数据收集-scrapy爬虫框架（一）

scrapy的概念和流程

Scrapy是一个Python编写的开源网络爬虫框架。它是一个被设计用于爬取网络数据、提取结构性数据的框架。
scrapy文档

• 作用：少量的代码，就能够快速的抓取

爬虫流程

scrapy的流程

流程描述：

1. 爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
2. 调度器把request–>引擎–>下载中间件—>下载器
3. 下载器发送请求，获取response响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
4. 爬虫提取url地址，组装成request对象---->爬虫中间件—>引擎—>调度器，重复步骤2
5. 爬虫提取数据—>引擎—>管道处理和保存数据

内置对象

• request请求对象：由url method post_data headers等构成
• response响应对象：由url body status headers等构成
• item数据对象：本质是个字典

模块的具体作用

scrapy中每个模块的作用：
引擎(engine)：负责数据和信号在不腰痛模块间的传递
调度器(scheduler)：实现一个队列，存放引擎发过来的request请求对象
下载器(downloader)：发送引擎发过来的request请求，获取响应，并将响应交给引擎
爬虫(spider)：处理引擎发过来的response，提取数据，提取url，并交给引擎
管道(pipeline)：处理引擎传递过来的数据，比如存储
下载中间件(downloader middleware)：可以自定义的下载扩展，比如设置代理ip
爬虫中间件(spider middleware)：可以自定义request请求和进行response过滤，与下载中间件作用重复

初步使用

• 安装scrapy
  命令:sudo apt-get install scrapy 或：pip/pip3 install scrapy
• scrapy项目开发流程

1. 创建项目:
   scrapy startproject mySpider
2. 生成一个爬虫:
   scrapy genspider baidu baidu.com
3. 提取数据:
   根据网站结构在spider中实现数据采集相关内容
4. 保存数据:
   使用pipeline进行数据后续处理和保存

创建项目

• 创建scrapy项目的命令：
  scrapy startproject <项目名字>
  示例：scrapy startproject myspider

生成的目录和文件结果如下：

创建爬虫

• 命令：
  在项目路径下执行:
  scrapy genspider <爬虫名字> <允许爬取的域名>
• 爬虫名字: 作为爬虫运行时的参数
• 允许爬取的域名: 为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的url，如果爬取的url与允许的域不通则被过滤掉。
• 示例：
  cd myspider
  scrapy genspider itcast itcast.cn

完善爬虫

1. 在/myspider/myspider/spiders/itcast.py中修改内容如下:

import scrapy

class ItcastSpider(scrapy.Spider):  # 继承scrapy.spider
	# 爬虫名字 
    name = 'itcast' 
    # 允许爬取的范围
    allowed_domains = ['itcast.cn'] 
    # 开始爬取的url地址
    start_urls = ['http://www.itcast.cn/channel/teacher.shtml']
    
    # 数据提取的方法，接受下载中间件传过来的response
    def parse(self, response): 
    	# scrapy的response对象可以直接进行xpath
    	names = response.xpath('//div[@class="tea_con"]//li/div/h3/text()') 
    	print(names)

    	# 获取具体数据文本的方式如下
        # 分组
    	node_list = response.xpath('//div[@class="tea_con"]//li') 
        # 遍历所有教师结点
        for node in node_list:
            # temp={}
            #实例化
            temp=MyspiderItem()
            # xpath方法返回的是选择器对象列表[]
            #.extract()用于从选择器对象提取数据,多个值的列表
            # 如果xpath结果是只含有一个值的列表，用extract_first()
            temp["name"]=node.xpath('./div[2]/h3/text()').extract_first()
            temp["title"]=node.xpath('./div[2]/h4/text()')[0].extract()
            temp["desc"]=node.xpath('./div[2]/p/text()')[0].extract()
            print(temp)
            yield temp  #爬虫中返回数据通常用yield,翻页方便。return没法继续走

