Scrapy框架
介绍
Scrapy是一个基于Twisted的异步处理框架, 是纯Python实现的爬虫框架, 其架构清晰, 模块之间的耦合程度低, 可扩展性极强, 可以灵活完成各种需求. 我们只需要定制开发几个模块就可以轻松实现一个爬虫.
Scrapy依赖twisted
安装
linux下,
pip3 install scrapy
目录结构
scrapy.cfg 项目的主配置信息。（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
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。
执行流程
1. 【引擎】找到要执行的爬虫，并执行爬虫的 start_requests 方法，并的到一个 迭代器。 2. 迭代器循环时会获取Request对象，而request对象中封装了要访问的URL和回调函数。 3. 将所有的request对象(任务)放到【调度器】中，用于以后被【下载器】下载。 4. 【下载器】去【调度器】中获取要下载任务（就是Request对象），下载完成后执行回调函数。 5. 回到spider的回调函数中 yield Request() # 再次发起请求 yield Item() # 触发一个信号去pipeline
一. 简单使用
1 创建project scrapy startproject <项目名称> 2 创建爬虫 cd <项目名称> scrapy genspider <爬虫名> <网址> # 如 scrapy genspider chouti chouti.com 3 启动爬虫 scrapy crawl <爬虫名> --nolog # 不打印日志
二. 回调函数中常用用法
def parse(self, response): # response, 封装了响应相关的所有数据 # 1 响应相关 # response.text # response.encoding # response.body # response.requeset # 当前响应时有那个请求发起, 请求中封装了(要访问的url, 回调函数) # 2 解析相关 response.xpath('//div[@href="x1"]/a').extract().extract_first() response.xpath('//div[@href="x1"]/a/text()').extract() tag_list = response.xpath('//div[@href="x1"]/a') for tag in tag_list: tag.xpath('.//p/text()').extract_first() # 3 再次发起请求 yield Request(url='xx', callback=self.parse)
三. pipeline
当Spider解析完Response之后，Item就会传递到Item Pipeline，被定义的Item Pipeline组件会顺次调用，完成一连串的处理过程，比如数据清洗、存储等。
Item Pipeline的主要功能有如下4点。
- 清理HTML数据。
- 验证爬取数据，检查爬取字段。
- 查重并丢弃重复内容。
- 将爬取结果保存到数据库。
主要的方法
1. process_item(item, spider)。 # 核心方法 process_item()是必须要实现的方法，它必须返回Item类型的值或者抛出一个DropItem异常。 返回的是Item对象，那么此Item会被低优先级的Item Pipeline的process_item()方法处理，直到所有的方法被调用完毕。 如果它抛出的是DropItem异常，那么此Item会被丢弃，不再进行处理。 process_item()方法的参数有如下两个。 item，是Item对象，即被处理的Item。 spider，是Spider对象，即生成该Item的Spider。 2. open_spider(spider)。 在Spider开启的时候被自动调用的。在这里我们可以做一些初始化操作，如开启数据库连接等。其中，参数spider就是被开启的Spider对象。 3. close_spider(spider)。 在Spider关闭的时候自动调用的。在这里我们可以做一些收尾工作，如关闭数据库连接等。其中，参数spider就是被关闭的Spider对象。 4. from_crawler(cls, crawler)。 是一个类方法，用@classmethod标识，是一种依赖注入的方式。它的参数是crawler，通过crawler对象，我们可以拿到Scrapy的所有核心组件，如全局配置的每个信息，然后创建一个Pipeline实例。
使用
1. 先写Item类
import scrapy class TxtItem(scrapy.Item): content = scrapy.Field() href = scrapy.Field()
2. 再写pipeline类
# pipeline是所有爬虫公用的, 给某个爬虫定制pipeline, 使用spider.name
from scrapy.exceptions import DropItem class TxtPipeline(object): """ 源码内容： 1. 判断当前XdbPipeline类中是否有from_crawler 有： obj = XdbPipeline.from_crawler(....) 否： obj = XdbPipeline() 2. obj.open_spider() 3. obj.process_item()/obj.process_item()/obj.process_item()/obj.process_item()/obj.process_item() 4. obj.close_spider() """ def __init__(self, path): self.f = None self.path = path @classmethod def from_crawler(cls, crawler): # 初始化时, 用于创建pipeline对象 path = crawler.settings.get('TXTPATH') return cls(path) def open_spider(self, spider): # 爬虫开始执行 print('爬虫开始了') self.f = open(self.path, 'a+', encoding='utf-8') def process_item(self, item, spider): # item为字典数据格式 # yield item对象时, 执行 print('保存在到数据库中...') self.f.write(json.dumps(dict(item), ensure_ascii=False)+'\n') # return item # 交给下一个pipeline的process_item()方法 raise DropItem() # 下一个pipeline的process_item方法中断不执行 def close_spider(self, spider): # 爬虫结束时执行 print('爬虫结束了') self.f.close()
3. 配置pipeline
# 可以配置多个pipeline, 值越小, 优先级越高
ITEM_PIPELINES = { 'scrapy_env.pipelines.TxtPipeline': 300, }
4. 爬虫中
# yield每执行一次，process_item就调用一次。
yield TxtItem(content=content, href=href) # 会自动执行pipeline里的process_item方法
四. url去重规则
原理: 把爬取请求放到调度器的爬取队列前先去配置文件里指定的【去重规则类】里检验
1. 系统默认的url去重规则
# dont_filter=False (遵从去重规则, 默认配置) # dont_filter=True (不遵从去重规则) yield Request(url=page, callback=self.parse, dont_filter=False)
2. 自定义去重规则
