Scrapy的基本使用
目录
Scrapy是什么
安装
使用
获取更多页面信息
写入数据库
图片下载
文件下载
更改文件名称以及路径
更改图片名称以及路径
循环获取页面信息时，item的数据重复或者对不上
下载文件时获取文件流直接上传到某个地方
Scrapy是什么
Scrapy 是一个基于 Python 的开源网络爬虫框架，用于从网页中提取数据。它提供了一套高效、灵活和可扩展的工具，可以帮助开发者快速构建和部署爬虫程序。
Scrapy 框架具有以下特点：
-
高性能: Scrapy 采用异步的网络请求和处理机制，能够高效地处理大规模的网页抓取任务。
-
可配置性: Scrapy 提供了丰富的配置选项，可以通过配置文件或代码灵活地设置爬虫的行为，包括请求头、请求间隔、并发数等。
-
XPath 和 CSS 选择器: Scrapy 内置了强大的选择器，支持使用 XPath 和 CSS 选择器来定位和提取网页中的数据。
-
中间件和扩展: Scrapy 提供了中间件和扩展机制，开发者可以通过编写中间件和扩展来自定义和扩展框架的功能，例如自定义请求处理、数据处理、错误处理等。
-
分布式支持: Scrapy 可以与分布式任务队列（如 Celery）结合使用，实现分布式爬取和数据处理。
-
数据存储: Scrapy 支持将爬取到的数据存储到各种数据存储系统，包括文件、数据库（如 MySQL、PostgreSQL）和 NoSQL 数据库（如 MongoDB）等。
-
日志和调试: Scrapy 提供了强大的日志和调试功能，可以帮助开发者进行爬虫的调试和错误排查。
英文文档：Scrapy 2.9 documentation — Scrapy 2.9.0 documentation
https://docs.scrapy.org/en/latest/
中文文档：
Scrapy 2.5 documentation — Scrapy 2.5.0 文档
https://www.osgeo.cn/scrapy/
安装
-
确保你已经安装了Python。Scrapy是一个Python框架，所以你需要先安装Python。你可以从Python官方网站Welcome to Python.orgThe official home of the Python Programming Languagehttps://www.python.org/
-
打开命令行终端（Windows用户可以使用命令提示符或PowerShell，Mac和Linux用户可以使用终端）。
-
在命令行中运行以下命令来安装Scrapy：
pip install scrapy这将使用pip包管理器下载并安装Scrapy及其依赖项。
-
等待安装完成。这可能需要一些时间，因为Scrapy的安装过程涉及到下载和安装多个组件。
-
安装完成后，你可以通过在命令行中运行以下命令来验证Scrapy是否成功安装：
scrapy如果Scrapy成功安装，你将看到Scrapy的版本信息和可用命令列表。
使用
获取更多页面信息
代码的逻辑思维如下：
-
在
start_requests方法中，构造了多个请求，每个请求对应一个搜索结果页的URL。通过循环生成URL，并使用yield返回一个scrapy.Request对象，该对象包含URL和相关的参数。 -
在
parse方法中，处理搜索结果页的响应。首先解析响应的JSON数据，获取每个应用的相关信息。然后对于符合条件的应用，构造应用详情页面的URL，并使用yield返回一个新的scrapy.Request对象，以及使用cb_kwargs参数传递额外的数据。 -
在
parse_versions方法中，处理应用详情页面的响应。解析响应的JSON数据，获取应用的不同版本信息。根据版本号进行筛选和处理，最终构造每个版本的详情页面URL，并使用yield返回一个新的scrapy.Request对象。 -
在
parse_detail方法中，处理应用详情页面的响应。解析响应的JSON数据，提取应用的详细信息，如名称、版本、作者、简介等。根据需要进行数据处理和清洗。最后将提取的数据组织成一个PackageItem对象，并使用yield返回。 -
在
yield package_item处，将最终的数据对象PackageItem返回给Scrapy框架进行后续处理，例如存储到数据库或导出为文件。
至于如何获取深层页面的内容，这段代码通过构造新的请求对象，使用scrapy.Request来获取深层页面的内容。在每个页面的解析方法中，通过解析响应数据和提取所需的URL，再次构造新的请求对象，从而实现爬取深层页面的数据。这种方式可以实现页面之间的跳转和链式爬取，让爬虫可以深入到不同的页面进行数据提取和处理。
注意⚠️：因为保密工作，博主已将关键字段删除，所以以下代码是不可用状态，大家看看代码逻辑即可。
class HelmchartSpider(scrapy.Spider):
name = "helmchart"
allowed_domains = ["hello.io"]
def start_requests(self):
for num in range(10, 16):
yield scrapy.Request(
url=f"https://hello?offset={num * 60}"
)
#获取列表
def parse(self, response, **kwargs):
data = response.json()
packages_lists = data['packages']
for packages_list in packages_lists:
packages_list_url = f"https://hello/{package_item['repository_name'].lower()}/{package_item['normalized_name'].lower()}"
yield scrapy.Request(
url=packages_list_url,
callback=self.parse_versions,
headers={'Content-Type': 'application/yaml'},
cb_kwargs={"item": copy.deepcopy(package_item)},
)
#获取应用values文件内容
def parse_versions(self, response, **kwargs):
package_item = kwargs['item']
data = response.json()
versions = data.get('available_versions', [])
grouped_versions = {}
for version in versions:
major, _, _ = self.get_version_parts(version)
if major not in grouped_versions:
grouped_versions[major] = []
grouped_versions[major].append(version['version'])
merged_array = []
