自学Python十二 战斗吧Scrapy！

　　初窥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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

      还是先推荐几个学习的教程：Scrapy 0.25文档  Scrapy快速入门教程 这些教程里面有关于Scrapy的安装，创建项目，爬取实例等等，如果一个全新的东西扔给你首先要看文档，初看文档我也是蒙蒙的，后来一层一层的去摸索才大概懂了个皮毛。我们就试着将之前的爬虫福利改写成用Scrapy框架的爬虫，在实践中学习。 战斗吧 Scrapy！

　　安装Scrapy

　　如果配置好了pip或者easy_install 可以直接pip install scrapy （从https://pip.pypa.io/en/latest/installing.html 安装 pip）

　　还需要从 http://sourceforge.net/projects/pywin32/ 安装 pywin32 (注：此处要注意了，这里pywin32的版本要跟你python的完全一致，比如你在64位系统安装的32位的python2.7 那么你也需要安装2.7 32位的pywin32) 否则遇到：Scrapy [twisted] CRITICAL:Unhandled error in Deferred

　　新建项目

　　因为我们要重写之前的项目，我们新建一个scrapy项目，命名为rosi： scrapy startproject rosi

　　可以看到目录里面包含：

 1 rosi/
 2     scrapy.cfg    #项目的配置文件
 3     rosi/            #该项目的Python模块，代码全在这里面
 4         __init__.py
 5         items.py    #放多个model的地方
 6         pipelines.py    #顾名思义 管道，处理items结果的地方
 7         settings.py    #配置文件
 8         spiders/        #爬虫代码
 9             __init__.py
10             ...

　　好了。。。说了这么多废话，接下来让我们深入基层！新建rosi项目，然后在rosi/rosi/spiders下面新建rosi_spider.py

import scrapy

class RosiSpider(scrapy.spiders.Spider):
    name = "rosi"    #爬虫名字 唯一
    allowed_domains = ["baidu.com"]    #白名单
    start_urls = ["http://www.baidu.com"]    #爬取起始页面
    
    def parse(self,response):#回调函数
        print response.url

　　上面的代码就是一直简单的爬虫，默认爬取了百度首页。你如果问我，怎么爬取的，什么原理，怎么会爬取了，我只能这么回答你：我表达不出来，因为我也是刚学现在还一团浆糊，我现在只明白怎么用，至于原理，我想等我用的熟了，需要去更深的应用的时候我就会懂了，如果能看的下去可以去看看源码。。。不过我可以引用官方文档中的话来回答你：Scrapy为start_urls属性中的每个url都创建了一个Request对象，并将parse方法最为回调函数（callback）赋值给了Request。Request对象经过调度，执行生成scrapy.http.Response对象并返回给parse方法。

　　执行该爬虫：scrapy crawl rosi

　　我们既然知道了返回的是response，我们可以试着将里面我们需要的东西匹配读取保存下来，比如文字，比如图片。在Scrapy中呢他拥有自己的Selectors。使用了一种基于XPath和css的机制。深入的东西还是看官方文档：Selector文档 简单介绍介绍几个官方文档的例子：

  • /html/head/title: 选择HTML文档中 <head> 标签内的 <title> 元素
  • /html/head/title/text(): 选择上面提到的 <title> 元素的文字
  • //td: 选择所有的 <td> 元素
  • //div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

　　Selector有4个基本方法：

  • xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表 。
  • css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表.
  • extract(): 序列化该节点为unicode字符串并返回list。
  • re(): 根据传入的正则表达式对数据进行提取，返回unicode字符串list列表。

　　这里可以自行尝试一下利用XPath取出百度首页的title文字等等等等。

　　好了，重点来了。Scrapy中的BaseSpider爬虫类只能抓取start_urls中提供的链接，而利用Scrapy提供的crawlSpider类可以很方便的自动解析网页上符合要求的链接，从而达到爬虫自动抓取的功能。要利用crawSpider和BaseSpider的区别在于crawSpider提供了一组Rule对象列表，这些Rule对象规定了爬虫抓取链接的行为，Rule规定的链接才会被抓取，交给相应的callback函数去处理。

　　在rules中通过SmglLinkExtractor提取希望获取的链接。比如：

1 rules = (
2              Rule(SgmlLinkExtractor(allow = ('detail_\d{4}_\d{5}\.html')),callback = 'parse_image',follow=True),
3              )

　　这里要解释下，Rule就是一组对象列表，在这里我们设置要过滤的地址。SmglLinkExtractor的主要参数：

  1. allow：满足括号中“正则表达式”的值会被提取，如果为空，则全部匹配。
  2. deny：与这个正则表达式(或正则表达式列表)不匹配的URL一定不提取。
  3. allow_domains：会被提取的链接的domains。
  4. deny_domains：一定不会被提取链接的domains。
  5. restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。
  6. follow 指定这些通过规则匹配出来的链接是否需要继续，如果callback是None，follow默认为False，否则follow是True。通俗点讲呢就是如果设置为false 那么就访问了这个网站为止不再根据Rule判断该网址，如果设置为True 则继续从该网址里面选择符合Rule的网址出来继续访问。（举个例子：网站有25页，但是首页上提供的页面跳转的标号只有从1-10 后面的隐藏了，平常我们点开10页 页面标号是10-20 如果我们follow为false 我们只能得到1-10页的url 如果设置为True 则每次得到一页都去取标号，我们能得到所有的页码1-25.说的太乱了，一会儿代码中说。）