1. 编写类DupeFilter
from scrapy.dupefilter import BaseDupeFilter from scrapy.utils.request import request_fingerprint class CustomizeDupeFilter(BaseDupeFilter): """ 自定义的url去重规则 :return: True表示已经访问过；False表示未访问过 """ def __init__(self): self.visited_fd = set() def request_seen(self, request): print('去重中') fd = request_fingerprint(request) # url的唯一标示 if fd in self.visited_fd: return True self.visited_fd.add(fd) def open(self): print('引擎开始///') def close(self, reason): print('引擎结束///')
2. 配置
DUPEFILTER_CLASS = 'scrapy_env.dupefilter.CustomizeDupeFilter'
3. 爬虫中
yield Request(url=page, callback=self.parse) # 默认是使用去重规则的
五. 控制爬虫爬取的url深度
1 配置文件中
DEPTH_LIMIT = 4 # 爬取深度为4的url
# 爬虫中看一下深度
print(response.meta.get('depth', 0))
六. cookie
方式一:手动携带cookie
import scrapy from scrapy.http.request import Request from scrapy.http.cookies import CookieJar class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://chouti.com/'] cookie_dict = {} def parse(self, response): # 6.1 去响应头中获取cookie, 保存在cookie_jar对象中 cookie_jar = CookieJar() cookie_jar.extract_cookies(response, response.request) # 6.2 去cookie_jar对象中将cookie解析到字典中 for k, v in cookie_jar._cookies.items(): for i, j in v.items(): for m, n in j.items(): self.cookie_dict[m] = n.value print(self.cookie_dict) # 6.3 携带cookie去登录 yield Request(url='https://dig.chouti.com/login', method='post', headers={ 'content-type': 'application/x-www-form-urlencoded; charset=UTF-8' }, body='phone=8618648957737&password=/***/&oneMonth=1', cookies=self.cookie_dict, callback=self.check_result ) def check_result(self, response): print(response.text)
方式二:通过设置meta自动携带cookie
import scrapy from scrapy.http.request import Request class ChoutiSpider(scrapy.Spider): name = 'chouti' allowed_domains = ['chouti.com'] start_urls = ['http://chouti.com/'] def start_requests(self): url = 'http://dig.chouti.com/' # 1 设置了meta的cookiejar=True yield Request(url=url, callback=self.login, meta={'cookiejar': True}) def login(self, response): # print(response.headers.getlist('Set-Cookie')) yield Request( url='http://dig.chouti.com/login', method='POST', headers={'content-type': 'application/x-www-form-urlencoded; charset=UTF-8'}, body='phone=8618648957737&password=woshiniba&oneMonth=1', callback=self.check_result, meta={'cookiejar': True} # 2 会自动携带cookie过去 ) def check_result(self, response): print('检查结果') print(response.text)
七. scrapy设置代理
内置实现
1 环境变量设置
# 在爬虫启动时，提前在os.envrion中设置代理即可。 def start_requests(self): import os os.environ['HTTPS_PROXY'] = "http://root:woshiniba@192.168.11.11:9999/" os.environ['HTTP_PROXY'] = '19.11.2.32'
2 通过meta传参
# 粒度更细 yield Request(url=url,callback=self.parse,meta={'proxy':'"http://root:woshiniba@192.168.11.11:9999/"'})
自定义
3 通过自定义下载中间件
import base64 import random from six.moves.urllib.parse import unquote try: from urllib2 import _parse_proxy except ImportError: from urllib.request import _parse_proxy from six.moves.urllib.parse import urlunparse from scrapy.utils.python import to_bytes class XdbProxyMiddleware(object): def _basic_auth_header(self, username, password): user_pass = to_bytes( '%s:%s' % (unquote(username), unquote(password)), encoding='latin-1') return base64.b64encode(user_pass).strip() def process_request(self, request, spider): PROXIES = [ "http://root:woshiniba@192.168.11.11:9999/", "http://root:woshiniba@192.168.11.12:9999/", "http://root:woshiniba@192.168.11.13:9999/", "http://root:woshiniba@192.168.11.14:9999/", "http://root:woshiniba@192.168.11.15:9999/", "http://root:woshiniba@192.168.11.16:9999/", ] url = random.choice(PROXIES) orig_type = "" proxy_type, user, password, hostport = _parse_proxy(url) proxy_url = urlunparse((proxy_type or orig_type, hostport, '', '', '', '')) if user: creds = self._basic_auth_header(user, password) else: creds = None request.meta['proxy'] = proxy_url if creds: request.headers['Proxy-Authorization'] = b'Basic ' + creds
