2. 程式人生 > >Scrapy入門教程之詳細介紹和一個很好的例子

Scrapy入門教程之詳細介紹和一個很好的例子

阿新 • • 發佈：2019-01-10

Scrapy入門教程之詳細介紹和一個很好的例子

Scrapy，Python開發的一個快速、高層次的螢幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的資料。Scrapy用途廣泛，可以用於資料探勘、監測和自動化測試。

Scrapy吸引人的地方在於它是一個框架，任何人都可以根據需求方便的修改。它也提供了多種型別爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支援。

Scrap，是碎片的意思，這個Python的爬蟲框架叫Scrapy。

 

Scrapy架構圖(綠線是資料流向)

  • Scrapy Engine(引擎)

    : 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，訊號、資料傳遞等。

  • Scheduler(排程器): 它負責接受引擎傳送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

  • Downloader（下載器）：負責下載Scrapy Engine(引擎)傳送的所有Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

  • Spider（爬蟲）：它負責處理所有Responses,從中分析提取資料，獲取Item欄位需要的資料，並將需要跟進的URL提交給引擎，再次進入Scheduler(排程器).

  • Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、儲存等）的地方。

  • Downloader Middlewares（下載中介軟體）：你可以當作是一個可以自定義擴充套件下載功能的元件。

  • Spider Middlewares（Spider中介軟體）：你可以理解為是一個可以自定擴充套件和操作引擎和Spider中間通訊的功能元件（比如進入Spider的Responses;和從Spider出去的Requests）

Scrapy的運作流程

程式碼寫好，程式開始執行...

  • 1 引擎：Hi！Spider, 你要處理哪一個網站？
  • 2 Spider：老大要我處理xxxx.com。
  • 3 引擎：你把第一個需要處理的URL給我吧。
  • 4 Spider：給你，第一個URL是xxxxxxx.com。
  • 5 引擎：Hi！排程器，我這有request請求你幫我排序入隊一下。
  • 6 排程器：好的，正在處理你等一下。
  • 7 引擎：Hi！排程器，把你處理好的request請求給我。
  • 8 排程器：給你，這是我處理好的request
  • 9 引擎：Hi！下載器，你按照老大的下載中介軟體的設定幫我下載一下這個request請求
  • 10 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然後引擎告訴排程器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
  • 11 引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中介軟體處理過了，你自己處理一下（注意！這兒responses預設是交給def parse()這個函式處理的）
  • 12 Spider：（處理完畢資料之後對於需要跟進的URL），Hi！引擎，我這裡有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item資料。
  • 13 引擎：Hi ！管道 我這兒有個item你幫我處理一下！排程器！這是需要跟進URL你幫我處理下。然後從第四步開始迴圈，直到獲取完老大需要全部資訊。
  • 14 管道排程器：好的，現在就做！

注意！只有當排程器中不存在任何request了，整個程式才會停止，（也就是說，對於下載失敗的URL，Scrapy也會重新下載。）

製作 Scrapy 爬蟲 一共需要4步：

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

安裝

Windows 安裝方式

升級 pip 版本：

pip install --upgrade pip

通過 pip 安裝 Scrapy 框架:

pip install Scrapy

Ubuntu 安裝方式

安裝非 Python 的依賴:

sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

通過 pip 安裝 Scrapy 框架：

sudo pip install scrapy

Mac OS 安裝方式

對於Mac OS系統來說，由於系統本身會引用自帶的python2.x的庫，因此預設安裝的包是不能被刪除的，但是你用python2.x來安裝Scrapy會報錯，用python3.x來安裝也是報錯，我最終沒有找到直接安裝Scrapy的方法，所以我用另一種安裝方式來說一下安裝步驟，解決的方式是就是使用virtualenv來安裝。

$ sudo pip install virtualenv
$ virtualenv scrapyenv
$ cd scrapyenv
$ source bin/activate
$ pip install Scrapy

