python爬虫框架Scrapy爬取内容
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。
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:
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：
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：
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 )
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：
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 = "" "
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
选择器规则Demo
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：
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
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
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。