用python爬蟲scrapy框架爬取虎撲論壇的30支球隊新聞

Scrapy 框架

• Scrapy是用純Python實現一個為了爬取網站資料、提取結構性資料而編寫的應用框架，用途非常廣泛。

• 框架的力量，使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)非同步網路框架來處理網路通訊，可以加快我們的下載速度，不用自己去實現非同步框架，並且包含了各種中介軟體介面，可以靈活的完成各種需求。

製作 Scrapy 爬蟲 一共需要4步：

• 新建專案 (scrapy startproject xxx)：新建一個新的爬蟲專案
• 明確目標 （編寫items.py）：明確你想要抓取的目標
• 製作爬蟲 （spiders/xxspider.py）：製作爬蟲開始爬取網頁
• 儲存內容 （pipelines.py）：設計管道儲存爬取內容

Scrapy的安裝介紹

Scrapy框架官方網址：http://doc.scrapy.org/en/latest

Scrapy中文維護站點：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安裝方式

• Python 2 / 3
• 升級pip版本：pip install --upgrade pip
• 通過pip 安裝 Scrapy 框架pip install Scrapy

一. 新建專案(scrapy startproject)

• 在開始爬取之前，必須建立一個新的Scrapy專案。進入自定義的專案目錄中，執行下列命令：

     scrapy startproject HupuSpider

• 其中， HupuSpider為專案名稱(自定義)，可以看到 將會建立一個 HupuSpider資料夾，目錄結構大致如下：

下面來簡單介紹一下各個主要檔案的作用：

 scrapy.cfg ：專案的配置檔案

 mySpider/ ：專案的Python模組，將會從這裡引用程式碼

 mySpider/items.py ：專案的目標檔案

 mySpider/pipelines.py ：專案的管道檔案

 mySpider/settings.py ：專案的設定檔案

 mySpider/spiders/ ：儲存爬蟲程式碼目錄

二、明確目標(mySpider/items.py)

我們打算抓取：https://voice.hupu.com/nba 網站裡的30支球隊新聞內容以及新聞配圖。

1. 開啟mySpider目錄下的items.py

2. Item 定義結構化資料欄位，用來儲存爬取到的資料，有點像Python中的dict，但是提供了一些額外的保護減少錯誤。

3. 可以通過建立一個 scrapy.Item 類， 並且定義型別為 scrapy.Field的類屬性來定義一個Item（可以理解成類似於ORM的對映關係）。

4. 接下來，建立一個HupuSpiderItem類，和構建item模型（model）。

    class HupuspiderItem(scrapy.Item):
        # 球隊名稱
        teamname = scrapy.Field()
        # 球隊url
        teamurl = scrapy.Field()
        # 新聞標題
        newstitle=scrapy.Field()
        # 新聞連結
        newsurl=scrapy.Field()
        # 新聞內容
        content=scrapy.Field()
        # 新聞配圖url
        imageurl=scrapy.Field()

三、製作爬蟲 （spiders/itcastSpider.py）

爬蟲功能要分兩步：

1. 爬資料

• 在當前目錄下輸入命令，將在mySpider/spider目錄下建立一個名為nba_news的爬蟲，並指定爬取域的範圍：

    scrapy genspider nba_news "hupu.com"

• 開啟 mySpider/spider目錄裡的 nba_news.py，預設增加了下列程式碼:

import scrapy

    class NbaNewsSpider(scrapy.Spider):
        name = "nba_news"
        allowed_domains = ["hupu.com"]
        start_urls = (
            'https://www.hupu.com/',
        )

        def parse(self, response):
            pass

其實也可以由我們自行建立itcast.py並編寫上面的程式碼，只不過使用命令可以免去編寫固定程式碼的麻煩

要建立一個Spider， 你必須用scrapy.Spider類建立一個子類，並確定了三個強制的屬性 和 一個方法。

• name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = [] 是搜尋的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

• parse(self, response) ：解析的方法，每個初始URL完成下載後將被呼叫，呼叫的時候傳入從每一個URL傳回的Response物件來作為唯一引數，主要作用如下：

  1. 負責解析返回的網頁資料(response.body)，提取結構化資料(生成item)
  2. 生成需要下一頁的URL請求。

將start_urls的值修改為需要爬取的第一個url

start_urls=['https://voice.hupu.com/nba/']

修改parse()方法

    def parse(self, response):
        items=[]

        result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球隊隊名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球隊url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)