八. 中间件
爬虫中间件
# 应用: 深度,优先级
1. 写中间件
class SpiderMiddleware(object): def process_spider_input(self,response, spider): """ 下载完成，执行，然后交给parse处理 :param response: :param spider: :return: """ pass def process_spider_output(self,response, result, spider): """ spider处理完成，返回时调用 :param response: :param result: :param spider: :return: 必须返回包含 Request 或 Item 对象的可迭代对象(iterable) """ return result def process_spider_exception(self,response, exception, spider): """ 异常调用 :param response: :param exception: :param spider: :return: None,继续交给后续中间件处理异常；含 Response 或 Item 的可迭代对象(iterable)，交给调度器或pipeline """ return None def process_start_requests(self,start_requests, spider): """ 爬虫启动时调用 :param start_requests: :param spider: :return: 包含 Request 对象的可迭代对象 """ return start_requests
2. 配置
SPIDER_MIDDLEWARES = { # 'xdb.middlewares.XdbSpiderMiddleware': 543, 'xdb.sd.Sd1': 666, 'xdb.sd.Sd2': 667, }
下载中间件
# 应用: 更换代理IP，更换Cookies，更换User-Agent，自动重试。
1. 写中间件
class DownMiddleware1(object): def process_request(self, request, spider): """ 请求需要被下载时，经过所有下载器中间件的process_request调用 :param request: :param spider: :return: None,继续后续中间件去下载； Response对象，停止process_request的执行，开始执行process_response Request对象，停止中间件的执行，将Request重新调度器 raise IgnoreRequest异常，停止process_request的执行，开始执行process_exception """ pass def process_response(self, request, response, spider): """ spider处理完成，返回时调用 :param response: :param result: :param spider: :return: Response 对象：转交给其他中间件process_response Request 对象：停止中间件，request会被重新调度下载 raise IgnoreRequest 异常：调用Request.errback """ print('response1') return response def process_exception(self, request, exception, spider): """ 当下载处理器(download handler)或 process_request() (下载中间件)抛出异常 :param response: :param exception: :param spider: :return: None：继续交给后续中间件处理异常； Response对象：停止后续process_exception方法 Request对象：停止中间件，request将会被重新调用下载 """ return None
2. 配置
DOWNLOADER_MIDDLEWARES = { #'xdb.middlewares.XdbDownloaderMiddleware': 543, # 'xdb.proxy.XdbProxyMiddleware':751, 'xdb.md.Md1':666, 'xdb.md.Md2':667, }
九. 执行脚本
1. 单爬虫运行
import sys from scrapy.cmdline import execute if __name__ == '__main__': execute(["scrapy","crawl","chouti","--nolog"])
2. 所有爬虫
a,在spiders同级创建任意目录，如：commands
b,在其中创建 crawlall.py 文件 （此处文件名就是自定义的命令）
from scrapy.commands import ScrapyCommand from scrapy.utils.project import get_project_settings class Command(ScrapyCommand): requires_project = True def syntax(self): return '[options]' def short_desc(self): return 'Runs all of the spiders' def run(self, args, opts): spider_list = self.crawler_process.spiders.list() for name in spider_list: self.crawler_process.crawl(name, **opts.__dict__) self.crawler_process.start()
c,在settings.py 中添加配置 COMMANDS_MODULE = '项目名称.目录名称'
d,在项目目录执行命令
scrapy crawlall
十. 自定义扩展
自定义扩展时，利用信号在指定位置注册制定操作
1. 自定义类
from scrapy import signals class MyExtension(object): def __init__(self, value): self.value = value @classmethod def from_crawler(cls, crawler): val = crawler.settings.getint('MMMM') ext = cls(val) crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened) crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed) return ext def spider_opened(self, spider): print('open') def spider_closed(self, spider): print('close')
2. 配置自定义扩展
EXTENSIONS = { # 'scrapy.extensions.telnet.TelnetConsole': None, 'xdb.ext.MyExtend': 666, }
