Scrapy 基础

Scrapy

异步处理框架,可配置和可扩展程度非1 常高,Python中使用最广泛的爬虫框架

安装:

Ubuntu安装
1、安装依赖包

sudo apt-get install libffi-dev libssl- dev libxml2-dev python3-dev libxslt1-dev zlib1g-dev
sudo pip3 install -I -U service_identity

2、安装scrapy框架

sudo pip3 install Scrapy

windows安装

python -m pip install Scrapy

一、概述

1. 五大组件

引擎(Engine) ：整个框架核心
调度器(Scheduler) ：维护请求队列
下载器(Downloader)：获取响应对象
爬虫文件(Spider) ：数据解析提取
项目管道(Pipeline)：数据入库处理

下载器中间件(Downloader Middlewares) : 引擎 ->下载器,包装请求(随机代理等)

蜘蛛中间件(Spider Middlewares) : 引擎 -> 爬虫文件,可修改响应对象属性

2. 项目启动

由引擎向爬虫程序索要第一个要爬取的URL,交给调度器去入队列
调度器处理请求后出队列,通过下载器中间件交给下载器去下载
下载器得到响应对象后,通过蜘蛛中间件交给爬虫程序
爬虫程序进行数据提取：
数据交给管道文件去入库处理
对于需要继续跟进的URL,再次交给调度器入队列，依次循环

3. 常用命令

1、创建爬虫项目

scrapy startproject 项目名

2、创建爬虫文件

scrapy genspider 爬虫名域名

3、运行爬虫

scrapy crawl 爬虫名

4. 项目目录

Baidu # 项目文件夹
├── Baidu # 项目目录
│ ├── items.py # 定义数据结构
│ ├── middlewares.py # 中间件
│ ├── pipelines.py # 数据处理
│ ├── settings.py # 全局配置文件
│ └── spiders
│ ├── baidu.py # 爬虫文件
└── scrapy.cfg # 项目基本配置文件

5. 全局配置文件

1、定义User-Agent

USER_AGENT = 'Mozilla/5.0'

2、是否遵循robots协议，一般设置为False

ROBOTSTXT_OBEY = False

3、最大并发量，默认为16

CONCURRENT_REQUESTS = 32

4、下载延迟时间

DOWNLOAD_DELAY = 1

5、请求头，此处也可以添加User-Agent

DEFAULT_REQUEST_HEADERS={}

6、项目管道

ITEM_PIPELINES={
	'项目目录名.pipelines.类名':300
}

6.创建爬虫项目步骤

1、新建项目：scrapy startproject 项目名
2、cd 项目文件夹
3、新建爬虫文件：scrapy genspider 文件名域名
4、明确目标(items.py)
5、写爬虫程序(文件名.py)
6、管道文件(pipelines.py)
7、全局配置(settings.py)
8、运行爬虫：scrapy crawl 爬虫名

7.运行爬虫

1、创建begin.py(和scrapy.cfg文件同目录)
2、begin.py中内容：

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

Pycharm运行爬虫

创建run.py(和scrapy.cfg文件同目录)
run.py中内容：

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

8. 示例

爬取百度首页的标签--百度一下，你就知道

步骤：

创建项目Baidu 和爬虫文件baidu

scrapy startproject Baidu # 创建项目
cd Baidu
scrapy genspider baidu www.baidu.com # 创建爬虫文件

编写爬虫文件baidu.py，xpath提取数据

# -*- coding: utf-8 -*-
import scrapy
class BaiduSpider(scrapy.Spider):
name = 'baidu'
allowed_domains = ['www.baidu.com']
start_urls = ['http://www.baidu.com/']
def parse(self, response):
result = response.xpath('/html/head/title/text()').extract_first()
print('*'*50)
print(result)
print('*'*50)

全局配置文件settings.py

USER_AGENT = 'Mozilla/5.0'
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}