for values in grouped_versions.values():
merged_array.extend(values)
ver_rels = {}
major_versions = set()
for version in merged_array:
if len(version.split('.')) < 3:
continue
main_version = version.split('.')[0] + '.' + version.split('.')[1]
major_versions.add(version.split('.')[0])
if not ver_rels.get(main_version):
ver_rels[main_version] = version
elif ver_rels[main_version] < version:
ver_rels[main_version] = version
filtered_list = []
i = 3
int_major_versions = [int(major_version) for major_version in major_versions]
major_versions = sorted(int_major_versions, reverse=True)
for major_version in major_versions:
if i == 0:
break
versions = []
for version in merged_array:
main_version = version.split('.')[0] + '.' + version.split('.')[1]
if version.startswith(str(major_version) + '.') and (main_version not in versions):
versions.append(main_version)
versions.sort(reverse=True,
key=lambda x: list(map(int, x.split('.'))))
filtered_list.extend(versions[:3])
i -= 1
results = [ver_rels[version] for version in filtered_list]
for version in results:
url = f"https://hello?{package_item['repository_name'].lower()}/{package_item['normalized_name'].lower()}/{version}"
yield scrapy.Request(
url=url,
callback=self.parse_detail,
cb_kwargs={"item": copy.deepcopy(package_item)},
)
# 获取应用详情
def parse_detail(self, response, **kwargs):
package_item = kwargs['item']
data = response.json()
repository = data.get('repository')
if logo == "":
logo = 'https://hello.io/static/media/placeholder_pkg_helm.png'
else:
logo = f"https://hello.io/image/{logo}@2x"
# 下载地址请求
downloadUrl = data.get('content_url', '')
if "github.com" in downloadUrl:
downloadUrl = "https://ghproxy.com/" + downloadUrl
package_item['logo_image_id'] = logo
package_item["readme"] = html_content
package_item["file_urls"] = [downloadUrl]
package_item["category"] = category
package_item['version'] = data.get('version', '')
package_item['image_urls'] = [logo]
package_item['repository_name'] = repository.get('name', '')
# 获取应用的 id、名称、版本、作者名称、简介
package_item['package_id'] = data.get('package_id', '')
package_item['name'] = data.get('name', '')
package_item['normalized_name'] = data.get('normalized_name', '')
package_item['display_name'] = repository.get('display_name', 'null')
package_item['description'] = data.get('description', '')
if data.get('readme', '') and package_item["category"]:
yield package_item写入数据库
确保你已经安装了pymysql库。如果没有安装，可以使用以下命令进行安装：
pip install pymysql
定义一个名为DatabasePipeline的自定义Pipeline类。用于将数据存储到数据库中：
需要注意的是，这里的__init__、open_spider、close_spider、process_item都是内置的方法，可以选择在open_spider中进行数据库初始化，在process_item中进行操作，最后在close_spider中提交数据，断开连接。（数据库的基础操作就不多说了，有需要的可以去学学。）
class DbPipelin():
def __init__(self):
self.conn = None
self.cursor = None
def open_spider(self, spider):
self.conn = pymysql.connect(
host="localhost",
port=3306,
user='root',
password='gr123465!',
database='helmDetail',
charset="utf8mb4"
)
self.cursor = self.conn.cursor()
def close_spider(self, spider):
self.conn.commit()
self.conn.close()
def process_item(self, item, spider):
package_id = item.get("package_id", '')
