站長資訊網(wǎng)Scrapy 是用 Python 實(shí)現(xiàn)的一個(gè)為了爬取網(wǎng)站數(shù)據(jù)、提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。
Scrapy 常應(yīng)用在包括數(shù)據(jù)挖掘，信息處理或存儲(chǔ)歷史數(shù)據(jù)等一系列的程序中。
通常我們可以很簡(jiǎn)單的通過 Scrapy 框架實(shí)現(xiàn)一個(gè)爬蟲，抓取指定網(wǎng)站的內(nèi)容或圖片。
Scrapy架構(gòu)圖(綠線是數(shù)據(jù)流向)
-
Scrapy Engine(引擎): 負(fù)責(zé)Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號(hào)、數(shù)據(jù)傳遞等。
-
Scheduler(調(diào)度器): 它負(fù)責(zé)接受引擎發(fā)送過來的Request請(qǐng)求，并按照一定的方式進(jìn)行整理排列，入隊(duì)，當(dāng)引擎需要時(shí)，交還給引擎。
-
Downloader（下載器）：負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請(qǐng)求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，
-
Spider（爬蟲）：它負(fù)責(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進(jìn)的URL提交給引擎，再次進(jìn)入Scheduler(調(diào)度器).
-
Item Pipeline(管道)：它負(fù)責(zé)處理Spider中獲取到的Item，并進(jìn)行進(jìn)行后期處理（詳細(xì)分析、過濾、存儲(chǔ)等）的地方。
-
Downloader Middlewares（下載中間件）：你可以當(dāng)作是一個(gè)可以自定義擴(kuò)展下載功能的組件。
-
Spider Middlewares（Spider中間件）：你可以理解為是一個(gè)可以自定擴(kuò)展和操作引擎和Spider中間通信的功能組件（比如進(jìn)入Spider的Responses;和從Spider出去的Requests）
Scrapy的運(yùn)作流程
代碼寫好，程序開始運(yùn)行…
- 1 引擎：Hi！Spider, 你要處理哪一個(gè)網(wǎng)站？
- 2 Spider：老大要我處理xxxx.com。
- 3 引擎：你把第一個(gè)需要處理的URL給我吧。
- 4 Spider：給你，第一個(gè)URL是xxxxxxx.com。
- 5 引擎：Hi！調(diào)度器，我這有request請(qǐng)求你幫我排序入隊(duì)一下。
- 6 調(diào)度器：好的，正在處理你等一下。
- 7 引擎：Hi！調(diào)度器，把你處理好的request請(qǐng)求給我。
- 8 調(diào)度器：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間件的設(shè)置幫我下載一下這個(gè)request請(qǐng)求
- 10 下載器：好的！給你，這是下載好的東西。（如果失?。簊orry，這個(gè)request下載失敗了。然后引擎告訴調(diào)度器，這個(gè)request下載失敗了，你記錄一下，我們待會(huì)兒再下載）
- 11 引擎：Hi！Spider，這是下載好的東西，并且已經(jīng)按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認(rèn)是交給def parse()這個(gè)函數(shù)處理的）
- 12 Spider：（處理完畢數(shù)據(jù)之后對(duì)于需要跟進(jìn)的URL），Hi！引擎，我這里有兩個(gè)結(jié)果，這個(gè)是我需要跟進(jìn)的URL，還有這個(gè)是我獲取到的Item數(shù)據(jù)。
- 13 引擎：Hi ！管道 我這兒有個(gè)item你幫我處理一下！調(diào)度器！這是需要跟進(jìn)URL你幫我處理下。然后從第四步開始循環(huán)，直到獲取完老大需要全部信息。
- 14 管道調(diào)度器：好的，現(xiàn)在就做！
注意！只有當(dāng)調(diào)度器中不存在任何request了，整個(gè)程序才會(huì)停止，（也就是說，對(duì)于下載失敗的URL，Scrapy也會(huì)重新下載。）
制作 Scrapy 爬蟲 一共需要4步：
- 新建項(xiàng)目 (scrapy startproject xxx)：新建一個(gè)新的爬蟲項(xiàng)目
- 明確目標(biāo) （編寫items.py）：明確你想要抓取的目標(biāo)
- 制作爬蟲 （spiders/xxspider.py）：制作爬蟲開始爬取網(wǎng)頁
- 存儲(chǔ)內(nèi)容 （pipelines.py）：設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容
安裝
Windows 安裝方式
升級(jí) 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(duì)于Mac OS系統(tǒng)來說，由于系統(tǒng)本身會(huì)引用自帶的python2.x的庫，因此默認(rèn)安裝的包是不能被刪除的，但是你用python2.x來安裝Scrapy會(huì)報(bào)錯(cuò)，用python3.x來安裝也是報(bào)錯(cuò)，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
安裝后，只要在命令終端輸入 scrapy，提示類似以下結(jié)果，代表已經(jīng)安裝成功。
入門案例
學(xué)習(xí)目標(biāo)
- 創(chuàng)建一個(gè)Scrapy項(xiàng)目