        # 爬取所有的球隊
        for i in range(0,len(allteam)):
            item = HupuspiderItem()

            # 指定儲存目錄+球隊名字
            teamFilename="./虎撲新聞/"+allteam[i]

            # 如果目錄不存在，則建立目錄
            if (not os.path.exists(teamFilename)):
                os.makedirs(teamFilename)

            item['teamname']=allteam[i]
            item['teamurl']=allteamurl[i]

            items.append(item)

        #傳送每個球隊url的Request請求，得到Response連同包含meta資料
        # 一同交給回撥函式 second_parse 方法處理
        for item in items:
            for i in range(1,2):
                tempurl = item['teamurl'].replace('.html','')
                teamurl = tempurl + '-' + str(i) + '.html'
                yield scrapy.Request( url = teamurl, meta={'meta_1': item}, callback=self.second_parse)

    # 對每支球隊的url進行爬取
    def second_parse(self,response):
        items=[]

        # 提取每次Response的meta資料
        meta_1 = response.meta['meta_1']

        # 提取每支球隊的所有新聞url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球隊的所有新聞標題
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

        for i in range(0, len(alltitle)):
            item=HupuspiderItem()
            item['teamname'] = meta_1['teamname']
            item['teamurl'] = meta_1['teamurl']
            item['newstitle'] = alltitle[i]
            item['newsurl'] = allurl[i]

            items.append(item)

            # 指定儲存目錄+球隊名字+新聞標題資料夾
            newsFilename =  "./虎撲新聞/"+item['teamname']+'/' + alltitle[i]

             # 如果目錄不存在，則建立目錄
            if (not os.path.exists(newsFilename)):
                os.makedirs(newsFilename)

        # 傳送每個新聞連結url的Request請求，得到Response後連同包含meta資料
        # 一同交給回撥函式 detail_parse 方法處理
        for item in items:
            yield scrapy.Request(url=item['newsurl'], meta={'meta_2': item}, callback=self.detail_parse)

    def detail_parse(self,response):
        item = response.meta['meta_2']
        content = ""
        # 提取所有p標籤裡的文字內容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配圖url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').extract()

        # 將p標籤裡的文字內容合併到一起
        for content_one in content_list:
            content += content_one
            content +="\n"

        item['content'] = content
        item['imageurl'] = imageurl
        # 將獲取的資料交給pipelines
        yield itemdef parse(self, response):
        items=[]

        result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球隊隊名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球隊url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)

        # 爬取所有的球隊
        for i in range(0,len(allteam)):
            item = HupuspiderItem()

            # 指定儲存目錄+球隊名字
            teamFilename="./虎撲新聞/"+allteam[i]

            # 如果目錄不存在，則建立目錄
            if (not os.path.exists(teamFilename)):
                os.makedirs(teamFilename)

            item['teamname']=allteam[i]
            item['teamurl']=allteamurl[i]

            items.append(item)

        #傳送每個球隊url的Request請求，得到Response連同包含meta資料
        # 一同交給回撥函式 second_parse 方法處理
        for item in items:
            for i in range(1,2):
                tempurl = item['teamurl'].replace('.html','')
                teamurl = tempurl + '-' + str(i) + '.html'
                yield scrapy.Request( url = teamurl, meta={'meta_1': item}, callback=self.second_parse)

    # 對每支球隊的url進行爬取
    def second_parse(self,response):
        items=[]

        # 提取每次Response的meta資料
        meta_1 = response.meta['meta_1']

        # 提取每支球隊的所有新聞url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球隊的所有新聞標題
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

        for i in range(0, len(alltitle)):
            item=HupuspiderItem()
            item['teamname'] = meta_1['teamname']
            item['teamurl'] = meta_1['teamurl']
            item['newstitle'] = alltitle[i]
            item['newsurl'] = allurl[i]

            items.append(item)

            # 指定儲存目錄+球隊名字+新聞標題資料夾
            newsFilename =  "./虎撲新聞/"+item['teamname']+'/' + alltitle[i]

             # 如果目錄不存在，則建立目錄
            if (not os.path.exists(newsFilename)):
                os.makedirs(newsFilename)

        # 傳送每個新聞連結url的Request請求，得到Response後連同包含meta資料
        # 一同交給回撥函式 detail_parse 方法處理
        for item in items:
            yield scrapy.Request(url=item['newsurl'], meta={'meta_2': item}, callback=self.detail_parse)

    def detail_parse(self,response):
        item = response.meta['meta_2']
        content = ""
        # 提取所有p標籤裡的文字內容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配圖url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').extract()

