Scheduler.

---

组件

1、引擎(EGINE)：负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分；

2、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的优先级队列, 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；

3、下载器(DOWLOADER)：用于下载网页内容，并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的；

4、爬虫(SPIDERS)：SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求；

5、项目管道(ITEM PIPLINES)：在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作；

6、下载器中间件(Downloader Middlewares)：位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，以及从DOWNLOADER传到EGINE的响应response，可用该中间件做以下几件事：

• 1、process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
• 2、change received response before passing it to a spider;
• 3、send a new Request instead of passing received response to a spider;
• 4、pass response to a spider without fetching a web page;
• 5、silently drop some requests.

7、爬虫中间件(Spider Middlewares)：位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

---

安装

# Windows平台
pip3 install wheel 
    # 安装后，便支持通过wheel文件安装软件，wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
pip3 install lxml
pip3 install pyopenssl
pip install pywin32
pip install Twisted-18.7.0-cp36-cp36m-win32.whl  # 下载twisted32位版本并安装
pip3 install scrapy


# Linux平台
pip3 install scrapy

---

命令行参数

# 查看帮助
scrapy -h
scrapy <command> -h


Global commands:    # 全局命令
    startproject    # 创建项目，会在当前目录下创建项目文件夹
    
    genspider       # cd 进入项目目录，创建爬虫程序
        scrapy genspider baidu_spider www.baidu.com
            # 就会在spider目录下生成 baidu_spider.py 文件
    
    settings        # 如果是在项目目录下，则得到的是该项目的配置
        > scrapy settings --get=SPIDER_MODULES
        ['first_crawl.spiders']

    runspider       # 运行一个独立的python文件，不必创建项目
        ROBOTSTXT_OBEY = False
        scrapy runspider  baidu_spider.py的绝对路径

    shell           # scrapy shell url地址  在交互式调试，如选择器规则正确与否
        scrapy shell https://www.baidu.com/
        # 进入交互环境后，可执行命令：
            response.text           # 文本内容
            response.body           # 二进制内容
            view(response)          # 打开浏览器查看响应页面，已下载到本地
            response.css('a')       # 查找所有a标签
            response.xpath('//a')   # 查找所有a标签
            quit()                  # 退出交互环境 

    fetch           # 独立于程单纯地爬取一个页面，可以拿到请求头
        scrapy fetch https://www.baidu.com/  # 直接获取所有信息，类似shell但没有交互调试
        
    view            # 下载完毕后直接弹出浏览器，以此可以分辨出哪些数据是ajax请求
        
    version         # scrapy version 查看scrapy的版本
    
    scrapy version  # -v查看scrapy依赖库的版本



Project-only commands:  # 必须切到项目文件夹下才能执行
    crawl           # 运行爬虫，必须创建项目才行，确保配置文件中ROBOTSTXT_OBEY=False
        scrapy crawl baidu_spider  # 此处爬虫名称为name属性对应的爬虫
    
    check           # 检测项目中有无语法错误
    
    list            # 列出项目中所包含的爬虫名
    
    parse           # scrapy parse url地址 --callback 回调函数，以此可以验证我们的回调函数是否正确
    
    bench           # scrapy bentch压力测试，检测每分钟能爬取的网页数


# 官网链接
    https://docs.scrapy.org/en/latest/topics/commands.html

---

项目结构

project_name/
   scrapy.cfg
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py
           爬虫1.py
           爬虫2.py
           爬虫3.py

文件说明：

• scrapy.cfg：项目的主配置信息，用来部署scrapy时使用，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。强调:配置文件的选项必须大写否则视为无效，正确写法USER_AGENT='xxxx';
• spiders：爬虫目录，如：创建文件，编写爬虫规则。

---

选择器xpath & css

测试网址：https://doc.scrapy.org/en/latest/_static/selectors-sample1.html

目标页面内容：

<html>
 <head>
  <base href='http://example.com/' />
  <title>Example website</title>
 </head>
 <body>
  <div id='images'>
   <a href='image1.html'>Name: My image 1 <br /><img src='image1_thumb.jpg' /></a>
   <a href='image2.html'>Name: My image 2 <br /><img src='image2_thumb.jpg' /></a>
   <a href='image3.html'>Name: My image 3 <br /><img src='image3_thumb.jpg' /></a>
   <a href='image4.html'>Name: My image 4 <br /><img src='image4_thumb.jpg' /></a>
   <a href='image5.html'>Name: My image 5 <br /><img src='image5_thumb.jpg' /></a>
  </div>
 </body>
</html>

进入交互环境测试选择器使用：

scrapy shell https://doc.scrapy.org/en/latest/_static/selectors-sample1.html
# 进入交互环境
# response.selector.css()或.xpath返回的是selector对象，再调用extract()和extract_first()从selector对象中解析出内容。

获取标签对象 // & /

/仅限于子标签：

# 查找目标页面所有a标签下的img子标签
>>> response.xpath('//a/img').extract()
['<img src="image1_thumb.jpg">', '<img src="image2_thumb.jpg">', 
    '<img src="image3_thumb.jpg">', '<img src="image4_thumb.jpg">', '<img src="image5_thumb.jpg">']
    
    
>>> response.css('a img').extract()  # 返回对象列表


>>> response.css('a img').extract_first()  # 返回第一个标签对象
'<img src="image1_thumb.jpg">'

//在子孙标签中查找：

# 查找目标页面所有的div标签内容的所有img标签
>>> response.xpath('//div//img').extract()
['<img src="image1_thumb.jpg">', '<img src="image2_thumb.jpg">', '<img src="image3_thumb.jpg">', '<img src="image4_thumb.jpg">', '<img src="image5_thumb.jpg">']

获取标签中的文本text

>>> response.css('a::text').extract()
['Name: My image 1 ', 'Name: My image 2 ', 'Name: My image 3 ', 'Name: My image 4 ', 'Name: My image 5 ']


>>> response.xpath('//div/a/text()').extract()
['Name: My image 1 ', 'Name: My image 2 ', 'Name: My image 3 ', 
    'Name: My image 4 ', 'Name: My image 5 ']

获取标签属性

# xpath获取a标签内的所有img的src属性
>>> response.xpath('//a//img/@src').extract()
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg', 'image4_thumb.jpg', 'image5_thumb.jpg']


## css获取属性
>>> response.css('img::attr(src)').extract()
['image1_thumb.jpg', 'image2_thumb.jpg', 'image3_thumb.jpg', 'image4_thumb.jpg', 'image5_thumb.jpg']

嵌套查找

>>> response.xpath('//div').css('a').xpath('@href').extract_first()
'image1.html'

设置默认值

>>> response.xpath("//div[@id='asas']").extract_first(default='not found')
'not found'

按照属性查找

# 查找所有包含[href='image2.html']的标签
>>> response.xpath("//*[@href='image2.html']").extract_first()
'<a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>'


>>> response.css('#images [href="image2.html"]').extract_first()
'<a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>'

模糊匹配

>>> response.css('#images [href*="image2"]').extract_first()
'<a href="image2.html">Name: My image 2 <br><img src="image2_thumb.jpg"></a>'


>>> response.xpath('//a[contains(@href,"image1")]').extract_first()
'<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>'
>>> response.xpath('//*[contains(@href,"image1")]').extract_first()
'<a href="image1.html">Name: My image 1 <br><img src="image1_thumb.jpg"></a>'

正则表达式

# 先找到所有a标签的文本selecor对象，然后逐个用re进行匹配，直到找到匹配的
>>> response.xpath('//a').re(".*My image 1 ")[0]
'<a href="image1.html">Name: My image 1 '