网络爬虫：Scrapy爬虫框架

Scrapy爬虫框架

Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, School of Artificial and Intelligence, Huazhong University of Science and Technology

网络爬虫专栏链接

---

---

本教程主要参考中国大学慕课的 Python 网络爬虫与信息提取，为个人学习笔记。

在学习过程中遇到了一些问题，都手动记录并且修改更正，保证所有的代码为有效。且结合其他的博客总结了一些常见问题的解决方式。

本教程不商用，仅为学习参考使用。如需转载，请联系本人。

Reference

爬虫 MOOC

数据分析 MOOC

廖雪峰老师的 Python 教程

Scrapy爬虫框架介绍

Scrapy 是一个快速功能强大的网络爬虫框架

Win 平台: “以管理员身份运行” cmd ，执行

pip3 install scrapy
pip3 --time-out=2000 install scrapy

安装后小测：执行 scrapy ‐h

Scrapy 不是一个函数功能库，而是一个爬虫框架。

爬虫框架是实现爬虫功能的一个软件结构和功能组件集合，它是一个半成品，能够帮助用户实现专业网络爬虫。

Scrapy爬虫框架流程

结构，分布式，“5+2”结构

数据流的三个路径：

1 Engine 从 Spider 处获得爬取请求(Request)

2 Engine 将爬取请求转发给 Scheduler，用于调度

3 Engine 从 Scheduler 处获得下一个要爬取的请求

4 Engine 将爬取请求通过中间件发送给 Downloader

5 爬取网页后，Downloader 形成响应(Response)通过中间件发给 Engine

6 Engine 将收到的响应通过中间件发送给 Spider 处理

7 Spider 处理响应后产生爬取项(scraped Item)和新的爬取请求(Requests)给 Engine

8 Engine 将爬取项发送给 Item Pipeline(框架出口)

9 Engine 将爬取请求发送给 Scheduler

数据流的出入口：

Engine 控制各模块数据流，不间断从 Scheduler 处获得爬取请求，直至请求为空

框架入口：Spider 的初始爬取请求

框架出口：Item Pipeline

Engine

(1) 控制所有模块之间的数据流

(2) 根据条件触发事件

不需要用户修改

Downloader

根据请求下载网页，不需要用户修改

Scheduler

对所有爬取请求进行调度管理，不需要用户修改

Downloader Middleware

目的：实施 Engine、Scheduler 和 Downloader 之间进行用户可配置的控制

功能：修改、丢弃、新增请求或响应

用户可以编写配置代码

Spider

(1) 解析 Downloader 返回的响应(Response)

(2) 产生爬取项(scraped item)

(3) 产生额外的爬取请求(Request)

需要用户编写配置代码

Item Pipelines

(1) 以流水线方式处理 Spider 产生的爬取项

(2) 由一组操作顺序组成，类似流水线，每个操作是一个 Item Pipeline 类型

(3) 可能操作包括：清理、检验和查重爬取项中的 HTML 数据、将数据存储到数据库

需要用户编写配置代码

Spider Middleware

目的：对请求和爬取项的再处理

功能：修改、丢弃、新增请求或爬取项

用户可以编写配置代码

---

“5+2” 结构

Requests库和Scrapy爬虫框架对比

相同点：

两者都可以进行页面请求和爬取，Python 爬虫的两个重要技术路线

两者可用性都好，文档丰富，入门简单

两者都没有处理 js、提交表单、应对验证码等功能（可扩展）

不同点：

页面级爬虫	网站级爬虫
功能库	框架
并发性考虑不足，性能较差	并发性好，性能较高
重点在于页面下载	重点在于爬虫结构
定制灵活	一般定制灵活，深度定制困难
上手十分简单	入门稍难

选用哪个技术路线开发爬虫呢？

非常小的需求，requests 库

不太小的需求，Scrapy 框架

定制程度很高的需求（不考虑规模），自搭框架，requests > Scrapy

Scrapy爬虫的常用命令

Scrapy 是为持续运行设计的专业爬虫框架，提供操作的 Scrapy 命令行

Win 下，启动 cmd 控制台

scrapy -h

命令行格式：

scrapy  [options] [args]

主要命令在 command 部分编写

命令	说明	格式
startproject	创建一个新工程	scrapy startproject [dir]
genspider	创建一个爬虫	scrapy genspider [options]
settings	获得爬虫配置信息	scrapy settings [options]
crawl	运行一个爬虫	scrapy crawl
list	列出工程中所有爬虫	scrapy list
shell	启动URL调试命令行	scrapy shell [url]