注意：

• scrapy.Spider爬虫类中必须有名为parse的解析
• 如果网站结构层次比较复杂，也可以自定义其他解析函数
• 在解析函数中提取的url地址如果要发送请求，则必须属于allowed_domains范围内，但是start_urls中的url地址不受这个限制，我们会在后续的课程中学习如何在解析函数中构造发送请求
• 启动爬虫的时候注意启动的位置，是在项目路径下启动
• parse()函数中使用yield返回数据，注意：解析函数中的yield能够传递的对象只能是：BaseItem, Request, dict, None

2. 定位元素以及提取数据、属性值的方法
   解析并获取scrapy爬虫中的数据: 利用xpath规则字符串进行定位和提取

• response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
• 额外方法extract()：返回一个包含有字符串的列表
• 额外方法extract_first()：返回列表中的第一个字符串，列表为空没有返回None

3. response响应对象的常用属性

• response.url：当前响应的url地址
• response.request.url：当前响应对应的请求的url地址
• response.headers：响应头
• response.requests.headers：当前响应的请求头
• response.body：响应体，也就是html代码，byte类型
• response.status：响应状态码

保存数据

利用管道pipeline来处理(保存)数据

• 在pipelines.py文件中定义对数据的操作

1. 定义一个管道类
   
2. 重写管道类的process_item方法
3. process_item方法处理完item之后必须返回给引擎

  import json
  
  class ItcastPipeline():
      # 爬虫文件中提取数据的方法每yield一次item，就会运行一次
      # 该方法为固定名称函数
      def process_item(self, item, spider):
          print(item)
          return item

• 在settings.py配置启用管道

ITEM_PIPELINES = {
       'myspider.pipelines.ItcastPipeline': 400
   }

配置项中键为使用的管道类，管道类使用.进行分割，第一个为项目目录，第二个为文件，第三个为定义的管道类。
配置项中值为管道的使用顺序，设置的数值约小越优先执行，该值一般设置为1000以内。

运行

命令：在项目目录下执行scrapy crawl <爬虫名字>
示例：scrapy crawl itcast

总结

1. scrapy的安装：pip install scrapy
2. 创建scrapy的项目: scrapy startproject myspider
3. 创建scrapy爬虫：在项目目录下执行 scrapy genspider itcast itcast.cn
4. 运行scrapy爬虫：在项目目录下执行 scrapy crawl itcast
5. 解析并获取scrapy爬虫中的数据：
   1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
   2. extract() 返回一个包含有字符串的列表
   3. extract_first() 返回列表中的第一个字符串，列表为空没有返回None
6. scrapy管道的基本使用:
   1. 完善pipelines.py中的process_item函数
   2. 在settings.py中设置开启pipeline
7. response响应对象的常用属性
   1. response.url：当前响应的url地址
   2. response.request.url：当前响应对应的请求的url地址
   3. response.headers：响应头
   4. response.requests.headers：当前响应的请求头
   5. response.body：响应体，也就是html代码，byte类型
   6. response.status：响应状态码

数据建模与请求

建模

• 建模原因

1. 定义item即提前规划好哪些字段需要抓，防止手误，因为定义好之后，在运行过程中，系统会自动检查
2. 配合注释一起可以清晰的知道要抓取哪些字段，没有定义的字段不能抓取，在目标字段少的时候可以使用字典代替
3. 使用scrapy的一些特定组件需要Item做支持，如scrapy的ImagesPipeline管道类

• 建模方法：在items.py文件中定义要提取的字段：

class MyspiderItem(scrapy.Item): 
    name = scrapy.Field()   # 讲师的名字
    title = scrapy.Field()  # 讲师的职称
    desc = scrapy.Field()   # 讲师的介绍

• 使用模板类
  模板类定义以后需要在爬虫中导入并且实例化，之后的使用方法和使用字典相同
  job.py：

from myspider.items import MyspiderItem   # 导入Item，注意路径
...
    def parse(self, response)

        item = MyspiderItem() # 实例化后可直接使用

        item['name'] = node.xpath('./h3/text()').extract_first()
        item['title'] = node.xpath('./h4/text()').extract_first()
        item['desc'] = node.xpath('./p/text()').extract_first()
        
        print(item)