- 前提條件：你需要有 pip python管理器

  - pip 是一個現代的，通用的 Python 包管理工具。提供了對 Python 包的查詢、下載、安裝、解除安裝的功能。

  - 你可以使用 Mac brew 安裝 python 3 - 命令 'brew install python'。因為Mac預設安裝2.7版本，系統會自動生成python3的命令字首，python3自帶pip模組，命令字首是pip3

- Mac python3 安裝 scrapy的命令是

  pip3 install scrapy

 - 如果執行'brew install python'失敗，並且是由於github防火牆的問題，可以使用以下方法更改Homebrew的清華國內映象

cd "$(brew --repo)"
git remote set-url origin https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/brew.git

cd "$(brew --repo)/Library/Taps/homebrew/homebrew-core"
git remote set-url origin https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/homebrew-core.git

brew update

 或者按照下列步驟進行本地安裝

###########安裝步驟#############
###刪除已經存在的Homebrew資料夾
sudo rm -rf /usr/local/Homebrew
sudo rm -rf /Library/Caches/Homebrew

###獲取install檔案並編輯
curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install >> brew_install

###編輯brew_install檔案
#BREW_REPO = "https://github.com/Homebrew/brew".freeze
BREW_REPO = "https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/brew".freeze
#CORE_TAP_REPO = "https://github.com/Homebrew/homebrew-core".freeze
CORE_TAP_REPO = "https://mirrors.tuna.tsinghua.edu.cn/git/homebrew/homebrew-core".freeze

###執行brew_install進行安裝
/usr/bin/ruby ./brew_install

安裝後，只要在命令終端輸入 scrapy，提示類似以下結果，代表已經安裝成功。

入門案例

學習目標

  • 建立一個Scrapy專案
  • 定義提取的結構化資料(Item)
  • 編寫爬取網站的 Spider 並提取出結構化資料(Item)
  • 編寫 Item Pipelines 來儲存提取到的Item(即結構化資料)

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 itcastSpider

其中， itcastSpider 為專案名稱，可以看到將會建立一個 itcastSpider 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：

itcastSpider/
    scrapy.cfg
    itcastSpider/
        __init__.py
        items.py
        pipelines.py
        settings.py
        middlewares.py  
        spiders/
            __init__.py
            ...

這些檔案分別是:

  • scrapy.cfg: 專案的配置檔案。
  • itcastSpider/: 專案的Python模組，將會從這裡引用程式碼。
  • itcastSpider/items.py: 專案的目標檔案。
  • itcastSpider/pipelines.py: 專案的管道檔案。
  • itcastSpider/settings.py: 專案的設定檔案。
  • itcastSpider/middlewares.py: 專案的中介軟體檔案。
  • itcastSpider/spiders/: 儲存爬蟲程式碼目錄。

二、明確目標(mySpider/items.py)

我們打算抓取 http://www.itcast.cn/channel/teacher.shtml 網站裡的所有講師的姓名、職稱和個人資訊。

接下來，建立一個 ItcastItem 類，和構建 item 模型（model）。

import scrapy

class ItcastspiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()
    pass

  1. 開啟 itcastSpider 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）。

三、製作爬蟲 （spiders/itcast.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itcastSpider/spider目錄下建立一個名為itcast的爬蟲，並指定爬取域的範圍：

scrapy genspider itcast "itcast.cn"

開啟 itcastSpider/spider目錄裡的 itcast.py，預設增加了下列程式碼:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    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：

負責解析返回的網頁資料(response.body)，提取結構化資料(生成item)
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 = ['http://www.itcast.cn/channel/teacher.shtml']

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'wb+').write(response.body)

然後執行一下看看，在itcastSpider目錄下執行：

scrapy crawl itcast

是的，就是 itcast，看上面程式碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。

執行之後，如果列印的日誌出現 [scrapy.core.engine] INFO: Spider closed (finished)，代表執行完成。 之後當前資料夾中就出現了一個 teacher.html 檔案，裡面就是我們剛剛要爬取的網頁的全部原始碼資訊。