为什么Scrapy采用命令行创建和运行爬虫？

命令行（不是图形界面）更容易自动化，适合脚本控制。本质上，Scrapy是给程序员用的，功能（而不是界面）更重要。

Scrapy爬虫实例

演示HTML页面地址：http://python123.io/ws/demo.html

文件名称：demo.html

应用Scrapy爬虫框架主要是编写配置型代码

步骤1：建立一个Scrapy爬虫工程

选取一个目录（E:\新桌面\python\练习代码\scrapy爬虫框架），然后执行如下命令：

scrapy startproject python123demo

生成工程目录如下：

步骤2：在工程中产生一个 Scrapy 爬虫

进入工程目录(E:\新桌面\python\练习代码\scrapy爬虫框架\python123demo)，然后执行如下命令：

scrapy genspider demo python123.io

该命令作用：

(1) 生成一个名称为 demo 的 spider

(2) 在 spiders 目录下增加代码文件 demo.py

该命令仅用于生成demo.py，该文件也可以手工生成

步骤3：配置产生的spider爬虫

配置：（1）初始 URL 地址 （2）获取页面后的解析方式

打开 demo.py

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):    #继承于scrapy.Spider
    name = 'demo'   #爬虫名字
    #allowed_domains = ['python123.io']  #只能爬取该域名以下的链接
    #start_urls = ['http://python123.io/']   #要爬取页面的初始页面
    start_urls = ['http://python123.io/ws/demo.html']	#上面两行对于这个程序没必要使用

    def parse(self, response):
        fname = response.url.split('/')[-1]   #将response返回的对象存储在文件中
        with open(fname, 'wb') as f:
            f.write(response.body)
        self.log('Save file %s' %fname)

步骤4：运行爬虫，获取网页

在命令行下(E:\新桌面\python\练习代码\scrapy爬虫框架\python123demo)，执行如下命令：

scrapy crawl demo

执行完成后，在工程目录下，生成了demo.html文件

demo.py代码的完整版本：

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):    #继承于scrapy.Spider
    name = 'demo'   #爬虫名字
    
	def start_requests(self):
    urls = ['http://python123.io/ws/demo.html']
    for url in urls:
        yield scrapy.Request(url = url, callback = self.parse)	
        #生成器写法，每次调用时才返回一个url链接

    def parse(self, response):
        fname = response.url.split('/')[-1]   #将response返回的对象存储在文件中
        with open(fname, 'wb') as f:
            f.write(response.body)
        self.log('Save file %s' %fname)

由此引入下一节，yield 关键字。

yield 关键字

yield 生成器：生成器每次产生一个值(yield 语句)，函数被冻结，被唤醒后再产生一个值。

生成器是一个不断产生值的函数。

>>> def gen(n):
	for i in range(n):
		yield i**2

>>> for i in gen(5):
	print(i,"",end="")

	
0 1 4 9 16 

生成器相比一次列出所有内容的优势：

更节省存储空间，响应更迅速，使用更灵活。

Scrapy爬虫的基本使用

步骤1：创建一个工程和 Spider 模板

步骤2：编写 Spider

步骤3：编写 Item Pipeline

步骤4：优化配置策略

Request类

class scrapy.http.Request()

Request 对象表示一个 HTTP 请求。由 Spider 生成，由 Downloader 执行。

属性或方法	说明
.url	Request 对应的请求 URL 地址
.method	对应的请求方法，‘GET’ ‘POST’ 等
.headers	字典类型风格的请求头
.body	请求内容主体，字符串类型
.meta	用户添加的扩展信息，在 Scrapy 内部模块间传递信息使用
.copy()	复制该请求

Response类

class scrapy.http.Response()

Response 对象表示一个 HTTP 响应。由 Downloader 生成，由 Spider 处理。

属性或方法	说明
.url	Response 对应的 URL 地址
.status	HTTP 状态码，默认是 200
.headers	Response 对应的头部信息
.body	Response 对应的内容信息，字符串类型
.flags	一组标记
.request	产生 Response 类型对应的 Request 对象
.copy()	复制该响应

Item类

class scrapy.item.Item()

Item 对象表示一个从 HTML 页面中提取的信息内容。由 Spider 生成，由 Item Pipeline 处理。

Item 类似字典类型，可以按照字典类型操作。

Scrapy爬虫支持多种HTML信息提取方法：

• Beautiful Soup，lxml，re，XPath Selector，CSS Selector

CSS Selector的基本使用

<HTML>.css('a::attr(href)').extract()