記得n年前項目需要一個靈活的爬蟲工具,就組織了一個小團隊用Java實現了一個爬蟲框架,可以根據目標網站的結構、地址和需要的內容,做簡單的配置開發,即可實現特定網站的爬蟲功能。因為要考慮到各種特殊情形,開發還耗了不少人力。后來發現了Python下有這個Scrapy工具,瞬間覺得之前做的事情都白費了。對于一個普通的網絡爬蟲功能,Scrapy完全勝任,并把很多復雜的編程都包裝好了。本文會介紹如何Scrapy構建一個簡單的網絡爬蟲。
一個基本的爬蟲工具,它應該具備以下幾個功能:
- 通過HTTP(S)請求,下載網頁信息
- 解析網頁,抓取需要的內容
- 保存內容
- 從現有頁面中找到有效鏈接,從而繼續抓取下一個網頁
我們來看下Scrapy怎么做到這些功能的。首先準備Scrapy環境,你需要安裝Python(本文使用v2.7)和pip,然后用pip來安裝lxml和scrapy。個人強烈建議使用virtualenv來安裝環境,這樣不同的項目之間不會沖突。詳細步驟這里就不贅述了。對于Mac用戶要注意,當使用pip安裝lxml時,會出現類似于的下面錯誤:
Error: #include “xml/xmlversion.h” not found
解決這個問題,你需要先安裝Xcode的command line tools,具體的方法是在命令行執行下面的命令即可。
$ xcode-select --install
環境安裝好之后,我們來用Scrapy實現一個簡單的爬蟲,抓取本博客網站的文章標題,地址和摘要。
- 創建工程
$ scrapystartprojectmy_crawler
該命令會在當前目錄下創建一個名為”my_crawler”的工程,工程的目錄結構如下
my_crawler |- my_crawler ||- spiders |||- __init__.py ||- items.py ||- pipelines.py ||- setting.py |- scrapy.cfg
- 設置待抓取內容的字段,本例中就是文章的標題,地址和摘要
修改”items.py”文件,在”MyCrawlerItem”類中加上如下代碼:
# -*- coding: utf-8 -*- import scrapy class MyCrawlerItem(scrapy.Item): title = scrapy.Field()# 文章標題 url = scrapy.Field()# 文章地址 summary = scrapy.Field()# 文章摘要 pass
- 編寫網頁解析代碼
在”my_crawler/spiders”目錄下,創建一個名為”crawl_spider.py”文件(文件名可以任意取)。代碼如下
# -*- coding: utf-8 -*- import scrapy from scrapy.linkextractorsimport LinkExtractor from scrapy.spidersimport CrawlSpider, Rule from my_crawler.itemsimport MyCrawlerItem class MyCrawlSpider(CrawlSpider): name = 'my_crawler'# Spider名,必須唯一,執行爬蟲命令時使用 allowed_domains = ['bjhee.com']# 限定允許爬的域名,可設置多個 start_urls = [ quot;http://www.bjhee.comquot;,# 種子URL,可設置多個 ] rules = (# 對應特定URL,設置解析函數,可設置多個 Rule(LinkExtractor(allow=r'/page/[0-9] '),# 指定允許繼續爬取的URL格式,支持正則 callback='parse_item',# 用于解析網頁的回調函數名 follow=True ), ) def parse_item(self, response): # 通過XPath獲取Dom元素 articles = response.xpath('//*[@id=quot;mainquot;]/ul/li') for articlein articles: item = MyCrawlerItem() item['title'] = article.xpath('h3[@class=quot;entry-titlequot;]/a/text()').extract()[0] item['url'] = article.xpath('h3[@class=quot;entry-titlequot;]/a/@href').extract()[0] item['summary'] = article.xpath('div[2]/p/text()').extract()[0] yield item
對于XPath不熟悉的朋友,可以通過Chrome的debug工具獲取元素的XPath。
- 讓我們測試下爬蟲的效果
在命令行中輸入:
$ scrapycrawlmy_crawler
注意,這里的”my_crawler”就是你在”crawl_spider.py”文件中起的Spider名。
沒過幾秒鐘,你就會看到要抓取的字段內容打印在控制臺上了。就是這么神奇!Scrapy將HTTP(S)請求,內容下載,待抓取和已抓取的URL隊列的管理都封裝好了。你的主要工作基本上就是設置URL規則及編寫解析的方法。
我們將抓取的內容保存為JSON文件:
$ scrapycrawlmy_crawler -o my_crawler.json -t json
你可以在當前目錄下,找到文件”my_crawler.json”,里面保存的就是我們要抓取的字段信息。(參數”-t json”可以省去)
- 將結果保存到數據庫
這里我們采用MongoDB,你需要先安裝Python的MongoDB庫”pymongo”。編輯”my_crawler”目錄下的”pipelines.py”文件,在”MyCrawlerPipeline”類中加上如下代碼:
# -*- coding: utf-8 -*- import pymongo from scrapy.confimport settings from scrapy.exceptions import DropItem class MyCrawlerPipeline(object): def __init__(self): # 設置MongoDB連接 connection = pymongo.Connection( settings['MONGO_SERVER'], settings['MONGO_PORT'] ) db = connection[settings['MONGO_DB']] self.collection = db[settings['MONGO_COLLECTION']] # 處理每個被抓取的MyCrawlerItem項 def process_item(self, item, spider): valid = True for datain item: if not data:# 過濾掉存在空字段的項 valid = False raise DropItem(quot;Missing {0}!quot;.format(data)) if valid: # 也可以用self.collection.insert(dict(item)),使用upsert可以防止重復項 self.collection.update({'url': item['url']}, dict(item), upsert=True) return item
再打開”my_crawler”目錄下的”settings.py”文件,在文件末尾加上pipeline的設置:
ITEM_PIPELINES = { 'my_crawler.pipelines.MyCrawlerPipeline': 300,# 設置Pipeline,可以多個,值為執行優先級 } # MongoDB連接信息 MONGO_SERVER = 'localhost' MONGO_PORT = 27017 MONGO_DB = 'bjhee' MONGO_COLLECTION = 'articles' DOWNLOAD_DELAY=2# 如果網絡慢,可以適當加些延遲,單位是秒
- 執行爬蟲
$ scrapycrawlmy_crawler
別忘了啟動MongoDB并創建”bjhee”數據庫哦。現在你可以在MongoDB里查詢到記錄了。
總結下,使用Scrapy來構建一個網絡爬蟲,你需要做的就是:
- “items.py”中定義爬取字段
- 在”spiders”目錄下創建你的爬蟲,編寫解析函數和規則
- “pipelines.py”中對爬取后的結果做處理
- “settings.py”設置必要的參數
其他的事情,Scrapy都幫你做了。下圖就是Scrapy具體工作的流程。怎么樣?開始寫一個自己的爬蟲吧。
本例中的代碼可以在這里下載。
Tags: Scrapy
文章來源:http://python.jobbole.com/87243/