python之路 - 爬虫
网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
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
自动创建目录：
project_name/ scrapy.cfg project_name/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py
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
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy class XiaoHuarSpider(scrapy.spiders.Spider): name = "nnnnn" # 命名 # allowed_domains = ["xiaohuar.com"] start_urls = [ # 起始url 内部是for循环 "http://www.xiaohuar.com/hua/", ] #response 里面封装着所有返回的数据 def parse(self, response): # 回调函数 # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) current_url = response.url # 当前请求的url body = response.body # 当前返回的内容 unicode_body = response.body_as_unicode() # 编码 print body
3、运行
进入project_name目录，运行命令
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
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy from scrapy.http import Request from scrapy.selector import HtmlXPathSelector import re import urllib import os class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" allowed_domains = ["xiaohuar.com"] start_urls = [ "http://www.xiaohuar.com/list-1-1.html", ] def parse(self, response): # 分析页面 # 找到页面中符合规则的内容（校花图片），保存 # 找到所有的a标签，再访问其他a标签，一层一层的搞下去 hxs = HtmlXPathSelector(response) # 如果url是 http://www.xiaohuar.com/list-1-\d+.html if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url): items = hxs.select('//div[@class="item_list infinite_scroll"]/div') for i in range(len(items)): src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract() name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() if src: ab_src = "http://www.xiaohuar.com" + src[0] file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name) urllib.urlretrieve(ab_src, file_path) # 获取所有的url，继续访问，并在其中寻找相同的url all_urls = hxs.select('//a/@href').extract() for url in all_urls: if url.startswith('http://www.xiaohuar.com/list-1-'): yield Request(url, callback=self.parse)
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。
注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1 深度
两种定义查找的方式：
1, 即将过期的
from scrapy.selector import HtmlXPathSelector hxs = HtmlXPathSelector(response) # 即将过期了 items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
2，建议使用
from scrapy.selector import Selector # 推荐使用这一种 ret = Selector(response=response).xpath('//div[@class="item_listinfinite_scroll"]/div')
3， 选择器规则
selector： // 子子孙孙 / 孩子 //div[@class='c1'][@id='i1'] 属性选择器 //div//img/@src 获取src属性 //div//a[1] 索引 第一个 //div//a[1]//text() 内容 ----- obj.extract() 真实的内容 ===== 正则表达式 //.select('div//a[1]').re('昵称：(\w+)') <li class="item-"><a href="link.html">first item</a></li> <li class="item-0"><a href="link1.html">first item</a></li> <li class="item-1"><a href="link2.html">second item</a></li> '//li[re:test(@class, "item-\d*")]//@href'
问题实例：
重复url 不访问 url加密 -》 集合set nid 加密值(索引) 原来的的值 new_url ==> 加密 如何递归 DEPTH_LIMIT = 1 深度 from scrapy.selector import Selector url_list = Selector(response=response).xpath('//a/#href') for url in url_list: # DEPTH_LIMIT = 1 深度 yield scrapy.Request(url=url,callback=self.parse)
内容格式化
spider url规则 把自己的保存功能拆分到 pipelines 通过契约 items
1，yiled request() 交给下载器
#!/usr/bin/python # -*- coding: UTF-8 -*- #!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy import urllib import os class XiaoHuarSpider(scrapy.spiders.Spider): name = "s2" # 命名 # allowed_domains = ["xiaohuar.com"] start_urls = [ # 起始url 内部是for循环 "http://www.xiaohuar.com/hua/", ] def parse(self, response): # 回调函数 current_url = response.url # 当前请求的url body = response.body # 当前返回的内容 unicode_body = response.body_as_unicode() # 编码 # 去body中获取所有url from scrapy.selector import Selector url_list = Selector(response=response).xpath('//a/#href') for url in url_list: # DEPTH_LIMIT = 1 深度 yield scrapy.Request(url=url,callback=self.parse)
2, yiled item() 交给 pipeline
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy import urllib import os class XiaoHuarSpider(scrapy.spiders.Spider): name = "s2" # 命名 # allowed_domains = ["xiaohuar.com"] start_urls = [ # 起始url 内部是for循环 "http://www.xiaohuar.com/hua/", ] #response 里面封装着所有返回的数据 def parse(self, response): # 回调函数 # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) current_url = response.url # 当前请求的url from scrapy.selector import HtmlXPathSelector hxs = HtmlXPathSelector(response) # 即将过期了 items = hxs.select('//div[@class="item_list infinite_scroll"]/div') for i in range(len(items)): # extract() 拿里面真实的东西 srcs = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract() names = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() schools = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() print names,srcs,schools if srcs and names and schools: print names[0],schools[0],srcs[0] try: from spider1 import items obj = items.Spider1Item() obj['name'] = names[0] obj['src'] = srcs[0] obj['school'] = schools[0] yield obj except Exception as e: print e # ret = [/uhdsjdnsd] # print ret uicod的表示 # print ret[0] 字符串
items 契约
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # http://doc.scrapy.org/en/latest/topics/items.html import scrapy class Spider1Item(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field() src = scrapy.Field() school = scrapy.Field()
pipeline 保存
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html class Spider1Pipeline(object): def process_item(self, item, spider): ab_src = "http://www.xiaohuar.com" + item['src'] # 前缀 file_name = item['name'].encode('utf-8') + '.jpg' import os import urllib file_path = os.path.join('D:\\',file_name) # file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8')) # file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name) urllib.urlretrieve(ab_src, file_path) # 保存 地址和 路劲 return item
生命流程图