- 定義提取的結(jié)構(gòu)化數(shù)據(jù)(Item)
- 編寫爬取網(wǎng)站的 Spider 并提取出結(jié)構(gòu)化數(shù)據(jù)(Item)
- 編寫 Item Pipelines 來存儲(chǔ)提取到的Item(即結(jié)構(gòu)化數(shù)據(jù))
一. 新建項(xiàng)目(scrapy startproject)
在開始爬取之前，必須創(chuàng)建一個(gè)新的Scrapy項(xiàng)目。進(jìn)入自定義的項(xiàng)目目錄中，運(yùn)行下列命令：
scrapy startproject mySpider
其中， mySpider 為項(xiàng)目名稱，可以看到將會(huì)創(chuàng)建一個(gè) mySpider 文件夾，目錄結(jié)構(gòu)大致如下：
下面來簡(jiǎn)單介紹一下各個(gè)主要文件的作用：
mySpider/ scrapy.cfg mySpider/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
這些文件分別是:
- scrapy.cfg: 項(xiàng)目的配置文件。
- mySpider/: 項(xiàng)目的Python模塊，將會(huì)從這里引用代碼。
- mySpider/items.py: 項(xiàng)目的目標(biāo)文件。
- mySpider/pipelines.py: 項(xiàng)目的管道文件。
- mySpider/settings.py: 項(xiàng)目的設(shè)置文件。
- mySpider/spiders/: 存儲(chǔ)爬蟲代碼目錄。
二、明確目標(biāo)(mySpider/items.py)
我們打算抓取 http://www.itcast.cn/channel/teacher.shtml 網(wǎng)站里的所有講師的姓名、職稱和個(gè)人信息。
-
打開 mySpider 目錄下的 items.py。
-
Item 定義結(jié)構(gòu)化數(shù)據(jù)字段，用來保存爬取到的數(shù)據(jù)，有點(diǎn)像 Python 中的 dict，但是提供了一些額外的保護(hù)減少錯(cuò)誤。
-
可以通過創(chuàng)建一個(gè) scrapy.Item 類， 并且定義類型為 scrapy.Field 的類屬性來定義一個(gè) Item（可以理解成類似于 ORM 的映射關(guān)系）。
接下來，創(chuàng)建一個(gè) ItcastItem 類，和構(gòu)建 item 模型（model）。
import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
三、制作爬蟲 （spiders/itcastSpider.py）
爬蟲功能要分兩步：
1. 爬數(shù)據(jù)
在當(dāng)前目錄下輸入命令，將在mySpider/spider目錄下創(chuàng)建一個(gè)名為itcast的爬蟲，并指定爬取域的范圍：
scrapy genspider itcast "itcast.cn"
打開 mySpider/spider目錄里的 itcast.py，默認(rèn)增加了下列代碼:
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(shí)也可以由我們自行創(chuàng)建itcast.py并編寫上面的代碼，只不過使用命令可以免去編寫固定代碼的麻煩
要建立一個(gè)Spider， 你必須用scrapy.Spider類創(chuàng)建一個(gè)子類，并確定了三個(gè)強(qiáng)制的屬性 和 一個(gè)方法。
name = “” ：這個(gè)爬蟲的識(shí)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 = [] 是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個(gè)域名下的網(wǎng)頁，不存在的URL會(huì)被忽略。
start_urls = () ：爬取的URL元祖/列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會(huì)從這些urls開始。其他子URL將會(huì)從這些起始URL中繼承性生成。
parse(self, response) ：解析的方法，每個(gè)初始URL完成下載后將被調(diào)用，調(diào)用的時(shí)候傳入從每一個(gè)URL傳回的Response對(duì)象來作為唯一參數(shù)，主要作用如下：
負(fù)責(zé)解析返回的網(wǎng)頁數(shù)據(jù)(response.body)，提取結(jié)構(gòu)化數(shù)據(jù)(生成item)
生成需要下一頁的URL請(qǐng)求。
將start_urls的值修改為需要爬取的第一個(gè)url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response): filename = "teacher.html" open(filename, 'w').write(response.body)
然后運(yùn)行一下看看，在mySpider目錄下執(zhí)行：
scrapy crawl itcast
是的，就是 itcast，看上面代碼，它是 ItcastSpider 類的 name 屬性，也就是使用 scrapy genspider命令的唯一爬蟲名。
運(yùn)行之后，如果打印的日志出現(xiàn) [scrapy] INFO: Spider closed (finished)，代表執(zhí)行完成。 之后當(dāng)前文件夾中就出現(xiàn)了一個(gè) teacher.html 文件，里面就是我們剛剛要爬取的網(wǎng)頁的全部源代碼信息。
注意: Python2.x默認(rèn)編碼環(huán)境是ASCII，當(dāng)和取回的數(shù)據(jù)編碼格式不一致時(shí)，可能會(huì)造成亂碼；我們可以指定保存內(nèi)容的編碼格式，一般情況下，我們可以在代碼最上方添加