name = item.get("name", '')
version = item.get("version", '')
description = item.get("description", '')
readme = item.get("readme", '')
logo_image_id = item.get("logo_image_id", '')
category = item.get('category', 0),
if not self.check_package_exists(package_id):
# package_id 不存在，执行插入操作
query = 'INSERT INTO chartDetail (package_id, name, version, description, readme, logo_image_id, category) VALUES (%s, %s, %s, %s, %s, %s, %s)'
self.cursor.execute(query, (package_id, name, version, description, readme, logo_image_id, category))
else:
# 获取相同 package_id 下的所有 version
versions = self.get_versions_by_package_id(package_id)
if version not in versions:
# 版本号不在相同 package_id 下的所有 version 中，执行插入操作
query = 'INSERT INTO chartDetail (package_id, name, version, description, readme, logo_image_id, category) VALUES (%s, %s, %s, %s, %s, %s, %s)'
self.cursor.execute(query, (package_id, name, version, description, readme, logo_image_id, category))
else:
# 版本号在相同 package_id 下的所有 version 中，执行更新操作
query = 'UPDATE chartDetail SET description = %s, readme = %s, logo_image_id = %s, category = %s WHERE package_id = %s and version = %s'
self.cursor.execute(query, (description, readme, logo_image_id, category, package_id, version))
return item
def check_package_exists(self, package_id):
# 查询 package_id 是否存在
query = 'SELECT package_id FROM chartDetail WHERE package_id = %s'
self.cursor.execute(query, (package_id,))
result = self.cursor.fetchone()
return bool(result)
def get_versions_by_package_id(self, package_id):
# 获取相同 package_id 下的所有 version
query = 'SELECT version FROM chartDetail WHERE package_id = %s'
self.cursor.execute(query, (package_id,))
versions = [v[0] for v in self.cursor.fetchall()]
return versions 在Scrapy项目的settings.py文件中添加管道配置：
ITEM_PIPELINES = {
"rainbondSpider.pipelines.DbPipelin": 100,
}图片下载
在Scrapy项目的settings.py文件中添加以下配置：
ITEM_PIPELINES = {
'scrapy.pipelines.images.ImagesPipeline': 1, # 内置的图片下载Pipeline
}
IMAGES_STORE = '/path/to/your/image/folder' # 图片保存的目录
在Spider中的Item定义中，添加一个名为image_urls的字段，用于存储需要下载的图片的URL。
import scrapy
class MyItem(scrapy.Item):
image_urls = scrapy.Field()
# 其他字段...
修改Spider中的parse方法，在解析每个项目时，通过yield语句将包含图片URL的Item传递给Pipeline进行处理。
import scrapy
class MySpider(scrapy.Spider):
name = 'my_spider'
def start_requests(self):
urls = [
'http://example.com/image1.jpg',
'http://example.com/image2.jpg',
# 更多图片URL...
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
item = MyItem()
item['image_urls'] = [response.url] # 将图片URL添加到item中
# 解析其他字段...
yield item
运行Scrapy爬虫，当解析到包含image_urls字段的Item时，scrapy.pipelines.images.ImagesPipeline会自动下载图片并将下载后的结果保存到配置的图片保存目录中。
文件下载
和上面下载图片的方式一样这里只需要进行一些基本的配置。
在Scrapy项目的settings.py文件中添加以下配置：
ITEM_PIPELINES = {
'scrapy.pipelines.files.FilesPipeline': 1, # 内置的文件下载Pipeline
}
FILES_STORE = '/path/to/your/file/folder' # 文件保存的目录
在Spider中的Item定义中，添加一个名为file_urls的字段，用于存储需要下载的文件的URL。
import scrapy
class MyItem(scrapy.Item):
file_urls = scrapy.Field()
# 其他字段...
修改Spider中的parse方法，在解析每个项目时，通过yield语句将包含文件URL的Item传递给Pipeline进行处理
import scrapy
class MySpider(scrapy.Spider):
name = 'my_spider'
def start_requests(self):
