公告

scrapy

一、认识scrapy

scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，我们只需实现少量的代码，就能实现数据的快速抓取

scrapy使用了Twisted异步网络架构。

主要模块：

pip install scrapy
pip install twisted

在下载时由于内存相比于其他模块较大，在这里推荐大家换源下载。

如：豆瓣镜像网站。

-i https://pypi.doubanio.com/simple/ pip

二、运行流程

（一）流程图

（二）具体流程

引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
引擎：Hi ！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道调度器：好的，现在就做！

三、组件介绍

组件	作用
Scrapy Engine(引擎)	负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器)	它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
Downloader（下载器）	负责下载(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理。
Spider（爬虫）	它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler。
Item Pipeline(管道)	它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
Downloader Middlewares下载中间件	一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）	一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

四、快速入门

创建一个scrapy项目。

scrapy startproject [name]  # name 为项目名称

创建一个spider。

cd name     # 进入创建的项目

scrapy genspider [spider_name] [url]  # spider_name为爬虫名，url为要抓取的目标网站

scrapy crawl spider_name   # 执行爬虫

（一）spider

手动创建的spider文件。

import scrapy


class BdSpiderSpider(scrapy.Spider):
    name = 'spider_name'
    allowed_domains = ['baidu.com']
    start_urls = ['https://www.baidu.com']

    def parse(self, response,**kwargs):
        pass

name：标识spider。它在一个项目中必须是唯一的，即不能为不同的爬行器设置相同的名称。
allowed_domains：允许爬取url的域名。
start_urls：一个url列表，spider从这些网页开始抓取。
parse():一个方法，当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容。

（二）items

定义抓取的字段名。

import scrapy


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

（三）pipeline

数据存储的位置。

from itemadapter import ItemAdapter


class MySpiderPipeline:
    def process_item(self, item, spider):
        return item

（四）settings

项目配置文件。

# Scrapy settings for my_spider project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'my_spider'

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


# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.134 Safari/537.36 Edg/103.0.1264.71'

# Obey robots.txt rules
# robots协议，默认遵守
ROBOTSTXT_OBEY = False
# 日志等级，ERROR最高
LOG_LEVEL = "ERROR"

# Configure maximum concurrent requests performed by Scrapy (default: 16)
# 并发请求(concurrent requests)的最大值
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs

# 下载延迟
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
# 对单个网站进行并发请求的最大值
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
# 对单个IP进行并发请求的最大值。如果非0，则忽略
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
# COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
# DEFAULT_REQUEST_HEADERS = {
#     'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#     'Accept-Language': 'en',
# }

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'my_spider.middlewares.MySpiderSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'my_spider.middlewares.MySpiderDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
     # 优先级  数字越小，越靠近管道
    'my_spider.pipelines.MySpiderPipeline': 300,

}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

五、问题点解答

1、由于scrapy框架里的日志提醒，所以会显示一些没有用的信息，那怎么才能只显示想要的数据，去除掉没用的日志信息提醒呢？

只需要在scrapy框架里的settings.py文件里加入

LOG_LEVEL = "ERROR"

这样再打印爬取的数据就不会显示日志信息了。

2、怎么在scrapy框架里添加url和User-Agent呢？

（1）url添加

找到scrapy框架里的spiders文件夹，找到所创建的项目文件：如我这里所创建的lianjia_spider.py

打开之后，在类里找到变量名start_urls，在列表内改掉默认的url，添加到你所要爬取的网页url即可。

如：

import scrapy


class LianjiaSpiderSpider(scrapy.Spider):
    name = 'lianjia_spider'
    allowed_domains = ['cs.lianjia.com']  # 域名，可多个添加
    start_urls = ['https://cs.lianjia.com/ershoufang/']  # 目标站，可多个添加

（2）User-Agent添加

找到scrapy框架里的settings.py项目文件;打开之后，找到变量名#USER_AGENT='**',在单引号里添加即可。

注意：把#注释符，去掉。

3、robots协议

robots协议为君子协议，爬虫做伪装签订君子协议则会拿不到数据。

同样找到scrapy框架里的settings.py项目文件;打开之后，找到变量名ROBOTSTXT_OBEY，将默认ROBOTSTXT_OBEY = True,改为False。

True：True为遵守robots协议（君子协议），遵守则会爬不到数据

False：改为False 为不遵守，可以拿到数据。

4、items：定义字段。

5、pipelines：保存数据。

6、middlewares 中间件：自定义扩展功能的组件。

有两个组件：

（1）Spider Middlewares（Spider中间件）

可以自定扩展和操作引擎和Spider中间通信的功能组件。

作用于Scrapy Engine(引擎)与Spiders爬虫之间。

（2）Downloader Middlewares下载中间件

可以自定义扩展下载功能的组件。

作用于Scrapy Engine(引擎)与Downloader（response）请求源代码之间。
用途：可以在类class DemoSpiderDownloaderMiddleware:里换代理，ip池。

