爬虫入门
Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和 自动化测试。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。
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
因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。
pip install Scrapy
|
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/
其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下载即可
二、基本使用
1、创建项目
运行命令:
scrapy startproject p1（your_project_name）
|
1
|
scrapy
startproject
p1（
your_project
_name）
|
2.自动创建目录的结果：
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
3、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
示例代码：
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" allowed_domains = ["xiaohuar.com"] start_urls = [ "http://www.xiaohuar.com/hua/", ] def parse(self, response): # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) current_url = response.url #爬取时请求的url body = response.body #返回的html unicode_body = response.body_as_unicode()#返回的html unicode编码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
class
XiaoHuarSpider
(
scrapy
.
spiders
.
Spider
)
:
name
=
"xiaohuar"
allowed_domains
=
[
"xiaohuar.com"
]
start_urls
=
[
"http://www.xiaohuar.com/hua/"
,
]
def
parse
(
self
,
response
)
:
# print(response, type(response))
# from scrapy.http.response.html import HtmlResponse
# print(response.body_as_unicode())
current_url
=
response
.
url
#爬取时请求的url
body
=
response
.
body
#返回的html
unicode_body
=
response
.
body_as_unicode
(
)
#返回的html unicode编码
|
备注：
- 1.爬虫文件需要定义一个类，并继承scrapy.spiders.Spider
- 2.必须定义name，即爬虫名，如果没有name，会报错。因为源码中是这样定义的：
- 3.编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；
- 4.定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码截图：
4、运行
进入p1目录，运行命令
scrapy crawl xiaohau --nolog
|
1
|
scrapy
crawl
xiaohau
--
nolog
|
格式：scrapy crawl+爬虫名 –nolog即不显示日志
5.scrapy查询语法：
当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：
- 查询子子孙孙中的某个标签(以div标签为例)：//div
- 查询儿子中的某个标签(以div标签为例)：/div
- 查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
- 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]
- 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
- 查询某个属性的值（例如查询a标签的href属性）：//a/@href
示例代码：
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)#创建查询对象 # 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): #如果url能够匹配到需要爬取的url，即本站url items = hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填写查询目标，按scrapy查询语法书写 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()#查询所有img标签的src属性，即获取校花图片地址 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容，即校花姓名 school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花学校 if src: ab_src = "http://www.xiaohuar.com" + src[0]#相对路径拼接 file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8 file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name) urllib.urlretrieve(ab_src, file_path)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
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
)
#创建查询对象
# 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
)
:
#如果url能够匹配到需要爬取的url，即本站url
items
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div'
)
#select中填写查询目标，按scrapy查询语法书写
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
(
)
#查询所有img标签的src属性，即获取校花图片地址
name
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'
%
i
)
.
extract
(
)
#获取span的文本内容，即校花姓名
school
=
hxs
.
select
(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'
%
i
)
.
extract
(
)
#校花学校
if
src
:
ab_src
=
"http://www.xiaohuar.com"
+
src
[
0
]
#相对路径拼接
file_name
=
"%s_%s.jpg"
%
(
school
[
0
]
.
encode
(
'utf-8'
)
,
name
[
0
]
.
encode
(
'utf-8'
)
)
#文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8
file_path
=
os
.
path
.
join
(
"/Users/wupeiqi/PycharmProjects/beauty/pic"
,
file_name
)
urllib
.
urlretrieve
(
ab_src
,
file_path
)
|
注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。
5.递归爬取网页
上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？
示例代码：
# 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)
|
1
2
3
4
5
|
# 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
)
|
即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。
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
6.scrapy查询语法中的正则：
from scrapy.selector import Selector from scrapy.http import HtmlResponse html = """ first item first item second item """ response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8') ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract() print(ret)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
from
scrapy
.
selector
import
Selector
from
scrapy
.
http
import
HtmlResponse
html
=
""
"
en
">
UTF
-
8
">
"
""
response
=
HtmlResponse
(
url
=
'http://example.com'
,
body
=
html
,
encoding
=
'utf-8'
)
ret
=
Selector
(
response
=
response
)
.
xpath
(
'//li[re:test(@class, "item-\d*")]//@href'
)
.