注意: Python2.x預設編碼環境是ASCII，當和取回的資料編碼格式不一致時，可能會造成亂碼；我們可以指定儲存內容的編碼格式，一般情況下，我們可以在程式碼最上方新增

import sys
reload(sys)
sys.setdefaultencoding("utf-8")

這三行程式碼是 Python2.x 裡解決中文編碼的萬能鑰匙，經過這麼多年的吐槽後 Python3 學乖了，預設編碼是Unicode了...(祝大家早日擁抱Python3)

2. 取資料

爬取整個網頁完畢，接下來的就是的取過程了，首先觀察頁面原始碼：

<div class="li_txt">
    <h3>  xxx  </h3>
    <h4> xxxxx </h4>
    <p> xxxxxxxx </p>

是不是一目瞭然？直接上 XPath 開始提取資料吧。

xpath 方法，我們只需要輸入的 xpath 規則就可以定位到相應 html 標籤節點，詳細內容可以檢視 xpath 教程。

不會 xpath 語法沒關係，Chrome 給我們提供了一鍵獲取 xpath 地址的方法（右鍵->檢查->copy->copy xpath）,如下圖:

這裡給出一些 XPath 表示式的例子及對應的含義:

  • /html/head/title: 選擇HTML文件中 <head> 標籤內的 <title> 元素
  • /html/head/title/text(): 選擇上面提到的 <title> 元素的文字
  • //td: 選擇所有的 <td> 元素
  • //div[@class="mine"]: 選擇所有具有 class="mine" 屬性的 div 元素

舉例我們讀取網站 http://www.itcast.cn/ 的網站標題，修改 itcast.py 檔案程式碼如下：：

# -*- coding: utf-8 -*-
import scrapy

# 以下三行是在 Python2.x版本中解決亂碼問題，Python3.x 版本的可以去掉
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

class itcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.com']
    start_urls = ['http://www.itcast.cn/']

    def parse(self, response):
        # 獲取網站標題
        context = response.xpath('/html/head/title/text()')   
       
        # 提取網站標題
        title = context.extract_first()  
        print(title) 
        pass

執行以下命令：

$ scrapy crawl itcast
...
...
傳智播客官網-好口碑IT培訓機構,一樣的教育,不一樣的品質
...
...

我們之前在 itcastSpider/items.py 裡定義了一個 ItcastspiderItem 類。 這裡引入進來:

from itcastSpider.items import ItcastspiderItem

然後將我們得到的資料封裝到一個 ItcastspiderItem 物件中，可以儲存每個老師的屬性：

# -*- coding: utf-8 -*-
import scrapy
from itcastSpider.items import ItcastspiderItem

# 以下三行是在 Python2.x版本中解決亂碼問題，Python3.x 版本的可以去掉
#import sys
#reload(sys)
#sys.setdefaultencoding("utf-8")

class itcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.cn']
    start_urls = ["http://www.itcast.cn/channel/teacher.shtml"]

    def parse(self, response):
        #open("teacher.html","wb+").write(response.body).close()

        # 存放老師資訊的集合
        items = []

        for each in response.xpath("//div[@class='li_txt']"):
            # 將我們得到的資料封裝到一個 `ItcastItem` 物件
            item = ItcastspiderItem()
            #extract()方法返回的都是unicode字串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            #xpath返回的是包含一個元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            items.append(item)

        # 直接返回最後資料
        return items

我們暫時先不處理管道，後面會詳細介紹。

儲存資料

scrapy儲存資訊的最簡單的方法主要有四種，-o 輸出指定格式的檔案，命令如下：

scrapy crawl itcast -o teachers.json

json lines格式，預設為Unicode編碼

scrapy crawl itcast -o teachers.jsonlines

 注意：對於python3, xpath().extract()函式返回的是unicode字串，你需要在settings.py檔案中加入以下的一行設定就可以正確顯示中文