urls = [
'http://example.com/file1.pdf',
'http://example.com/file2.txt',
# 更多文件URL...
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
item = MyItem()
item['file_urls'] = [response.url] # 将文件URL添加到item中
# 解析其他字段...
yield item
更改文件名称以及路径
注意这里是重写了 file_path、get_media_requests这两个方法，通过get_media_requests将下载地址进行分解后得到版本信息，应用名称等关键信息，然后通过request的meta将文件传递到下一层，在file_path方法中将文件名称与保存地址重新赋值。这样就可以得到完整的地址了。
from scrapy.pipelines.files import FilesPipeline
class FileDownloadPipeline(FilesPipeline):
def file_path(self, request, response=None, info=None):
tgz = request.meta["tgz"]
file_name = tgz
return r'/rainchart/%s' % (file_name)
def get_media_requests(self, item, info):
if item["file_urls"]:
for url in item["file_urls"]:
tgz = url.split("/")[-1]
name = tgz.split("-")[0]
temp_version = tgz.split("-")[1]
version = temp_version.rstrip(".tgz")
mete = {
"tgz": tgz,
"name": name,
"version": version,
}
yield Request(url, meta=mete)更改图片名称以及路径
这里的思路和文件的更改方向一致。不再做过多赘述。附上代码。
class ImagesDownloadPipeline(ImagesPipeline):
def get_media_requests(self, item, info):
if item["image_urls"]:
for url in item["image_urls"]:
mete = {
"name": item["name"],
}
yield Request(url, meta=mete)
def file_path(self, request, response=None, info=None):
name = request.meta["name"]
image_guid = name
return f'/rainchart/{image_guid}.jpg'循环获取页面信息时，item的数据重复或者对不上
这里我的代码应该是循环了两次，一次获得应用名，一次获得版本信息，按照理想状态，最后的item数据每个都是唯一的，但是实际情况是最后的item很多数据都是重复和错乱的，要么导致不同应用的下载地址与版本一样或者错乱。
查找原因后，发现是因为使用 Request 函数传递 item 时，使用的是浅复制（对象的字段值被复制时，字段引用的对象不会被复制
解决方法就是添加一个copy.deepcopy()将数据深拷贝一下就行了。
下载文件时获取文件流直接上传到某个地方
如题所示，老板总能让你在意想不到的地方干意想不到的事，Scrapy本来只是抓取保存处理数据的地方，但是却让人在这里发请求，上传文件，头像，信息等等。信息什么的倒还好，存数据库时顺带发一下就行，但是，文件头像的下载是异步执行，所有程序完成以后才会保存到对应的文件夹下。在普通的item里是能拿到files列表里的信息的，但是会有问题，指向的路径此时为空，因为异步的原因。所以这里有两种方法。
第一种单独写个脚本，在爬虫程序执行完以后，将固定文件夹下的所有文件按次序上传。以下是一个脚本示例。
import os
import requests
def get_all_files_in_folder(folder_path):
file_list = []
for root, dirs, files in os.walk(folder_path):
for file_name in files:
file_path = os.path.join(root, file_name)
file_list.append(file_path)
return file_list
# 指定文件夹路径
folder_path = 'rainbond_images/rainchart'
# 获取该文件夹下的所有文件
files = get_all_files_in_folder(folder_path)
headers={'Content-Type': 'image/jpeg'}
# 打印文件列表
for file_path in files:
with open(file_path, 'rb') as file:
file_data = file.read()
file_name_with_ext = os.path.basename(file_path)
file_name = os.path.splitext(file_name_with_ext)[0]
print(file_name)
market_id = "859a51f9bb3b48b5bfd222e3bef56425"
url = "https://hello.com/app-server/markets/{}/helm/{}/icon".format(market_id, file_name)
resp = requests.post(url=url, data=file_data, headers=headers)
第二种是 直接改Scrapy的源码。直接将buf（二进制文件流）传过去。
源码：
def file_downloaded(self, response, request, info, *, item=None):
path = self.file_path(request, response=response, info=info, item=item)
buf = BytesIO(response.body)
checksum = md5sum(buf)
buf.seek(0)
self.store.persist_file(path, buf, info)
return checksum
修改后：
def file_downloaded(self, response, request, info, *, item=None):
buf = BytesIO(response.body)
checksum = md5sum(buf)
buf.seek(0)
url = "https://hello/api/charts"
headers = {"Content-Type": "application/octet-stream"}
chart_resp = requests.post(url, headers=headers, data=buf).json()博主是个前端小菜鸡，这也是被老板硬忽悠着去干了爬虫，走了太多太多的坑，循环，深浅拷贝，异步，数据库存储等等等等，python，数据库，scrapy都是现学现用，确实给累好了这两周，简单记录一下，希望对各位有所帮助。唉难受死了