1. Scrapy框架

Scrapy功能非常强大，爬取效率高，相关扩展组件多，可配置和可扩展程度非常高，它几乎可以应对所有反爬网站，是目前Python中使用最广泛的爬虫框架。

1.1 Scrapy介绍

1.1.1 架构介绍

Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，可以灵活完成各种需求。我们只需要定制开发几个模块就可以轻松实现一个爬虫。

它可以分为如下的几个部分：

Engine：引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。

Item：项目，它定义了爬取结果的数据结构，爬取的数据会被赋值成该Item对象。

Scheduler：调度器，接受引擎发过来的请求并将其加入队列中，在引擎再次请求的时候将请求提供给引擎。

Downloader：下载器，下载网页内容，并将网页内容返回给蜘蛛。

Spiders：蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要负责解析响应并生成提取结果和新的请求。

Item Pipeline：项目管道，负责处理由蜘蛛从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。

Downloader Middlewares：下载器中间件，位于引擎和下载器之的钩子框架，主要处理引擎与下载器之间的请求及响应。

Spider Middlewares：蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。

1.1.2 数据流

Scrapy中的数据流由引擎控制，数据流的过程如下：

(1) Engine首先打开一个网站，找到处理该网站的Spider，并向该Spider请求第一个要爬取的URL。

(2) Engine从Spider中获取到第一个要爬取的URL，并通过Scheduler以Request的形式调度。

(3) Engine向Scheduler请求下一个要爬取的URL。

(4) Scheduler返回下一个要爬取的URL给Engine，Engine将URL通过Downloader Middlewares发给 Downloader下载。

(5) 一旦页面下载完毕，Downloader生成该页面的Response，并将其通过Downloader Middlewares发送给Engine。

(6) Engine从下载器中接收到Response，并将其通过Spider Middleware发送给Spider处理。

(7) Spider处理Response，并返回爬取到的Item及新的Request给Engine。

(8) Engine将Spider返回的Item给Item Pipeline，将新的Request给Scheduler。

(9）重复第(2)步到第(8)步，直到Scheduler中没有更多的Request，Engine关闭该网站，爬取结束。

通过多个组件的相互协作、不同组件完成工作的不同、组件对异步处理的支持Scrapy最大限度地利用了网络带宽，大大提高了数据爬取和处理的效率。

1.1.3 项目结构

Scrapy框架是通过命令行来创建项目的，代码的编写还是需要IDE。项目创建之后，项目文件的格式如下所示：

scrapy.cfg

project/

　　__init__.py

　　items.py

　　pipelines.py

　　settings.py

　　middlewares.py

　　spiders/

　　　　__init__.py

　　　　spider1.py

　　　　spider2.py

　　　　...

这里各个文件的功能描述如下：

scrapy.cfg：它是Scrapy项目的配置文件，其内定义了项目的配置文件路径、部署相关信息等内容

items.py：它定义Item数据结构，所有的Item的定义都可以放这里。

pipelines.py：它定义Item Pipeline的实现，所有的Item Pipeline的实现都可以放这里。

settings.py：它定义项目的全局配置。

middlewares.py：它定义Spider Middlewares和Downloader Middlewares的实现。

spiders：其内包含一个个Spider的实现，每个Spider都有一个文件。

1.2 Scrapy入门

接下来就写一个简单的项目，让我们对Scrapy的基本用法和原理有大致的了解。

1.2.1 创建项目

首先安装Scrapy模块，再创建Scrapy项目。

pip install scrapy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

创建Scrapy一个项目，项目文件可以直接用scrapy命令生成:

scrapy startproject tutorial

这个命令可以在任意文件夹运行。

这个命令将会创建一个名为tutoria文件夹，文件夹结构如下所示：

1.2.2 创建Spider

Spider是自己定义的类，Scrapy用它来从网页里抓取内容，并解析抓取的结果。不过这个类必须继承Scrapy提供的Spider类scrapy.Spider，还要定义Spider的名称和起始请求，以及怎样处理爬取后的结果的方法。

也可以使用命令行创建一个Spider。比如要生成top250这个Spider。

cd tutorial

scrapy genspider top250 movie.douban.com/250

进入刚才创建的tutorial文件夹，然后执行genspider命令。第一个参数是Spider名称，第二个参数是网站域名。执行完毕之后，spiders文件夹中多了一个quotes.py，它就是刚刚创建的Spider。

这里有三个属性——name、allowed_domains和start_urls，还有一个方法parse。

name，它是每个项目唯一的名字，用来区分不同的Spider。

allowed_domains，它是允许爬取的域名，如果初始或后续的请求链接不是这个域名下的，则请求链接会被过滤掉。

start_urls，它包含了Spider在启动时爬取的url列表，初始请求是由它来定义的。

parse，它是Spider一个方法。默认情况下，被调用时start_urls里面的链接构成的请求完成下载执行后，返回的响应就会作为唯一的参数传递给这个函数。该方法负责解析返回的响应、提取数据或者进一步生成要处理的请求。