FEED_EXPORT_ENCODING = 'utf-8'

csv 逗號表示式，可用Excel開啟

scrapy crawl itcast -o teachers.csv

xml格式

scrapy crawl itcast -o teachers.xml

思考

如果將程式碼改成下面形式，結果完全一樣。

請思考 yield 在這裡的作用(Python yield 使用淺析)：

# -*- coding: utf-8 -*-
import scrapy
from itcastSpider.items import ItcastspiderItem

# 以下三行是在 Python2.x版本中解決亂碼問題，Python3.x 版本的可以去掉
#import sys
#reload(sys)
#sys.setdefaultencoding("utf-8")

class itcastSpider(scrapy.Spider):
    name = 'itcast'
    allowed_domains = ['itcast.cn']
    start_urls = ["http://www.itcast.cn/channel/teacher.shtml"]

    def parse(self, response):
        #open("teacher.html","wb+").write(response.body).close()

        # 存放老師資訊的集合
        items = []

        for each in response.xpath("//div[@class='li_txt']"):
            # 將我們得到的資料封裝到一個 `ItcastItem` 物件
            item = ItcastspiderItem()
            #extract()方法返回的都是unicode字串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            #xpath返回的是包含一個元素的列表
            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            items.append(item)

        # 直接返回最後資料
        return items

相關推薦

Scrapy入門教程之詳細介紹和一個很好的例子

Scrapy入門教程之詳細介紹和一個很好的例子 Scrapy，Python開發的一個快速、高層次的螢幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的資料。Scrapy用途廣泛，可以用於資料探勘、監測和自動化測試。 Scrapy吸引人的地方在於它是一個框架，任何人都可以根據

python+scrapy入門教程之爬取騰訊招聘職位資訊

我是用的IDE是pycharm,要想使用scrapy我們先安裝模組file-settings-project Interpreter 安裝完成之後我們開啟Terminal 在終端輸入：scrapy startproject tencent 建立spiders我們需要進入spi

nodejs入門教程之http的get和request簡介及應用

adding orm col luci string odi func cor mar nodejs入門教程之http的get和request簡介及應用 前言 上一篇文章，我介紹了nodejs的幾個常用的模塊及簡單的案例，今天我們再來重點看一下nodejs的http

Django入門系列之(Django簡介和rom簡單介紹)

1 django中app的概念: 大學:----------------- 專案 資訊學院 ----------app01 物理學院-----------app02 ****強調***:建立了app,要在配置檔案中註冊 ...2 模板路徑配置: 1 templates資料夾 2 settings裡註冊一下 3

springboot2.x簡單詳細教程--常用Starter介紹和整合模板引擎Freemaker、thymeleaf（第七章）

一、SpringBoot Starter講解    簡單說springboot Starter 就是jar包的集合，集合了很多的依賴     簡介：介紹什麼是SpringBoot Starter和主要作用     1、官網地址：https://docs.spring.

【OpenCV入門教程之三】 影象的載入，顯示和輸出 一站式完全解析

毛星雲，網路ID「淺墨」，90後，熱愛遊戲開發、遊戲引擎、計算機圖形、實時渲染等技術，就職於騰訊互娛。 微軟最有價值專家 著作《Windows遊戲程式設計之從零開始》、《OpenCV3程式設計入門》 碩士就讀於南京航空航天大學航天學院（2013級碩士研究生），已於2016年三月畢業。本科

springBoot入門教程之value和configurationProperties區別

@Component將person值載入到容器中 以前 <bean class="Person">     <property name = "name"  value = "字面量/${key} 從環境變數中獲取值"></

爬蟲入門教程之requests，BeautifulSoup庫的介紹以及問題解釋

  HTTP協議 HTTP,超文字傳輸協議（HTTP，HyperText Transfer Protocol)是網際網路上應用最為廣泛的一種網路協議。所有的WWW檔案都必須遵守這個標準。設計HTTP最初的目的是為了提供一種釋出和接收HTML頁面的方法,HTTP是一種基於"請求與響應

Scrapy爬蟲入門教程十一 Request和Response（請求和響應）

開發環境： Python 3.6.0 版本 （當前最新） Scrapy 1.3.2 版本 （當前最新） 目錄 請求和響應 請求子類 響應物件 響應子類 請求和響應 Scrapy的