　　我们尝试着从首页得到符合规则的rosi跳转页面：

 1 import scrapy
 2 from scrapy.contrib.spiders import CrawlSpider,Rule
 3 from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
 4 class RosiSpider(CrawlSpider):
 5     name = "rosi"    
 6     allowed_domains = ["5442.com"]    
 7     start_urls = ["http://www.5442.com/tag/rosi.html"]    
 8     rules = (Rule(SgmlLinkExtractor(allow=('rosi/[\d]+\.html', )),callback='parse_href',),)
 9     def parse_href(self,response):#注意 回调函数不要命名为parse 否则出bug
10         print response.url

　　得到的结果如下：

　　天杀的，明明是1-25页好不好，怎么只有这么几个，上面说了如果不设置follow的话默认为false，所以访问了这个就不继续了，我们设置为True就对了。

　　我们还是要分析一下这个流程。我们从起始页面：http://www.5442.com/tag/rosi.html 我们需要得到符合条件为tag/rosi/[0-9]+/.html的所有页面，然后访问这些页面得到所有图片集的地址如:http://www.5442.com/meinv/20150904/27062.html和http://www.5442.com/meinv/20150904/27062_2.html，分析可得[0-9_]+\.html。这样我们就得到了所有包含我们需要下载图片url的地址，我们就可以根据XPath得到图片url进行下载。所以我们的爬虫Rule是这样的：

 1 import scrapy,re,urllib2
 2 from scrapy.http import Request
 3 from scrapy.contrib.spiders import CrawlSpider,Rule
 4 from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
 5 from scrapy.selector import Selector
 6 from scrapydemo.items import *
 7 
 8 class RosiSpider(CrawlSpider):
 9     name = "rosi"
10     number = 0
11     allowed_domains = ["5442.com"]
12     start_urls = ["http://www.5442.com/tag/rosi.html"]
13     rules = (Rule(SgmlLinkExtractor(allow=('rosi/[\d]+\.html', )),follow=True),
14             Rule(SgmlLinkExtractor(allow=('[0-9_]+\.html', )),callback='parse_img',follow=True)
15         )

　　第一条Rule我们得到了rosi的所有页面的信息，在访问这些页面的时候我们并不需要进行处理，所以我们不需要回调函数，然后我们从这些页面信息中提取出了所有的图片集页面，然后我们将图片集页面的返回值response给回调函数进行处理：

 1 def parse_img(self,response):
 2         #print response.url
 3         sel = Selector(response)
 4         src = sel.xpath("//div[@class='arcBody']//p[@id='contents']//a//img/@src").extract()
 5         for item in src:
 6             self.saveimg(item)
 7 
 8     def saveimg(self,url):
 9         savePath = '%d.jpg'%(self.number)
10         print url
11         self.number += 1
12         try:
13             u = urllib2.urlopen(url)
14             r = u.read()
15             downloadFile = open(savePath,'wb')
16             downloadFile.write(r)
17             u.close()
18             downloadFile.close()
19         except:
20             print savePath,'can not download.'

　　可能我们要问了，这就完了？ items.py 和 pipeline.py咋没用上呢。那就来谈谈这两个：

　　Items

　　爬取的主要目标就是从非结构性的数据源提取结构性数据，例如网页。 Scrapy提供 Item类来满足这样的需求。Item 对象是种简单的容器，保存了爬取到得数据。 其提供了 类似于词典(dictionary-like) 的API以及用于声明可用字段的简单语法。

1 import scrapy
2 
3 class Product(scrapy.Item):
4     name = scrapy.Field()
5     price = scrapy.Field()
6     stock = scrapy.Field()

　　他就是一个model，我们可以在回调函数中通过XPath得到内容 然后新建一个Item对象，赋值给他，

1 def parse_href(self,response):
2     items = []
3     item = Product()
4     item["name"] = "xxx"
5     item["price"] = "xxx"
6     items.append(item)
7     return items

　　注意，这里我们返回了一个items！！！当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。

　　以下是item pipeline的一些典型应用：

  • 清理HTML数据
  • 验证爬取的数据(检查item包含某些字段)
  • 查重(并丢弃)
  • 将爬取结果保存到数据库中

　　我们可以在pipelines.py中编写自己的itempipeline方法。你必须实现process_item(self,item,spider)方法。更多内容 看官方文档。。。

　　让我们来看一下以下这个假设的pipeline，它为那些不含税(price_excludes_vat 属性)的item调整了price 属性，同时丢弃了那些没有价格的item:

 1 from scrapy.exceptions import DropItem
 2 
 3 class PricePipeline(object):
 4 
 5     vat_factor = 1.15
 6 
 7     def process_item(self, item, spider):
 8         if item['price']:
 9             if item['price_excludes_vat']:
10                 item['price'] = item['price'] * self.vat_factor
11             return item
12         else:
13             raise DropItem("Missing price in %s" % item)

　　以下pipeline将所有(从所有spider中)爬取到的item，存储到一个独立地 items.jl 文件，每行包含一个序列化为JSON格式的item:

 1 import json
 2 
 3 class JsonWriterPipeline(object):
 4 
 5     def __init__(self):
 6         self.file = open('items.jl', 'wb')
 7 
 8     def process_item(self, item, spider):
 9         line = json.dumps(dict(item)) + "\n"
10         self.file.write(line)
11         return item

　　好了，今天就到这儿吧。。。其实我现在也蒙蒙的，接下来就是在实际应用中去提升了，毕竟熟能生巧！！战斗吧 Scrapy！

posted @ 2016-01-25 18:07  叁金  阅读(3008)  评论(0)  编辑  收藏  举报