注意：

1. from myspider.items import MyspiderItem这一行代码中 注意item的正确导入路径，忽略pycharm标记的错误
2. python中的导入路径要诀：从哪里开始运行，就从哪里开始导入

开发流程总结

1. 创建项目
   scrapy startproject 项目名
   
2. 明确目标
   在items.py文件中进行建模
3. 创建爬虫
   3.1 创建爬虫
   scrapy genspider 爬虫名 允许的域
   3.2 完成爬虫
   修改start_urls
   检查修改allowed_domains
   编写解析方法
4. 保存数据
   在pipelines.py文件中定义对数据处理的管道
   在settings.py文件中注册启用管道

翻页请求

• requests模块实现翻页请求：

1. 找到下一页的URL地址
2. 调用requests.get(url)

• scrapy实现翻页的思路：

1. 找到下一页的url地址
2. 构造url地址的请求对象，传递给引擎

构造Request对象、发送请求

实现方法：

1. 确定url地址
2. 构造请求，scrapy.Request(url,callback)
   • callback：指定解析函数名称，表示该请求返回的响应使用哪一个函数进行解析
3. 把请求交给引擎：yield scrapy.Request(url,callback)

网易招聘爬虫

通过爬取网易招聘的页面的招聘信息,学习如何实现翻页请求
地址：https://hr.163.com/position/list.do

思路分析：

1. 获取首页的数据
2. 寻找下一页的地址，进行翻页，获取数据

注意：

1. 可以在settings中设置ROBOTS协议
    # False表示忽略网站的robots.txt协议，默认为True
    ROBOTSTXT_OBEY = False

2. 可以在settings中设置User-Agent：
    # scrapy发送的每一个请求的默认UA都是设置的这个User-Agent
    USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'

代码实现

......
	# 提取下一页的href
	next_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()

	# 判断是否是最后一页
	if next_url != 'javascript:void(0)':

        # 构造完整url
        url = 'https://hr.163.com/position/list.do' + next_url

		# 构造scrapy.Request对象，并yield给引擎
		# 利用callback参数指定该Request对象之后获取的响应用哪个函数进行解析
    	yield scrapy.Request(url, callback=self.parse)
......

scrapy.Request的更多参数

scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])

参数解释

1. 中括号里的参数为可选参数
2. callback：表示当前的url的响应交给哪个函数去处理
3. meta：实现数据在不同的解析函数中传递，meta默认带有部分数据，比如下载延迟，请求深度等
4. dont_filter:默认为False，会过滤请求的url地址，即请求过的url地址不会继续被请求，对需要重复请求的url地址可以把它设置为Ture，比如贴吧的翻页请求，页面的数据总是在变化;start_urls中的地址会被反复请求，否则程序不会启动
5. method：指定POST或GET请求
6. headers：接收一个字典，其中不包括cookies
7. cookies：接收一个字典，专门放置cookies
8. body：接收json字符串，为POST的数据，发送payload_post请求时使用（在下一章节中会介绍post请求）

meta参数的使用

meta的作用：meta可以实现数据在不同的解析函数中的传递。

在爬虫文件的parse方法中，提取详情页增加之前callback指定的parse_detail函数：

def parse(self,response):
    ...
    yield scrapy.Request(detail_url, callback=self.parse_detail,meta={"item":item})
...
def parse_detail(self,response):
    #获取之前传入的item
    item = resposne.meta["item"]