Axis2/C入門教程之二（服務端實現詳細分析）

本文承接Axis2/C入門教程之一，詳細分析服務端程式碼hello_svc.c的實現。hello_svc.c程式碼如下：#include <axis2_svc_skeleton.h> #include <axutil_log_default.h> #i

HTML5的自定義屬性data-*詳細介紹和JS操作實例

select 文章 red data scrip style box 實例 width 這篇文章主要介紹JS操作HTML自定義屬性的方法, 以實例形式分析了html中自定義屬性的設置與對應的javascript操作技巧 具體如下： HTML代碼如下（其中的d

HAProxy 之 ACL介紹和使用

haproxy acl 1 概述訪問控制列表（ACL）的使用為HAProxy提供了一個靈活的解決方案來執行內容交換，並且通常基於從請求中提取的內容、響應或任何環境狀態進行決策，HAProxy基於ACL實現了靈活的調度本文介紹ACL語句中各個參數含義，定義ACL，使用ACL,以及結合例子來介紹ACL的

接口自動化測試系列之PHPUnit介紹和環境搭建

測試幫日記 phpunit 小強測試品牌 自動化測試 接口測試 phpunit介紹PHPUnit是一個面向PHP程序員的測試框架，這是一個xUnit的體系結構的單元測試框架。phpunit環境搭建這裏介紹兩種搭建方法：第一種：直接使用xampp，裏面集成了phpunit地址：https:/

Java ArrayList詳細介紹和使用示例

zab tco random class strong art vector 導致 執行 對ArrayList的整體認識 ArrayList是一個數組隊列，相當於動態數組。與Java中的數組相比，它的容量能動態增長。它繼承了AbstractList,實現了List，Rand

Java HashMap詳細介紹和使用示例（正在整理學習中）

trac blog null https 學習 ava abs 同步 .com 對HashMap的整體認識 HashMap是一個散列表，它存儲的內容是鍵值對（key-value）映射。 HashMap繼承於AbstractMap,實現了Map、Cloneable、jav

VMware網絡連接模式—橋接、NAT以及僅主機模式的詳細介紹和區別.ziw

splay post 80端口 linux style -c inf 物理 數量 2017年1月10日, 星期二 VMware網絡連接模式—橋接、NAT以及僅主機模式的詳細介紹和區別 在使用VMware Workstation(以下簡稱：VMware)創建虛擬機的過程中

python | 爬蟲筆記 - （八）Scrapy入門教程

RoCE yield ini 配置 自己 數據存儲 2.3 rom 提取數據 一、簡介 Scrapy是一個基於Twisted 的異步處理框架，是針對爬蟲過程中的網站數據爬取、結構性數據提取而編寫的應用框架。 可以應用在包括數據挖掘，信息處理或存儲歷史數據等一系列的程序中。

區塊鏈入門教程eth的賬戶和基本單位

重新 目前 進行 密碼 依次 action 單位 新建 兩個 我們在命令行輸入 eth.accounts 可以看到當前該區塊鏈中共有幾個賬號，以及每個賬號的公鑰地址。 在eth系統中，狀態是由被稱為“賬戶”（每個賬戶由一個20字節的地址）的對象和在兩個賬戶之間轉移價值和信息

MongoDB最簡單的入門教程之五-通過Restful API訪問MongoDB

rest creat 操作 database internal 進行 作用 shu 公眾 通過前面四篇的學習，我們已經在本地安裝了一個MongoDB數據庫，並且通過一個簡單的Spring boot應用的單元測試，插入了幾條記錄到MongoDB中，並通過MongoDB Com

Kafka系列一之架構介紹和安裝

環境 指南 ont fcm port 架構 star cfg 自己的 Kafka架構介紹和安裝 寫在前面 還是那句話，當你學習一個新的東西之前，你總得知道這個東西是什麽？這個東西可以用來做什麽？然後你才會去學習它，使用它。簡單來說，kafka既是一個消息隊列，如今，它也演變