import sys reload(sys) sys.setdefaultencoding("utf-8")
這三行代碼是 Python2.x 里解決中文編碼的萬能鑰匙，經(jīng)過這么多年的吐槽后 Python3 學(xué)乖了，默認(rèn)編碼是Unicode了…(祝大家早日擁抱Python3)
2. 取數(shù)據(jù)
爬取整個(gè)網(wǎng)頁完畢，接下來的就是的取過程了，首先觀察頁面源碼：
<div class="li_txt"> <h3> xxx </h3> <h4> xxxxx </h4> <p> xxxxxxxx </p>
是不是一目了然？直接上 XPath 開始提取數(shù)據(jù)吧。
xpath 方法，我們只需要輸入的 xpath 規(guī)則就可以定位到相應(yīng) html 標(biāo)簽節(jié)點(diǎn)，詳細(xì)內(nèi)容可以查看 xpath 教程。
不會(huì) xpath 語法沒關(guān)系，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:
這里給出一些 XPath 表達(dá)式的例子及對(duì)應(yīng)的含義:
/html/head/title: 選擇HTML文檔中<head>標(biāo)簽內(nèi)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(wǎng)站 http://www.itcast.cn/ 的網(wǎng)站標(biāo)題，修改 itcast.py 文件代碼如下：：
# -*- 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 Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ['http://www.itcast.cn/'] def parse(self, response): # 獲取網(wǎng)站標(biāo)題 context = response.xpath('/html/head/title/text()') # 提取網(wǎng)站標(biāo)題 title = context.extract_first() print(title) pass
執(zhí)行以下命令：
$ scrapy crawl itcast ... ... 傳智播客官網(wǎng)-好口碑IT培訓(xùn)機(jī)構(gòu),一樣的教育,不一樣的品質(zhì) ... ...
我們之前在 mySpider/items.py 里定義了一個(gè) ItcastItem 類。 這里引入進(jìn)來:
from mySpider.items import ItcastItem
然后將我們得到的數(shù)據(jù)封裝到一個(gè) ItcastItem 對(duì)象中，可以保存每個(gè)老師的屬性：
from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 items = [] for each in response.xpath("http://div[@class='li_txt']"): # 將我們得到的數(shù)據(jù)封裝到一個(gè) `ItcastItem` 對(duì)象 item = ItcastItem() #extract()方法返回的都是unicode字符串 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(gè)元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后數(shù)據(jù) return items
我們暫時(shí)先不處理管道，后面會(huì)詳細(xì)介紹。
保存數(shù)據(jù)
scrapy保存信息的最簡(jiǎn)單的方法主要有四種，-o 輸出指定格式的文件，命令如下：
scrapy crawl itcast -o teachers.json
json lines格式，默認(rèn)為Unicode編碼
scrapy crawl itcast -o teachers.jsonl
csv 逗號(hào)表達(dá)式，可用Excel打開
scrapy crawl itcast -o teachers.csv
xml格式
scrapy crawl itcast -o teachers.xml
思考
如果將代碼改成下面形式，結(jié)果完全一樣。
請(qǐng)思考 yield 在這里的作用(Python yield 使用淺析)：
# -*- coding: utf-8 -*- import scrapy from mySpider.items import ItcastItem # 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 Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ("http://www.itcast.cn/channel/teacher.shtml",) def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 items = [] for each in response.xpath("http://div[@class='li_txt']"): # 將我們得到的數(shù)據(jù)封裝到一個(gè) `ItcastItem` 對(duì)象 item = ItcastItem() #extract()方法返回的都是unicode字符串 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(gè)元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后數(shù)據(jù) return items
原文鏈接：https://segmentfault.com/a/1190000013178839
