Scrapy简单入门及实例讲解
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, 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。
- 引擎(Scrapy)
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、爬虫举例
入门篇：美剧天堂前100最新（http://www.meijutt.com/new100.html）
1、创建工程
|
1
|
scrapy startproject movie
|
2、创建爬虫程序
|
1
2
|
cd movie
scrapy genspider meiju meijutt.com
|
3、自动创建目录及文件
4、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
5、设置数据存储模板
items.py
|
1
2
3
4
5
6
7
8
|
import scrapy
class
MovieItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
|
6、编写爬虫
meiju.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# -*- coding: utf-8 -*-
import scrapy
from
movie.items import MovieItem
class
MeijuSpider(scrapy.Spider):
name =
"meiju"
allowed_domains = [
"meijutt.com"
]
start_urls = [
'http://www.meijutt.com/new100.html'
]
def parse(self, response):
movies = response.xpath(
'//ul[@class="top-list fn-clear"]/li'
)
for
each_movie
in
movies:
item = MovieItem()
item[
'name'
] = each_movie.xpath(
'./h5/a/@title'
).extract()[0]
yield item
|
7、设置配置文件
settings.py增加如下内容
|
1
|
ITEM_PIPELINES = {
'movie.pipelines.MoviePipeline'
:100}
|
8、编写数据处理脚本
pipelines.py
|
1
2
3
4
|
class
MoviePipeline(
object
):
def process_item(self, item, spider):
with open(
"my_meiju.txt"
,
'a'
)
as
fp:
fp.write(item[
'name'
].encode(
"utf8"
) +
'\n'
)
|
9、执行爬虫
|
1
2
|
cd movie
scrapy crawl meiju --nolog
|
10、结果
进阶篇：爬取校花网（http://www.xiaohuar.com/list-1-1.html）
1、创建一个工程
|
1
|
scrapy startproject pic
|
2、创建爬虫程序
|
1
2
|
cd pic
scrapy genspider xh xiaohuar.com
|
3、自动创建目录及文件
4、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
5、设置数据存储模板
|
1
2
3
4
5
6
7
8
|
import scrapy
class
PicItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field()
|
6、编写爬虫
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
# -*- coding: utf-8 -*-
import scrapy
import os
# 导入item中结构化数据模板
from
pic.items import PicItem
class
XhSpider(scrapy.Spider):
# 爬虫名称，唯一
name =
"xh"
# 允许访问的域
allowed_domains = [
"xiaohuar.com"
]
# 初始URL
start_urls = [
'http://www.xiaohuar.com/list-1-1.html'
]
def parse(self, response):
# 获取所有图片的a标签
allPics = response.xpath(
'//div[@class="img"]/a'
)
for
pic
in
allPics:
# 分别处理每个图片，取出名称及地址
item = PicItem()
name = pic.xpath(
'./img/@alt'
).extract()[0]
addr = pic.xpath(
'./img/@src'
).extract()[0]
addr =
'http://www.xiaohuar.com'
+addr
item[
'name'
] = name
item[
'addr'
] = addr
# 返回爬取到的数据
yield item
|
7、设置配置文件
|
1
2
|
# 设置处理返回数据的类及执行优先级
ITEM_PIPELINES = {
'pic.pipelines.PicPipeline'
:100}
|
8、编写数据处理脚本
|
1
2
3
4
5
6
7
8
9
10
11
|
import urllib2
import os
class
PicPipeline(
object
):
def process_item(self, item, spider):
headers = {
'User-Agent'
:
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'
}
req = urllib2.Request(url=item[
'addr'
],headers=headers)
res = urllib2.urlopen(req)
file_name = os.path.
join
(r
'D:\my\down_pic'
,item[
'name'
]+
'.jpg'
)
with open(file_name,
'wb'
)
as
fp:
fp.write(res.read())
|
9、执行爬虫
|
1
2
|
cd pic
scrapy crawl xh --nolog
|
结果：
终极篇：我想要所有校花图
注明：基于进阶篇再修改为终极篇
# xh.py
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
# -*- coding: utf-8 -*-
import scrapy
import os
from
scrapy.http import Request
# 导入item中结构化数据模板
from
pic.items import PicItem
class
XhSpider(scrapy.Spider):
# 爬虫名称，唯一
name =
"xh"
# 允许访问的域
allowed_domains = [
"xiaohuar.com"
]
# 初始URL
start_urls = [
'http://www.xiaohuar.com/hua/'
]
# 设置一个空集合
url_set =
set
()
def parse(self, response):
# 如果图片地址以http://www.xiaohuar.com/list-开头，我才取其名字及地址信息
if
response.url.startswith(
"http://www.xiaohuar.com/list-"
):
allPics = response.xpath(
'//div[@class="img"]/a'
)
for
pic
in
allPics:
# 分别处理每个图片，取出名称及地址
item = PicItem()
name = pic.xpath(
'./img/@alt'
).extract()[0]
addr = pic.xpath(
'./img/@src'
).extract()[0]
addr =
'http://www.xiaohuar.com'
+addr
item[
'name'
] = name
item[
'addr'
] = addr
# 返回爬取到的信息
yield item
# 获取所有的地址链接
urls = response.xpath(
"//a/@href"
).extract()
for
url
in
urls:
# 如果地址以http://www.xiaohuar.com/list-开头且不在集合中，则获取其信息
if
url.startswith(
"http://www.xiaohuar.com/list-"
):
if
url
in
XhSpider.url_set:
pass
else
:
XhSpider.url_set.add(url)
# 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数
# from scrapy.http import Request
# Request(url,callback=self.parse)
yield self.make_requests_from_url(url)
else
:
pass
|