python爬虫---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。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

  1 pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

  1 scrapy startproject your_project_name

自动创建目录：

  1 project_name/
  2 
  3   scrapy.cfg
  5   project_name/
  7     __init__.py
  9     items.py
 11     pipelines.py
 13     settings.py
 15     spiders/
 17        __init__.py
 18

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

  1 #!/usr/bin/env python
  2 # -*- coding:utf-8 -*-
  3 import scrapy
  4 
  5 class XiaoHuarSpider(scrapy.spiders.Spider):
  6     name = "xiaohuar"
  7     allowed_domains = ["xiaohuar.com"]
  8     start_urls = [
  9         "http://www.xiaohuar.com/hua/",
 10     ]
 11 
 12     def parse(self, response):
 13         # print(response, type(response))
 14         # from scrapy.http.response.html import HtmlResponse
 15         # print(response.body_as_unicode())
 16 
 17         current_url = response.url
 18         body = response.body
 19         unicode_body = response.body_as_unicode()

3、运行

进入project_name目录，运行命令

  1 scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

  1 #!/usr/bin/env python
  2 # -*- coding:utf-8 -*-
  3 import scrapy
  4 from scrapy.http import Request
  5 from scrapy.selector import HtmlXPathSelector
  6 import re
  7 import urllib
  8 import os
  9 
 10 
 11 class XiaoHuarSpider(scrapy.spiders.Spider):
 12     name = "xiaohuar"
 13     allowed_domains = ["xiaohuar.com"]
 14     start_urls = [
 15         "http://www.xiaohuar.com/list-1-1.html",
 16     ]
 17 
 18     def parse(self, response):
 19         # 分析页面
 20         # 找到页面中符合规则的内容（校花图片），保存
 21         # 找到所有的a标签，再访问其他a标签，一层一层的搞下去
 22 
 23         hxs = HtmlXPathSelector(response)
 24 
 25         # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
 26         if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
 27             items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
 28             for i in range(len(items)):
 29                 src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
 30                 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
 31                 school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
 32                 if src:
 33                     ab_src = "http://www.xiaohuar.com" + src[0]
 34                     file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))
 35                     file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
 36                     urllib.urlretrieve(ab_src, file_path)
 37 
 38         # 获取所有的url，继续访问，并在其中寻找相同的url
 39         all_urls = hxs.select('//a/@href').extract()
 40         for url in all_urls:
 41             if url.startswith('http://www.xiaohuar.com/list-1-'):
 42                 yield Request(url, callback=self.parse)
 43

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

  1 from scrapy.selector import Selector
  2 from scrapy.http import HtmlResponse
  3 html = """<!DOCTYPE html>
  4 <html>
  5 <head lang="en">
  6     <meta charset="UTF-8">
  7     <title></title>
  8 </head>
  9 <body>
 10     <li class="item-"><a href="link.html">first item</a></li>
 11     <li class="item-0"><a href="link1.html">first item</a></li>
 12     <li class="item-1"><a href="link2.html">second item</a></li>
 13 </body>
 14 </html>
 15 """
 16 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
 17 ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
 18 print(ret)

正则选择View Code

  1 #!/usr/bin/env python
  2 # -*- coding:utf-8 -*-
  3 
  4 import scrapy
  5 import hashlib
  6 from tutorial.items import JinLuoSiItem
  7 from scrapy.http import Request
  8 from scrapy.selector import HtmlXPathSelector
  9 
 10 
 11 class JinLuoSiSpider(scrapy.spiders.Spider):
 12     count = 0
 13     url_set = set()
 14 
 15     name = "jluosi"
 16     domain = 'http://www.jluosi.com'
 17     allowed_domains = ["jluosi.com"]
 18 
 19     start_urls = [
 20         "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
 21     ]
 22 
 23     def parse(self, response):
 24         md5_obj = hashlib.md5()
 25         md5_obj.update(response.url)
 26         md5_url = md5_obj.hexdigest()
 27         if md5_url in JinLuoSiSpider.url_set:
 28             pass
 29         else:
 30             JinLuoSiSpider.url_set.add(md5_url)
 31             hxs = HtmlXPathSelector(response)
 32             if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
 33                 item = JinLuoSiItem()
 34                 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
 35                 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
 36                 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
 37                 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()
 38 
 39                 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()
 40 
 41                 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
 42                 product_list = []
 43                 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
 44                 for i in range(2,len(product_tr)):
 45                     temp = {
 46                         'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
 47                         'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
 48                     }
 49                     product_list.append(temp)
 50 
 51                 item['product_list'] = product_list
 52                 yield item
 53 
 54             current_page_urls = hxs.select('//a/@href').extract()
 55             for i in range(len(current_page_urls)):
 56                 url = current_page_urls[i]
 57                 if url.startswith('http://www.jluosi.com'):
 58                     url_ab = url
 59                     yield Request(url_ab, callback=self.parse)