创建run.py

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

启动爬虫

直接运行run.py即可

运行截图

二、奇淫技巧

节点对象.xpath('')
- 列表,元素为选择器 [']
- 列表.extract() ：序列化列表中所有选择器为Unicode字符串 ['A','B','C']
- 列表.extract_first() 或者 get() :获取列表中第1个序列化的元素(字符串)

pipelines.py中必须由1个函数叫process_item

def process_item(self,item,spider):
    return item ( * 此处必须返回 item )

日志变量及日志级别(settings.py)
- 日志相关变量
  - LOG_LEVEL = ''
  - LOG_FILE = '文件名.log'
- 日志级别
  - 5 CRITICAL ：严重错误
  - 4 ERROR ：普通错误
  - 3 WARNING ：警告
  - 2 INFO ：一般信息
  - 1 DEBUG ：调试信息
管道文件使用
- 在爬虫文件中为items.py中类做实例化，用爬下来的数据给对象赋值
```
from ..items import MaoyanItem
item = MaoyanItem()
```
- 管道文件（pipelines.py）
- 开启管道（settings.py）
  ITEM_PIPELINES = { '项目目录名.pipelines.类名':优先级 }

三、猫眼电影

1.创建项目

创建项目文件，爬虫文件

scrapy startproject Maoyan
cd Maoyan
scrapy genspider maoyan https://maoyan.com

创建运行文件

# run.py
from scrapy import cmdline
cmdline.execute('scrapy crawl maoyan'.split())

设置全局设置

# settings.py 只展示需要更改的地方

ROBOTSTXT_OBEY = False

DEFAULT_REQUEST_HEADERS = {
  'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0'
}

2. 定义数据结构

./Maoyan/items.py

class MaoyanItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    star = scrapy.Field()
    time = scrapy.Field()

3. 定义spider

./Maoyan/Spiders/maoyan.py

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

class MaoyanSpider(scrapy.Spider):
    name = 'maoyan'
    allowed_domains = ['maoyan.com']

    # 起始的URL地址,即第一页地址
    start_urls = ['https://maoyan.com/board/4?offset=0']

    def parse(self, response):
        # 基准的xpath
        dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')
        # 依次遍历
        for dd in dd_list:
            # 创建item对象(./Maoyan/items.py)
            item = MaoyanItem()
            # 电影名称
            item['name'] = dd.xpath('./a/@title').extract_first().strip()
            # 电影主演
            item['star'] = dd.xpath('.//p[@class="star"]/text()').extract_first().strip()
            # 电影上映时间
            item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').extract_first().strip()

            # 把爬取的数据交给管道文件piplines处理
            yield item 
        
        self.offset += 10
        if self.offset <= 90:
            url = 'https://maoyan.com/board/4?offset={}'.format(self.offset) # 拼接下一页的地址
            # 交给调度器入队列
            yield scrapy.Request(url = url, callback=self.parse)

当一个函数中出现了yield关键字时，则python将该函数当做生成器使用，也就是说，函数执行到yield时，将数据传递给piplines，并且函数暂停到此处，等待下一次的调用，当再次调用的时候，则会从上一次的地方继续开始，直到调用结束，scrapy也会捕获这个异常

4. 定义管道文件

./Maoyan/pipelines.py

class MaoyanPipeline(object):
    def process_item(self, item, spider):
        print(item['name'])
        print(item['star'])
        print(item['time'])
        return item

开启管道需要设置settings.py

ITEM_PIPELINES = {
   'Maoyan.pipelines.MaoyanPipeline': 300,
}

300代表优先级,优先级的范围是1-1000,数字越小,优先级越高

5. 小结

以上方法已经足以爬取需要的数据，但是，在运行的过程中，URL在入队列后又出队列，到了yield之后又交给调度器，如此往复循环，并没有发挥scrapy的多线程优势，届时，需要修改代码来充分的使用多线程技术。