extract
(
)
print
(
ret
)
|
- 语法规则：Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract()，即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是”item-d*”，然后获取该标签的href属性。
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy import hashlib from tutorial.items import JinLuoSiItem from scrapy.http import Request from scrapy.selector import HtmlXPathSelector class JinLuoSiSpider(scrapy.spiders.Spider): count = 0 url_set = set() name = "jluosi" domain = 'http://www.jluosi.com' allowed_domains = ["jluosi.com"] start_urls = [ "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==", ] def parse(self, response): md5_obj = hashlib.md5() md5_obj.update(response.url) md5_url = md5_obj.hexdigest() if md5_url in JinLuoSiSpider.url_set: pass else: JinLuoSiSpider.url_set.add(md5_url) hxs = HtmlXPathSelector(response) if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'): item = JinLuoSiItem() item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract() item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract() item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P\d*)&') item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract() item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract() item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract() product_list = [] product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr') for i in range(2,len(product_tr)): temp = { 'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(), 'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(), } product_list.append(temp) item['product_list'] = product_list yield item current_page_urls = hxs.select('//a/@href').extract() for i in range(len(current_page_urls)): url = current_page_urls[i] if url.startswith('http://www.jluosi.com'): url_ab = url yield Request(url_ab, callback=self.parse) 选择器规则Demo 选择器规则Demo
|
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
import
hashlib
from
tutorial
.
items
import
JinLuoSiItem
from
scrapy
.
http
import
Request
from
scrapy
.
selector
import
HtmlXPathSelector
class
JinLuoSiSpider
(
scrapy
.
spiders
.
Spider
)
:
count
=
0
url_set
=
set
(
)
name
=
"jluosi"
domain
=
'http://www.jluosi.com'
allowed_domains
=
[
"jluosi.com"
]
start_urls
=
[
"http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ=="
,
]
def
parse
(
self
,
response
)
:
md5_obj
=
hashlib
.
md5
(
)
md5_obj
.
update
(
response
.
url
)
md5_url
=
md5_obj
.
hexdigest
(
)
if
md5_url
in
JinLuoSiSpider
.
url_set
:
pass
else
:
JinLuoSiSpider
.
url_set
.
add
(
md5_url
)
hxs
=
HtmlXPathSelector
(
response
)
if
response
.
url
.
startswith
(
'http://www.jluosi.com:80/ec/goodsDetail.action'
)
:
item
=
JinLuoSiItem
(
)
item
[
'company'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[1]/text()'
)
.
extract
(
)
item
[
'link'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[2]/text()'
)
.
extract
(
)
item
[
'qq'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]//a/@href'
)
.
re
(
'.*uin=(?P
item
[
'address'
]
=
hxs
.
select
(
'//div[@class="ShopAddress"]/ul/li[4]/text()'
)
.
extract
(
)
item
[
'title'
]
=
hxs
.
select
(
'//h1[@class="goodsDetail_goodsName"]/text()'
)
.
extract
(
)
item
[
'unit'
]
=
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()'
)
.
extract
(
)
product_list
=
[
]
product_tr
=
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr'
)
for
i
in
range
(
2
,
len
(
product_tr
)
)
:
temp
=
{
'standard'
:
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()'
%
i
)
.
extract
(
)
[
0
]
.
strip
(
)
,
'price'
:
hxs
.
select
(
'//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()'
%
i
)
.
extract
(
)
[
0
]
.
strip
(
)
,
}
product_list
.
append
(
temp
)
item
[
'product_list'
]
=
product_list
yield
item
current_page_urls
=
hxs
.
select
(
'//a/@href'
)
.
extract
(
)
for
i
in
range
(
len
(
current_page_urls
)
)
:
url
=
current_page_urls
[
i
]
if
url
.
startswith
(
'http://www.jluosi.com'
)
:
url_ab
=
url
yield
Request
(
url_ab
,
callback
=
self
.
parse
)
选择器规则
Demo
选择器规则
Demo
|
选择器规则Demo
def parse(self, response): from scrapy.http.cookies import CookieJar cookieJar = CookieJar() cookieJar.extract_cookies(response, response.request) print(cookieJar._cookies)
|
1
2
3
4
5
|
def
parse
(
self
,
response
)
:
from
scrapy
.
http
.
cookies
import
CookieJar
cookieJar
=
CookieJar
(
)
cookieJar
.
extract_cookies
(
response
,
response
.
request
)
print
(
cookieJar
.