选择器规则View Code

  1 def parse(self, response):
  2     from scrapy.http.cookies import CookieJar
  3     cookieJar = CookieJar()
  4     cookieJar.extract_cookies(response, response.request)
  5     print(cookieJar._cookies)

获取响应cookies View Code

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

  1 # -*- coding: utf-8 -*-
  2 
  3 # Define here the models for your scraped items
  4 #
  5 # See documentation in:
  6 # http://doc.scrapy.org/en/latest/topics/items.html
  7 
  8 import scrapy
  9 
 10 class JieYiCaiItem(scrapy.Item):
 11 
 12     company = scrapy.Field()
 13     title = scrapy.Field()
 14     qq = scrapy.Field()
 15     info = scrapy.Field()
 16     more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

  1 #!/usr/bin/env python
  2 # -*- coding:utf-8 -*-
  3 
  4 import scrapy
  5 import hashlib
  6 from beauty.items import JieYiCaiItem
  7 from scrapy.http import Request
  8 from scrapy.selector import HtmlXPathSelector
  9 from scrapy.spiders import CrawlSpider, Rule
 10 from scrapy.linkextractors import LinkExtractor
 11 
 12 
 13 class JieYiCaiSpider(scrapy.spiders.Spider):
 14     count = 0
 15     url_set = set()
 16 
 17     name = "jieyicai"
 18     domain = 'http://www.jieyicai.com'
 19     allowed_domains = ["jieyicai.com"]
 20 
 21     start_urls = [
 22         "http://www.jieyicai.com",
 23     ]
 24 
 25     rules = [
 26         #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
 27         #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
 28         #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
 29         #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
 30     ]
 31 
 32     def parse(self, response):
 33         md5_obj = hashlib.md5()
 34         md5_obj.update(response.url)
 35         md5_url = md5_obj.hexdigest()
 36         if md5_url in JieYiCaiSpider.url_set:
 37             pass
 38         else:
 39             JieYiCaiSpider.url_set.add(md5_url)
 40 
 41             hxs = HtmlXPathSelector(response)
 42             if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
 43                 item = JieYiCaiItem()
 44                 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
 45                 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
 46                 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
 47                 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
 48                 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
 49                 yield item
 50 
 51             current_page_urls = hxs.select('//a/@href').extract()
 52             for i in range(len(current_page_urls)):
 53                 url = current_page_urls[i]
 54                 if url.startswith('/'):
 55                     url_ab = JieYiCaiSpider.domain + url
 56                     yield Request(url_ab, callback=self.parse)

spider View Code

此处代码的关键在于：

将获取的数据封装在了Item对象中
yield Item对象（一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

  1 # -*- coding: utf-8 -*-
  2 
  3 # Define your item pipelines here
  4 #
  5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
  6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
  7 
  8 import json
  9 from twisted.enterprise import adbapi
 10 import MySQLdb.cursors
 11 import re
 12 
 13 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
 14 phone_re = re.compile(r'(\d+-\d+|\d+)')
 15 
 16 class JsonPipeline(object):
 17 
 18     def __init__(self):
 19         self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')
 20 
 21 
 22     def process_item(self, item, spider):
 23         line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
 24         self.file.write(line)
 25         return item
 26 
 27 class DBPipeline(object):
 28 
 29     def __init__(self):
 30         self.db_pool = adbapi.ConnectionPool('MySQLdb',
 31                                              db='DbCenter',
 32                                              user='root',
 33                                              passwd='123',
 34                                              cursorclass=MySQLdb.cursors.DictCursor,
 35                                              use_unicode=True)
 36 
 37     def process_item(self, item, spider):
 38         query = self.db_pool.runInteraction(self._conditional_insert, item)
 39         query.addErrback(self.handle_error)
 40         return item
 41 
 42     def _conditional_insert(self, tx, item):
 43         tx.execute("select nid from company where company = %s", (item['company'][0], ))
 44         result = tx.fetchone()
 45         if result:
 46             pass
 47         else:
 48             phone_obj = phone_re.search(item['info'][0].strip())
 49             phone = phone_obj.group() if phone_obj else ' '
 50 
 51             mobile_obj = mobile_re.search(item['info'][1].strip())
 52             mobile = mobile_obj.group() if mobile_obj else ' '
 53 
 54             values = (
 55                 item['company'][0],
 56                 item['qq'][0],
 57                 phone,
 58                 mobile,
 59                 item['info'][2].strip(),
 60                 item['more'][0])
 61             tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)
 62 
 63     def handle_error(self, e):
 64         print 'error',e

pipeline View Code

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

  1 ITEM_PIPELINES = {
  2     'beauty.pipelines.DBPipeline': 300,
  3     'beauty.pipelines.JsonPipeline': 100,
  4 }
  5 # 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

归类 : Python爬虫