        # 將p標籤裡的文字內容合併到一起
        for content_one in content_list:
            content += content_one
            content +="\n"

        item['content'] = content
        item['imageurl'] = imageurl
        # 將獲取的資料交給pipelines
        yield item

2. 取資料

這個專案運用的是XPath提取資料。 

 result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球隊隊名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球隊url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球隊隊名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球隊url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)

        # 提取每支球隊的所有新聞url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球隊的所有新聞標題
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

# 提取所有p標籤裡的文字內容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配圖url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').extract()

• 我們之前在mySpider/items.py 裡定義了一個HupuspiderItem類。 這裡引入進來

from HupuSpider.items import HupuspiderItem

• 然後將我們得到的資料封裝到一個 HupuspiderItem物件中，可以儲存每條新聞的屬性：

item = HupuspiderItem()

設定setting.py(配置引數)：

BOT_NAME = 'HupuSpider'

SPIDER_MODULES = ['HupuSpider.spiders']
NEWSPIDER_MODULE = 'HupuSpider.spiders'

# 函式的執行順序，序號越小，優先順序越高
ITEM_PIPELINES = {
   'HupuSpider.pipelines.HupuspiderPipeline': 1,
   'HupuSpider.pipelines.HupuImagesPipeline':2,
}
LOG_LEVEL='DEBUG'
ROBOTSTXT_OBEY = True

# Images 的存放位置，之後會在pipelines.py裡呼叫
IMAGES_STORE='E:/學習Python/HupuSpider/HupuSpider/虎撲新聞'

Item Pipeline

當Item在Spider中被收集之後，它將會被傳遞到Item Pipeline，這些Item Pipeline元件按定義的順序處理Item。

每個Item Pipeline都是實現了簡單方法的Python類，比如決定此Item是丟棄而儲存。以下是item pipeline的一些典型應用：

• 驗證爬取的資料(檢查item包含某些欄位，比如說name欄位)
• 查重(並丟棄)
• 將爬取結果儲存到檔案或者資料庫中

編寫pipeline.py

from scrapy.pipelines.images import ImagesPipeline
from scrapy.utils.project import get_project_settings
import scrapy
import os

class HupuspiderPipeline(object):
    def process_item(self, item, spider):
        # 新聞標題作為資料夾名字
        filename = item['newstitle']
        filename += ".txt"

        # 每條新聞放到對應的球隊資料夾中
        savepath='虎撲新聞'+'/'+item['teamname']+'/'+ item['newstitle'] +'/'+filename
        fp = open(savepath, 'w',encoding='utf-8')
        fp.write(item['content'])
        fp.close()

        return item

class HupuImagesPipeline(ImagesPipeline):
    IMAGES_STORE = get_project_settings().get("IMAGES_STORE")

    def get_media_requests(self, item, info):
        image_url = item["imageurl"]
        yield scrapy.Request(image_url[0])

    def item_completed(self, results, item, info):
        # 固定寫法，獲取圖片路徑，同時判斷這個路徑是否正確，如果正確，
        # 就放到 image_path裡，ImagesPipeline原始碼剖析可見
        image_path = [x["path"] for ok, x in results if ok]

        # 每張新聞配圖放到對應的球隊資料夾中
        os.rename(self.IMAGES_STORE + "/" + image_path[0],
                  self.IMAGES_STORE + "/" + item["teamname"] + "/" + item["newstitle"] + "/" + item[
                      "newstitle"] + ".jpg")

        return item

    #get_media_requests的作用就是為每一個圖片連結生成一個Request物件，
    # 這個方法的輸出將作為item_completed的輸入中的results，
    # results是一個元組，每個元組包括(success, imageinfoorfailure)。
    # 如果success=true，imageinfoor_failure是一個字典，
    # 包括url/path/checksum三個key。

在專案根目錄下新建main.py檔案,用於除錯

from scrapy import cmdline
cmdline.execute('scrapy crawl douyu'.split())

執行程式後會自動生成一個"虎撲新聞"資料夾

雙擊開啟"虎撲新聞"資料夾，對nba 30支球隊進行了分類

雙擊開啟"雷霆"新聞資料夾

雙擊開啟第一條新聞"被問及若加盟湖人會不會興奮？喬治：下一個問題",資料夾裡面是新聞配圖和新聞內容文字

開啟文字就是我們所要的新聞內容

這是從虎撲網頁擷取的相同新聞配圖和新聞內容，我們已經完成了需求