7、当我们在爬取数据时，会发现一个标签的内容会在cmd中出现以下格式：

那么怎么精确提取里面的数据呢？

以以下部分代码为例：

def parse(self, response,**kwargs):
    data_list = response.xpath('//ul[@class="sellListContent"]/li')
    for data in data_list:
        item = DemoSpiderItem()  # 里面的内容是字典格式
        title = data.xpath("./div/div/a/text()")
        print(title)

我们只需要在title后加入.extract或.extract_first(),视data里的，逗号而定，data内只有一个数据可用.extract_first()；但一般多用.extract_first()。

如下：

（1）.extract() #会返回一个列表。

（2）.extract_first()

8、如何将链接中的链接数据进行处理呢？

第一链接中的数据保存至pipelines，将第二链接的url再给到调度器进行该链接中的数据处理。

如何进行再处理？

（1）在文件items.py中创建一个house_info= scrapy.Field()字段。

class DemoSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    price = scrapy.Field()
    # 详情页的数据
    house_info = scrapy.Field()

（2）在文件lianjia_spider中继续，创建一个生成器，创建一个新的函数方法。

（3）在生成器中，将url传入，同时调用处理另一个链接的函数callback=self.parse_detail。运用meta，将item的值继续交给self.parse_detail处理。

yield scrapy.Request(url=href,callback=self.parse_detail,meta={"item":item})

（4）在函数parse_detail中，传入源代码参数，获取字典meta的值。

item = response.meta["item"]

（5）解析链接中的数据，打印即可。

item['house_info'] = ",".join(response.xpath('//*[@id="introduction"]/div/div/div[1]/div[2]/ul/li/text()').extract())

9、如何进行翻页。

在一个循环中创建一个生成器，将循环的url一并传给调度器，调用self.parse函数。

# 翻页：将for循环中的2，3，4页的url一并给到self.parse（），让其一并执行url里面的数据。
for num in range(2,5):
    next_url = "https://cs.lianjia.com/ershoufang/pg{}".format(num)
    yield scrapy.Request(url=next_url,callback=self.parse)

六、实例

以链家二手房为例。

1、spiders

lianjia_spider.py

import scrapy
from demo_spider.items import DemoSpiderItem

class LianjiaSpiderSpider(scrapy.Spider):
    name = 'lianjia_spider'
    allowed_domains = ['cs.lianjia.com']  # 域名，可多个添加
    start_urls = ['https://cs.lianjia.com/ershoufang/']  # 目标站，可多个添加

    def parse(self, response,**kwargs):
        data_list = response.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]')
        for data in data_list:
            item = DemoSpiderItem()  # 里面的内容是字典格式
            item['title'] = data.xpath("./div/div/a/text()").extract_first()
            item['price'] = data.xpath("./div/div[6]/div/span/text()").extract_first()
            href = data.xpath("./div/div/a/@href").extract_first()
            # 将数据保存至pipelines，将url再给到调度器进行该链接中的数据处理
            # 如何进行链接再处理数据呢？
            # 创建一个生成器，将url传入，调用另一个链接处理的函数callback=self.parse_detail
            # 如何将item的数据给到self.parse_detail？
            # 运用meta，将item的值继续交给self.parse_detail处理
            yield scrapy.Request(url=href,callback=self.parse_detail,meta={"item":item})
        # 翻页：将for循环中的2，3，4页的url一并给到self.parse（），让其一并执行url里面的数据。
        for num in range(2,5):
            next_url = "https://cs.lianjia.com/ershoufang/pg{}".format(num)
            yield scrapy.Request(url=next_url,callback=self.parse)

    def parse_detail(self,response):
        # 如何获取字典meta的值的数据？
        item = response.meta["item"]
        # 解析链接中的数据
        item['house_info'] = ",".join(response.xpath('//*[@id="introduction"]/div/div/div[1]/div[2]/ul/li/text()').extract())
        print(item)

2、items.py

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class DemoSpiderItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()
    price = scrapy.Field()
    # 详情页的数据
    house_info = scrapy.Field()

3、settings.py

# Scrapy settings for demo_spider project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'demo_spider'

SPIDER_MODULES = ['demo_spider.spiders']
NEWSPIDER_MODULE = 'demo_spider.spiders'
LOG_LEVEL = "ERROR"

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.56'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False # True为遵守robots协议（君子协议），遵守则会爬不到数据
                     # 改为False 为不遵守，可以拿到数据。

posted on 2022-11-24 22:34 乐之之阅读(169) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部