1.2.3 创建Item

Item是保存爬取数据的容器，它的使用方法和字典类似。不过，相比字典，Item多了额外的保护机制，可以避免拼写错误或者定义字段错误。

创建Item需要继承scrapy.Item类，并且定义类型为scrapy.Field的字段。观察目标网站，我们可以获取到到内容有serial_number、movie_name、introduce、star、evaluate、describe。

定义Item，此时修改items.py：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class DoubanItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    serial_number = scrapy.Field()
    movie_name = scrapy.Field()
    introduce = scrapy.Field()
    star = scrapy.Field()
    evaluate = scrapy.Field()
    describe = scrapy.Field()

这里定义了三个字段，接下来爬取时我们会使用到这个Item。

1.2.4 解析Response

前面已经说了，parse()方法的参数resposne是start_urls里面的链接爬取后的结果。所以在parse()方法中，我们可以直接对response变量包含的内容进行解析，比如浏览请求结果的网页源代码，或者进一步分析源代码内容，或者找出结果中的链接而得到下一个请求。我们可以看到网页中既有我们想要的结果，又有下一页的链接，这两部分内容我们都要进行处理。

首先看看网页结构：

每一页都有多个class为item的区块，每个区块内都包含serial_number、movie_name、introduce、star、evaluate、describe那么我们先找出所有的item，然后提取每一个item中的内容。

提取的方式可以是css选择器或XPath选择器，top250.py的XPath改写如下：

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

class Top250Spider(scrapy.Spider):
    name = ‘top250‘
    allowed_domains = [‘movie.douban.com‘]
    start_urls = [‘http://movie.douban.com/250/‘]

    def parse(self, response):
        movie_list = response.xpath(‘//div[@class="item"]‘)
        for i_item in movie_list:
            serial_number = i_item.xpath(‘.//em/text()‘).extract_first()
            movie_name = i_item.xpath(‘.//div[@class="hd"]/a/span[1]/text()‘).extract_first()
            content = i_item.xpath(‘.//div[@class="bd"]/p[1]/text()‘).extract()
            for i_content in content:
                introduce = "".join(i_content.split())
            star = i_item.xpath(‘.//span[@class="rating_num"]/text()‘).extract_first()
            evaluate = i_item.xpath(‘.//div[@class="star"]//span[4]/text()‘).extract_first()
            describe = i_item.xpath(‘.//p[@class="quote"]//span/text()‘).extract_first()

这里首先利用选择器选取所有的item，并将其赋值为movie_list变量，然后利用for循环对每个item遍历，解析每个item的内容。

1.2.5 使用Item

前面定义了Item，接下来就要使用它了。Item可以理解为字典，不过在声明的时候需要实例化。然后依次用刚才解析的结果赋值Item的每一段，最后将Item返回即可。

修改top250.py文件：

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

class Top250Spider(scrapy.Spider):
    name = ‘top250‘
    allowed_domains = [‘movie.douban.com‘]
    start_urls = [‘http://movie.douban.com/250/‘]

    def parse(self, response):
        movie_list = response.xpath(‘//div[@class="item"]‘)
        for i_item in movie_list:
            douban_item = DoubanItem()
            douban_item[‘serial_number‘] = i_item.xpath(‘.//em/text()‘).extract_first()
            douban_item[‘movie_name‘] = i_item.xpath(‘.//div[@class="hd"]/a/span[1]/text()‘).extract_first()
            content = i_item.xpath(‘.//div[@class="bd"]/p[1]/text()‘).extract()
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item[‘introduce‘] = content_s
            douban_item[‘star‘] = i_item.xpath(‘.//span[@class="rating_num"]/text()‘).extract_first()
            douban_item[‘evaluate‘] = i_item.xpath(‘.//div[@class="star"]//span[4]/text()‘).extract_first()
            douban_item[‘describe‘] = i_item.xpath(‘.//p[@class="quote"]//span/text()‘).extract_first()
            yield douban_item

这样首页的所有内容都可以被解析出来，并被赋值成一个个DoubanItem。

1.2.6 后续Request

前面的操作实现了从初始页面抓取内容。那么，下一页的内容该如何抓取？这就需要我们从当前页面中找到信息来生成下一个请求，然后在下一个请求的页面里找到信息再构造再下一个请求。这样循环往复迭代，从而实现整站的爬取。

将页面拉到最底部，如图：

这里有后页按钮。查看它的源代码，可以发现它的链接是?start=25&filter=，完整链接是：https://movie.douban.com/top250?start=25&filter=，通过这个链接我们就可以构造下一个请求。