_cookies
)
|
获取响应cookie
更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
7、格式化处理
上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。即不同功能用不同文件实现。
items：即用户需要爬取哪些数据，是用来格式化数据，并告诉pipelines哪些数据需要保存。
示例items.py文件：
# -*- 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 JieYiCaiItem(scrapy.Item): company = scrapy.Field() title = scrapy.Field() qq = scrapy.Field() info = scrapy.Field() more = scrapy.Field()
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# -*- 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
JieYiCaiItem
(
scrapy
.
Item
)
:
company
=
scrapy
.
Field
(
)
title
=
scrapy
.
Field
(
)
qq
=
scrapy
.
Field
(
)
info
=
scrapy
.
Field
(
)
more
=
scrapy
.
Field
(
)
|
即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。
上述定义模板，以后对于从请求的源码中获取的数据同样按照此结构来获取，所以在spider中需要有一下操作：
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy import hashlib from beauty.items import JieYiCaiItem from scrapy.http import Request from scrapy.selector import HtmlXPathSelector from scrapy.spiders import CrawlSpider, Rule from scrapy.linkextractors import LinkExtractor class JieYiCaiSpider(scrapy.spiders.Spider): count = 0 url_set = set() name = "jieyicai" domain = 'http://www.jieyicai.com' allowed_domains = ["jieyicai.com"] start_urls = [ "http://www.jieyicai.com", ] rules = [ #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换) #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))), #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换) #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"), ] def parse(self, response): md5_obj = hashlib.md5() md5_obj.update(response.url) md5_url = md5_obj.hexdigest() if md5_url in JieYiCaiSpider.url_set: pass else: JieYiCaiSpider.url_set.add(md5_url) hxs = HtmlXPathSelector(response) if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'): item = JieYiCaiItem() item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract() item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P\d*)&') item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract() item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract() item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract() yield item current_page_urls = hxs.select('//a/@href').extract() for i in range(len(current_page_urls)): url = current_page_urls[i] if url.startswith('/'): url_ab = JieYiCaiSpider.domain + url yield Request(url_ab, callback=self.parse) spider spider
|
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
48
49
50
51
52
53
54
55
56
57
58
59
60
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
import
hashlib
from
beauty
.
items
import
JieYiCaiItem
from
scrapy
.
http
import
Request
from
scrapy
.
selector
import
HtmlXPathSelector
from
scrapy
.
spiders
import
CrawlSpider
,
Rule
from
scrapy
.
linkextractors
import
LinkExtractor
class
JieYiCaiSpider
(
scrapy
.
spiders
.
Spider
)
:
count
=
0
url_set
=
set
(
)
name
=
"jieyicai"
domain
=
'http://www.jieyicai.com'
allowed_domains
=
[
"jieyicai.com"
]
start_urls
=
[
"http://www.jieyicai.com"
,
]
rules
=
[
#下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
#Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
#下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
#Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
]
def
parse
(
self
,
response
)
:
md5_obj
=
hashlib
.
md5
(
)
md5_obj
.
update
(
response
.
url
)
md5_url
=
md5_obj
.
hexdigest
(
)
if
md5_url
in
JieYiCaiSpider
.
url_set
:
pass
else
:
JieYiCaiSpider
.
url_set
.
add
(
md5_url
)
hxs
=
HtmlXPathSelector
(
response
)
if
response
.
url
.
startswith
(
'http://www.jieyicai.com/Product/Detail.aspx'
)
:
item
=
JieYiCaiItem
(
)
item
[
'company'
]
=
hxs
.
select
(
'//span[@class="username g-fs-14"]/text()'
)
.
extract
(
)
item
[
'qq'
]
=
hxs
.
select
(
'//span[@class="g-left bor1qq"]/a/@href'
)
.
re
(
'.*uin=(?P
item
[
'info'
]
=
hxs
.
select
(
'//div[@class="padd20 bor1 comard"]/text()'
)
.
extract
(
)
item
[
'more'
]
=
hxs
.
select
(
'//li[@class="style4"]/a/@href'
)
.
extract
(
)
item
[
'title'
]
=
hxs
.
select
(
'//div[@class="g-left prodetail-text"]/h2/text()'
)
.
extract
(
)
yield
item
current_page_urls
=
hxs
.
select
(
'//a/@href'
)
.
extract
(
)
for
i
in
range
(
len
(
current_page_urls
)
)
:
url
=
current_page_urls
[
i
]
if
url
.
startswith
(
'/'
)
:
url_ab
=
JieYiCaiSpider
.
domain
+
url
yield
Request
(
url_ab
,
callback
=
self
.
