分分鐘學會用python爬蟲框架Scrapy
Scrapy主要包括了以下元件:
- 引擎(Scrapy)
用來處理整個系統的資料流處理, 觸發事務(框架核心) - 排程器(Scheduler)
用來接受引擎發過來的請求, 壓入佇列中, 並在引擎再次請求的時候返回. 可以想像成一個URL(抓取網頁的網址或者說是連結)的優先佇列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址 - 下載器(Downloader)
用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的非同步模型上的) - 爬蟲(Spiders)
爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的資訊, 即所謂的實體(Item)。使用者也可以從中提取出連結,讓Scrapy繼續抓取下一個頁面 - 專案管道(Pipeline)
負責處理爬蟲從網頁中抽取的實體,主要的功能是持久化實體、驗證實體的有效性、清除不需要的資訊。當頁面被爬蟲解析後,將被髮送到專案管道,並經過幾個特定的次序處理資料。 - 下載器中介軟體(Downloader Middlewares)
位於Scrapy引擎和下載器之間的框架,主要是處理Scrapy引擎與下載器之間的請求及響應。 - 爬蟲中介軟體(Spider Middlewares)
介於Scrapy引擎和爬蟲之間的框架,主要工作是處理蜘蛛的響應輸入和請求輸出。 - 排程中介軟體(Scheduler Middewares)
介於Scrapy引擎和排程之間的中介軟體,從Scrapy引擎傳送到排程的請求和響應。
Scrapy執行流程大概如下:
- 引擎從排程器中取出一個連結(URL)用於接下來的抓取
- 引擎把URL封裝成一個請求(Request)傳給下載器
- 下載器把資源下載下來,並封裝成應答包(Response)
- 爬蟲解析Response
- 解析出實體(Item),則交給實體管道進行進一步的處理
- 解析出的是連結(URL),則把URL交給排程器等待抓取
一、安裝
因為python3並不能完全支援Scrapy,因此為了完美執行Scrapy,我們使用python2.7來編寫和執行Scrapy。
1 | pip install Scrapy |
注:windows平臺需要依賴pywin32,請根據自己系統32/64位選擇下載安裝,https://sourceforge.net/projects/pywin32/
其它可能依賴的安裝包:lxml-3.6.4-cp27-cp27m-win_amd64.whl,VCForPython27.msi百度下載即可
二、基本使用
1、建立專案
執行命令:
1 | scrapy startproject p1(your_project_name) |
2.自動建立目錄的結果:
檔案說明:
- scrapy.cfg 專案的配置資訊,主要為Scrapy命令列工具提供一個基礎的配置資訊。(真正爬蟲相關的配置資訊在settings.py檔案中)
- items.py 設定資料儲存模板,用於結構化資料,如:Django的Model
- pipelines 資料處理行為,如:一般結構化的資料持久化
- settings.py 配置檔案,如:遞迴的層數、併發數,延遲下載等
- spiders 爬蟲目錄,如:建立檔案,編寫爬蟲規則
注意:一般建立爬蟲檔案時,以網站域名命名
3、編寫爬蟲
在spiders目錄中新建 xiaohuar_spider.py 檔案
示例程式碼:
12345678910111213141516171819 | #!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" allowed_domains = [ "xiaohuar.com" ] start_urls = [ "http://www.xiaohuar.com/hua/" , ] def parse( self , response): # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) current_url = response.url #爬取時請求的url body = response.body #返回的html unicode_body = response.body_as_unicode() #返回的html unicode編碼 |
備註:
- 1.爬蟲檔案需要定義一個類,並繼承scrapy.spiders.Spider
- 2.必須定義name,即爬蟲名,如果沒有name,會報錯。因為原始碼中是這樣定義的:
- 3.編寫函式parse,這裡需要注意的是,該函式名不能改變,因為Scrapy原始碼中預設callback函式的函式名就是parse;
- 4.定義需要爬取的url,放在列表中,因為可以爬取多個url,Scrapy原始碼是一個For迴圈,從上到下爬取這些url,使用生成器迭代將url傳送給下載器下載url的html。原始碼截圖:
4、執行
進入p1目錄,執行命令
1 | scrapy crawl xiaohau - - nolog |
格式:scrapy crawl+爬蟲名 --nolog即不顯示日誌
5.scrapy查詢語法:
當我們爬取大量的網頁,如果自己寫正則匹配,會很麻煩,也很浪費時間,令人欣慰的是,scrapy內部支援更簡單的查詢語法,幫助我們去html中查詢我們需要的標籤和標籤內容以及標籤屬性。下面逐一進行介紹:
- 查詢子子孫孫中的某個標籤(以div標籤為例)://div
- 查詢兒子中的某個標籤(以div標籤為例):/div
- 查詢標籤中帶有某個class屬性的標籤://div[@class='c1']即子子孫孫中標籤是div且class=‘c1’的標籤
- 查詢標籤中帶有某個class=‘c1’並且自定義屬性name=‘alex’的標籤://div[@class='c1'][@name='alex']
- 查詢某個標籤的文字內容://div/span/text() 即查詢子子孫孫中div下面的span標籤中的文字內容
- 查詢某個屬性的值(例如查詢a標籤的href屬性)://a/@href
示例程式碼:
12345678910111213141516171819 | def parse( self , response): # 分析頁面 # 找到頁面中符合規則的內容(校花圖片),儲存 # 找到所有的a標籤,再訪問其他a標籤,一層一層的搞下去 hxs = HtmlXPathSelector(response) #建立查詢物件 # 如果url是 http://www.xiaohuar.com/list-1-\d+.html if re.match( 'http://www.xiaohuar.com/list-1-\d+.html' , response.url): #如果url能夠匹配到需要爬取的url,即本站url items = hxs.select( '//div[@class="item_list infinite_scroll"]/div' ) #select中填寫查詢目標,按scrapy查詢語法書寫 for i in range ( len (items)): src = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
|