【转】Python3 Scrapy爬虫框架-使用

创建Scrapy项目

1 # https://github.com/My-Sun-Shine/Python/tree/master/Python3/Scrapy_Learn/Scrapy_A
2 scrapy startproject Scrapy_A

 

• 项目结构：  
• scrapy.cfg：Scrapy项目的配置文件，定义了项目文件路径、不算
• Scrapy_A：项目的模块，需要从这里引入
• spiders：其中包括一个个Spider的实现，每个Spider都有一个文件
• items.py：定义Item数据结构，存放所有的Item的定义，定义爬取的数据结构
• middlewares.py：定义爬取时的中间件，定义Spider Middlewares和Downloader Middlewares的实现
• pipelines.py：定义数据管道，定义Item Pipeline的实现，存放所有的Item Pipeline的实现
• settings.py：定义项目的全局配置
• 创建爬虫：进入到Scrapy_A文件中，使用命名行创建一个Spider

# 创建quotes.py这个Spider
scrapy genspider quotes quotes.toscrape.com
# quotes.py
# -*- coding: utf-8 -*-
import scrapy

class QuotesSpider(scrapy.Spider):
    name = 'quotes'                # 项目的唯一名字，区分不同的Spider
    allowed_domains = ['quotes.toscrape.com']     # 允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉
    start_urls = ['http://quotes.toscrape.com/'] # 爬虫启动时爬取的url列表，初始请求由它来定义

    def parse(self, response):    # 该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求
        """默认情况下，在start_urls里面的链接构成的请求完成下载执行后，返回的响应就会作为唯一参数传给该函数"""
        pass

 

• 创建Item：Item是保存爬取数据的容器

# items.py
import scrapy

class QuoteItem(scrapy.Item):
    """创建Item需要继承scrapy.Item类，定义类型scrapy.Field字段"""
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

 

• 进行爬虫解析，编写QuotesSpider

# quotes.py
import scrapy
from Scrapy_A.items import QuoteItem

class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    allowed_domains = ['quotes.toscrape.com']
    start_urls = ['http://quotes.toscrape.com/']

    def parse(self, response):
        """response是start_urls里面的链接爬取后的结果，使用parse()方法进行解析，使用CSS选择器或者XPath选择器"""
        quotes = response.css('.quote')
        for quote in quotes:
            item = QuoteItem() # 声明数据类Item
            # extract_first()方法获取第一个元素；extract()方法获取所有结果组成的列表
            item['text'] = quote.css('.text::text').extract_first()
            item['text'] = quote.css('.author::text').extract_first()
            item['tags'] = quote.css('.tags .tag::text').extract()
            yield item

        next_page = response.css('.pager .next a::attr("href")').extract_first() # 获取下一页
        url = response.urljoin(next_page)
        # url：请求链接；callback：回调函数，当得到url响应的时候，回调parse()方法
        yield scrapy.Request(url=url, callback=self.parse)

 

• 运行爬虫

scrapy crawl quotes    　　　　　　　　　　 # 爬取结果显示到控制台上
scrapy crawl quotes -o quotes.json       # 爬取结果保存在JSON文件中
scrapy crawl quotes -o quotes.jl         # 每一个Item输出一行JSON，jl是jsonlines的缩写
scrapy crawl quotes -o quotes.jsonlines  # 每一个Item输出一行JSON
scrapy crawl quotes -o quotes.csv        # 爬取结果保存在CSV文件中
scrapy crawl quotes -o quotes.xml        # 爬取结果保存在XML文件中
scrapy crawl quotes -o quotes.pickle     # 爬取结果保存在Pickle文件中
scrapy crawl quotes -o quotes.marshal    # 爬取结果保存在marshal格式文件中
# ftp远程输出，需要配置用户名，密码，地址，输出路径
scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv

 

• 使用Item Pipeline：Item Pipeline为项目管道，当Item生成后，它会自动被传送到Item Pipeline进行处理（清理HTML数据、验证爬取数据、检测爬取字段、查重并丢弃重复内容、将爬取结果保存到数据库）

# pipelines.py
# -*- coding: utf-8 -*-
from scrapy.exceptions import DropItem
import pymongo

class TextPipeline(object):
    def __init__(self):
        self.limit = 50

    def process_item(self, item, spider):
        """该方法必须返回包含数据的字典或Item对象或者抛出异常；item：每次爬虫生成的Item对象；spider：爬虫实例"""
        if item['text']:
            if len(item['text']) > self.limit:
                item['text'] = item['text'][0:self.limit].strip() + '...'
            return item
        else:
            return DropItem("Missing Text")

class MongoPipeline(object): # 存入数据库
    def __init__(self, mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri  # 链接
        self.mongo_db = mongo_db  # 数据库名

    @classmethod  # 标识这是一个依赖注入的方式
    def from_crawler(cls, crawler):
        """:param crawler: 得到全局配置的每个配置信息来自settings.py"""
        return cls(
            mongo_uri=crawler.settings.get('MONGO_URI'),
            mongo_db=crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider): # 当爬虫开启的时候，这个方法被调用
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def process_item(self, item, spider): # 实现数据插入
        name = item.__class__.__name__
        self.db[name].insert(dict(item))
        return item

    def close_spider(self, spider): # 爬虫关闭的时候，该方法被调用
        self.client.close()

 

• 配置对应Item Pipeline的settings.py

# settings.py
# 键名是Pipeline的类名称，键值是调用优先级，数字越小则对应的Pipeline越先被调用
ITEM_PIPELINES = {
    'Scrapy_A.pipelines.TextPipeline': 300,
    'Scrapy_A.pipelines.MongoPipeline': 400,
}
MONGO_URL = 'localhost'
MONGO_DB = 'Scrapy_A'

 

• 再次运行爬虫

• Spider运行流程：Spider类定义了如何爬取某个网站的流程和解析方式
• 以初始的URL初始化Request，并设置回调函数，当Request成功请求并返回时，Response生成并作为参数传给该回调函数
• 在回调函数中分析返回的网页内容，返回的结果有两种形式：一种是解析到的有效结果返回字典或Item对象，它们可以经过处理或者直接保存；另外一种就是解析得到下一页的链接，可以利用该链接构造Request并设置新的回调函数，返回Request等待后续流程
• 如果返回的是字典或Item对象，通过Feed Exports等组件将返回结果存入到文件，如果设置了Pipline的话，可以使用Pipline处理(如过滤、修正)并保存
• 如果返回的是Request，那么Request执行成功得到Response之后，Response会被传递给Request中定义的回调函数，在回调函数中可以使用选择器来分析新得到的网页内容，并根据分析的数据生成Item

from：https://www.cnblogs.com/My-Sun-Shine/p/13551128.html