十一. scrapy-redis
scrapy-redis是一个基于redis的scrapy组件，通过它可以快速实现简单分布式爬虫程序，该组件本质上提供的功能：
1. dupefilter - URL去重规则（被调度器使用）
2. scheduler - 调度器
3. pipeline - 数据持久化
4. 定制起始URL
URL去重规则的三个方案: (推荐方案3)
1. 完全自定义
from scrapy.dupefilters import BaseDupeFilter class DdbDuperFiler(BaseDupeFilter): """ 基于redis的去重: 1 完全自定义 """ def __init__(self): # 第一步: 连接redis self.conn = Redis(host='127.0.0.1', port='6379') def request_seen(self, request): """ 第二步: 检测当前请求是否已经被访问过 :return: True表示已经访问过；False表示未访问过 """ # 方式一 直接将url添加进集合中作为判断 # result = self.conn.sadd('urls', request.url) # if result == 1: # return False # return True # 方式二 先fingerprint再将url添加进集合中作为判断 fd = request_fingerprint(Request(url=request.url)) result = self.conn.sadd('urls', fd) if result == 1: return False return True
DUPEFILTER_CLASS = 'ddb.dup.DdbDuperFiler'
2. 使用scrapy-redis
# 连接方式1 # REDIS_HOST = '127.0.0.1' # REDIS_PORT = '6379' # REDIS_PARAMS = {'password':'beta'} # redis连接参数 # 连接方式2(优先级高于1) REDIS_URL = 'redis://127.0.0.1:6379' # 'redis://user:pass@hostname:9001' REDIS_ENCODING = 'utf-8' DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter' DUPEFILTER_KEY = 'dupefilter:%(timestamp)s' # 这是默认配置
3. 继承scrapy-redis并实现自定义
from scrapy_redis.connection import get_redis_from_settings from scrapy_redis.dupefilter import RFPDupeFilter from scrapy_redis import defaults class RedisDuperFiler(RFPDupeFilter): """ 基于redis_redis的去重: 3 实现自定义redis中存储的键的名字 """ @classmethod def from_settings(cls, settings): """Returns an instance from given settings. """ server = get_redis_from_settings(settings) # XXX: This creates one-time key. needed to support to use this # class as standalone dupefilter with scrapy's default scheduler # if scrapy passes spider on open() method this wouldn't be needed # TODO: Use SCRAPY_JOB env as default and fallback to timestamp. key = defaults.DUPEFILTER_KEY % {'timestamp': 'xiaodongbei'} debug = settings.getbool('DUPEFILTER_DEBUG') return cls(server, key=key, debug=debug)
REDIS_HOST = '127.0.0.1' REDIS_PORT = '6379' # REDIS_PARAMS = {'password':'beta'} # redis连接参数 REDIS_ENCODING = 'utf-8' DUPEFILTER_CLASS = 'ddb.dup.RedisDuperFiler' DUPEFILTER_KEY = 'dupefilter:%(timestamp)s' # 这是默认配置
调度器
# scrapy_redis为我们实现了配合Queue、DupFilter使用的调度器Scheduler
源码地址： from scrapy_redis.scheduler import Scheduler
# enqueue_request: 向调度器中添加任务
# next_request: 去调度器中获取一个任务
优先级队列时:
DEPTH_PRIORITY = 1 # 广度优先 DEPTH_PRIORITY = -1 # 深度优先
使用
# 1 连接redis配置 REDIS_HOST = '127.0.0.1' REDIS_PORT = '6379' REDIS_ENCODING = 'utf-8' # 2 去重的配置 DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter' # 3 调度器的配置 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 调度器的其他配置 SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue' # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表） SCHEDULER_QUEUE_KEY = '%(spider)s:requests' # 调度器中请求存放在redis中的key SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" # 对保存到redis中的数据进行序列化，默认使用pickle SCHEDULER_PERSIST = True # 是否在关闭时候保留原来的调度器队列和去重记录，True=保留，False=清空(默认) SCHEDULER_FLUSH_ON_START = True # 是否在开始之前清空 调度器队列和去重记录，True=清空，False=不清空(默认) SCHEDULER_IDLE_BEFORE_CLOSE = 2 # 去调度器队列中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。 SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter' # 去重规则，在redis中保存时对应的key SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter' # 去重规则对应处理的类
起始URL
a. 获取起始URL时，去集合中获取还是去列表中获取？True，集合；False，列表 REDIS_START_URLS_AS_SET = False # 获取起始URL时，如果为True，则使用self.server.spop；如果为False，则使用self.server.lpop b. 编写爬虫时，起始URL从redis的Key中获取 REDIS_START_URLS_KEY = '%(name)s:start_urls'
