本博文将带领你从入门到精通爬虫框架Scrapy，最终具备爬取任何网页的数据的能力。本文以校花网为例进行爬取，校花网：http://www.xiaohuar.com/，让你体验爬取校花的成就感。
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。
|
1 |
|
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:
|
1 |
|
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：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
|
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
|
1 |
|
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：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
|
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：
|
1 2 3 4 5 |
|
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：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
|
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<qq>\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
def parse(self, response):
from scrapy.http.cookies import CookieJar
cookieJar = CookieJar()
cookieJar.extract_cookies(response, response.request)
print(cookieJar._cookies)
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：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
|
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<qq>\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
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
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。
|
1 2 3 4 5 |
|