parse
)
spider
spider
|
spider
上述代码中：对url进行md5加密的目的是避免url过长，也方便保存在缓存或数据库中。
此处代码的关键在于：
- 将获取的数据封装在了Item对象中
- yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）
# -*- 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 import json from twisted.enterprise import adbapi import MySQLdb.cursors import re mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}') phone_re = re.compile(r'(\d+-\d+|\d+)') class JsonPipeline(object): def __init__(self): self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb') def process_item(self, item, spider): line = "%s %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8')) self.file.write(line) return item class DBPipeline(object): def __init__(self): self.db_pool = adbapi.ConnectionPool('MySQLdb', db='DbCenter', user='root', passwd='123', cursorclass=MySQLdb.cursors.DictCursor, use_unicode=True) def process_item(self, item, spider): query = self.db_pool.runInteraction(self._conditional_insert, item) query.addErrback(self.handle_error) return item def _conditional_insert(self, tx, item): tx.execute("select nid from company where company = %s", (item['company'][0], )) result = tx.fetchone() if result: pass else: phone_obj = phone_re.search(item['info'][0].strip()) phone = phone_obj.group() if phone_obj else ' ' mobile_obj = mobile_re.search(item['info'][1].strip()) mobile = mobile_obj.group() if mobile_obj else ' ' values = ( item['company'][0], item['qq'][0], phone, mobile, item['info'][2].strip(), item['more'][0]) tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values) def handle_error(self, e): print 'error',e pipelines pipelines
|
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
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
|
# -*- 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
import
json
from
twisted
.
enterprise
import
adbapi
import
MySQLdb
.
cursors
import
re
mobile_re
=
re
.
compile
(
r
'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}'
)
phone_re
=
re
.
compile
(
r
'(\d+-\d+|\d+)'
)
class
JsonPipeline
(
object
)
:
def
__init__
(
self
)
:
self
.
file
=
open
(
'/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json'
,
'wb'
)
def
process_item
(
self
,
item
,
spider
)
:
line
=
"%s %s\n"
%
(
item
[
'company'
]
[
0
]
.
encode
(
'utf-8'
)
,
item
[
'title'
]
[
0
]
.
encode
(
'utf-8'
)
)
self
.
file
.
write
(
line
)
return
item
class
DBPipeline
(
object
)
:
def
__init__
(
self
)
:
self
.
db_pool
=
adbapi
.
ConnectionPool
(
'MySQLdb'
,
db
=
'DbCenter'
,
user
=
'root'
,
passwd
=
'123'
,
cursorclass
=
MySQLdb
.
cursors
.
DictCursor
,
use_unicode
=
True
)
def
process_item
(
self
,
item
,
spider
)
:
query
=
self
.
db_pool
.
runInteraction
(
self
.
_conditional_insert
,
item
)
query
.
addErrback
(
self
.
handle_error
)
return
item
def
_conditional_insert
(
self
,
tx
,
item
)
:
tx
.
execute
(
"select nid from company where company = %s"
,
(
item
[
'company'
]
[
0
]
,
)
)
result
=
tx
.
fetchone
(
)
if
result
:
pass
else
:
phone_obj
=
phone_re
.
search
(
item
[
'info'
]
[
0
]
.
strip
(
)
)
phone
=
phone_obj
.
group
(
)
if
phone_obj
else
' '
mobile_obj
=
mobile_re
.
search
(
item
[
'info'
]
[
1
]
.
strip
(
)
)
mobile
=
mobile_obj
.
group
(
)
if
mobile_obj
else
' '
values
=
(
item
[
'company'
]
[
0
]
,
item
[
'qq'
]
[
0
]
,
phone
,
mobile
,
item
[
'info'
]
[
2
]
.
strip
(
)
,
item
[
'more'
]
[
0
]
)
tx
.
execute
(
"insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)"
,
values
)
def
handle_error
(
self
,
e
)
:
print
'error'
,
e
pipelines
pipelines
|
上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。
ITEM_PIPELINES = { 'beauty.pipelines.DBPipeline': 300, 'beauty.pipelines.JsonPipeline': 100, } # 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。
|
1
2
3
4
5
|
ITEM_PIPELINES
=
{
'beauty.pipelines.DBPipeline'
:
300
,
'beauty.pipelines.JsonPipeline'
:
100
,
}
# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。
|
总结：本文对python爬虫框架Scrapy做了详细分析和实例讲解，如果本文对您有参考价值，欢迎帮博主点下文章下方的推荐，谢谢！