特别注意

1. meta参数是一个字典
2. meta字典中有一个固定的键proxy，表示代理ip，关于代理ip的使用我们将在scrapy的下载中间件的学习中进行介绍

小结

1. 完善并使用Item数据类：
   1. 在items.py中完善要爬取的字段
   2. 在爬虫文件中先导入Item
   3. 实力化Item对象后，像字典一样直接使用
2. 构造Request对象，并发送请求：
   1. 导入scrapy.Request类
   2. 在解析函数中提取url
   3. yield scrapy.Request(url, callback=self.parse_detail, meta={})
3. 利用meta参数在不同的解析函数中传递数据:
   1. 通过前一个解析函数 yield scrapy.Request(url, callback=self.xxx, meta={}) 来传递meta
   2. 在self.xxx函数中 response.meta.get(‘key’, ‘’) 或 response.meta[‘key’] 的方式取出传递的数据

网易项目
提取岗位及岗位职责要求，meta传递参数

wangyi/spiders/job.py

import scrapy
from wangyi.items import WangyiItem

class JobSpider(scrapy.Spider):
    name = 'job'
    # 2.检查修改allowed_
    allowed_domains = ['163.com']
    # 1.修改起始start_url
    start_urls = ['https://hr.163.com/position/list.do']

    def parse(self, response):
        # 提取数据
        # 获取所有职位结点列表
        node_list = response.xpath('//tbody/tr')
        # node_list=response.xpath('//*[@class="position-tb"]/tbody/tr')
        print(len(node_list))
        # 遍历结点列表，过滤
        for num, node in enumerate(node_list):
            # print(num,node)
            # 设置过滤条件
            if num % 2 == 0:
                item = WangyiItem()
                item["name"] = node.xpath('./td[1]/a/text()').extract_first()
                # response.urljoin()用于拼接相对路径的url,可以理解成自动补全
                # item['link']=response.urljoin(node.xpath('./td[1]/a/text()').extract_first())
                item["link"] = 'https://hr.163.com/' + node.xpath('./td[1]/a/@href').extract_first()
                item["depart"] = node.xpath('./td[2]/text()').extract_first()
                item["category"] = node.xpath('./td[3]/text()').extract_first()
                item["type"] = node.xpath('./td[4]/text()').extract_first()
                item["address"] = node.xpath('./td[5]/text()').extract_first()
                item["num"] = node.xpath('./td[6]/text()').extract_first().strip()  # 用于去除字符串中的空格
                item["date"] = node.xpath('./td[7]/text()').extract_first()
                # yield item

                # 构建详情页面的请求
                yield scrapy.Request(
                    url=item['link'],
                    callback=self.parse_deatil,
                    meta={'item': item}
                )

        # 模拟翻页
        part_url = response.xpath('/html/body/div[2]/div[2]/div[2]/div/a[last()]/@href').extract_first()

        # 判断终止条件
        if part_url != 'javascript:void(0)':
            next_url = response.urljoin(part_url)
            yield scrapy.Request(
                url=next_url,
                callback=self.parse
            )

    def parse_deatil(self, response):
        # print(response.meta['item'])
        # 提取剩余字段的数据
        item = response.meta['item']
        item['duty'] = response.xpath(
            '/html/body/div[2]/div[2]/div[1]/div/div/div[2]/div[1]/div/text()').extract()  # 数据为多个
        item['require'] = response.xpath(
            '/html/body/div[2]/div[2]/div[1]/div/div/div[2]/div[2]/div/text()').extract()  # 数据为多个
        # print(item)

        # 返回给引擎
        yield item

wangyi/items.py

import scrapy
class WangyiItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    link = scrapy.Field()
    depart = scrapy.Field()
    category = scrapy.Field()
    type = scrapy.Field()
    address = scrapy.Field()
    num = scrapy.Field()
    date = scrapy.Field()

    duty = scrapy.Field()
    require = scrapy.Field()

wangyi/pipeline.py

import json
class WangyiPipeline:
    def __init__(self):
        self.file=open('wangyi.json','w')
    def process_item(self, item, spider):
        item=dict(item)
        str_data=json.dumps(item,ensure_ascii=False)+',\n'
        self.file.write(str_data)
        return item