5.1 法一

修改maoyan.py

原理：将所有的URL全部交给调度器

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

class MaoyanSpider(scrapy.Spider):
    name = 'maoyan'
    allowed_domains = ['maoyan.com']

    # 起始的URL地址,即第一页地址
    start_urls = ['https://maoyan.com/board/4?offset=0']
    offset = 0

    def parse(self, response):
        for offset in range(0, 91, 10):
            url = 'https://maoyan.com/board/4?offset={}'.format(str(offset))
            # 把地址交给调度器入队列
            yield scrapy.Request(url=url,callback=self.parse_html)

    def parse_html(self, response):
        # 基准xpath,匹配每个电影信息节点对象列表
        dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')
        # dd_list : [<element dd at xxx>,<...>]
        for dd in dd_list:
            # 创建item对象
            item = MaoyanItem()
            # [<selector xpath='' data='霸王别姬'>]
            # dd.xpath('')结果为[选择器1,选择器2]
            # .extract() 把[选择器1,选择器2]所有选择器序列化为unicode字符串
            # .extract_first() : 取第一个字符串
            item['name'] = dd.xpath('./a/@title').extract_first().strip()
            item['star'] = dd.xpath('.//p[@class="star"]/text()').extract()[0].strip()
            item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').extract()[0]

            yield item

这里有个问题，parse函数用来解析，但是在这里却是交付URL，物未尽其用，所以再次修改

5.2 法二

既然离不开start_url，那么就剖其源码可以得到，该变量应用于start_requests函数

以下为start_requests()源码：

def start_requests(self):
    cls = self.__class__
    if method_is_overridden(cls, Spider, 'make_requests_from_url'):
        warnings.warn(
            "Spider.make_requests_from_url method is deprecated; it "
            "won't be called in future Scrapy releases. Please "
            "override Spider.start_requests method instead (see %s.%s)." % (
                cls.__module__, cls.__name__
            ),
        )
        for url in self.start_urls:
            yield self.make_requests_from_url(url)
            else:
                for url in self.start_urls:
                    yield Request(url, dont_filter=True)

那么就可以重写该方法，只需要再次定义start_requests函数即可，根据优先级则先执行本文件的start_requests方法

def start_requests(self):
    for offset in range(0, 91, 10):
        url = 'https://maoyan.com/board/4?offset={}'.format(str(offset))
        # 交给调度器
        yield scrapy.Request(url=url, callback=self.parse_html)

完整maoyan.py代码

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

class MaoyanSpider(scrapy.Spider):
    name = 'maoyan'
    allowed_domains = ['maoyan.com']

    # 重写start_requests方法，提高效率
    def start_requests(self):
        for offset in range(0, 91, 10):
            url = 'https://maoyan.com/board/4?offset={}'.format(str(offset))
            # 交给调度器
            yield scrapy.Request(url=url, callback=self.parse_html)

    def parse_html(self, response):
        # 基准xpath,匹配每个电影信息节点对象列表
        dd_list = response.xpath('//dl[@class="board-wrapper"]/dd')
        # dd_list : [<element dd at xxx>,<...>]
        for dd in dd_list:
            # 创建item对象
            item = MaoyanItem()
            # [<selector xpath='' data='霸王别姬'>]
            # dd.xpath('')结果为[选择器1,选择器2]
            # .extract() 把[选择器1,选择器2]所有选择器序列化为unicode字符串
            # .extract_first() : 取第一个字符串
            item['name'] = dd.xpath('./a/@title').extract_first().strip()
            item['star'] = dd.xpath('.//p[@class="star"]/text()').extract()[0].strip()
            item['time'] = dd.xpath('.//p[@class="releasetime"]/text()').extract()[0]

            yield item

posted @ 2019-09-20 08:47 ChanceySolo 阅读(239) 评论(0) 编辑收藏举报

指间灵动，快码加编

刷新页面返回顶部

素心

人生苦短，我用Python。