构造请求时需要用到scrapy.Request这里我们传递两个参数——url和callback。

Request参数：

url：它是请求链接。

callback：它是回调函数。当指定了该回调函数的请求完成之后，获取到响应，引擎会将该响应作为参数传递给这个回调函数。回调函数进行解析或生成下一个请求，回调函数如上文parse()所示。

由于parse()就是解析serial_number、movie_name、introduce、star、evaluate、describe的方法，而下一页的结构和刚才已经解析的页面结构是一样的，所以我们可以再次使用parse()方法来做页面解析。

接下来我们要做的就是利用选择器得到下一页链接并生成请求，在parse()方法后追加代码：

# -*- coding: utf-8 -*-
import scrapy
from tutorial.items import DoubanItem

class Top250Spider(scrapy.Spider):
    name = ‘top250‘
    allowed_domains = [‘movie.douban.com‘]
    start_urls = [‘http://movie.douban.com/250/‘]

    def parse(self, response):
        movie_list = response.xpath(‘//div[@class="item"]‘)
        for i_item in movie_list:
            douban_item = DoubanItem()
            douban_item[‘serial_number‘] = i_item.xpath(‘.//em/text()‘).extract_first()
            douban_item[‘movie_name‘] = i_item.xpath(‘.//div[@class="hd"]/a/span[1]/text()‘).extract_first()
            content = i_item.xpath(‘.//div[@class="bd"]/p[1]/text()‘).extract()
            for i_content in content:
                content_s = "".join(i_content.split())
                douban_item[‘introduce‘] = content_s
            douban_item[‘star‘] = i_item.xpath(‘.//span[@class="rating_num"]/text()‘).extract_first()
            douban_item[‘evaluate‘] = i_item.xpath(‘.//div[@class="star"]//span[4]/text()‘).extract_first()
            douban_item[‘describe‘] = i_item.xpath(‘.//p[@class="quote"]//span/text()‘).extract_first()
            yield douban_item
        next_link = response.xpath(‘//span[@class="next"]/link/@href‘).extract()
        if next_link:
            next_link = next_link[0]
            yield scrapy.Request(‘https://movie.douban.com/top250‘ + next_link, callback=self.parse)

1.2.7 运行程序

进入目录，运行如下命令：

scrapy crawl top250

信息刷的太快了，上面都刷没了，只要显示中没有出现报错，这样就算成功了，大家可以自己运行一遍。

首先，Scrapy输出了当前的版本号以及正在启动的项目名称。接着输出了当前settings.py中一些重写后的配置。然后输出了当前所应用的Middlewares和Pipelines。Middlewares默认是启用的，可以settings.py中修改。Pipelines 默认是空，同样也可以在settings.py中配置。

settings.py：

# -*- coding: utf-8 -*-

# Scrapy settings for tutorial project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = ‘tutorial‘

SPIDER_MODULES = [‘tutorial.spiders‘]
NEWSPIDER_MODULE = ‘tutorial.spiders‘

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = ‘tutorial (+http://www.yourdomain.com)‘
USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36‘

# Obey robots.txt rules
# ROBOTSTXT_OBEY = True
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
DOWNLOAD_DELAY = 0.5

# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8‘,
#   ‘Accept-Language‘: ‘en‘,
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    ‘tutorial.middlewares.TutorialSpiderMiddleware‘: 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    ‘tutorial.middlewares.TutorialDownloaderMiddleware‘: 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    ‘scrapy.extensions.telnet.TelnetConsole‘: None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   ‘tutorial.pipelines.TutorialPipeline‘: 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = ‘httpcache‘
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = ‘scrapy.extensions.httpcache.FilesystemCacheStorage‘

接下来就是输出各个页面的抓取结果了，可以看到爬虫一边解析，一边翻页，直至将所有内容取完毕，然后终止。

最后，Scrapy输出了整个抓取过程的统计信息，如请求的字节数、请求次数、响应次数、完成原因等。

整个Scrapy程序成功运行。我们通过非常简单的代码就完成了一个网站内容的爬取，这样相比之前一步一步写程序简洁很多。

1.2.8 保存到文件

运行完Scrapy后，我们只在控制台看到了输出结果。如果想保存结果该怎么办呢？

要完成这个任务其实不需要任何额外的代码，Scrapy提供的Feed Exports可以轻松将抓取结果输出。例如，我们想将上面的结果保存成JSON文件，可以执行如下命令：

scrapy crawl top250 -o top250.json

命令运行后，项目内多了一个quotes.json文件（没有就刷新），文件包含了刚才抓取的所有内容，内容是JSON格式。

另外我们还可以每一个Item输出一行JSON，输出后缀为jl，为jsonline的缩写：

scrapy crawl top250 -o top250.jl

或

scrapy crawl top250 -o top250.jsonlines

输出格式还支持很多种，例如csv、xml、pickle、marshal等，还支持ftp、s3等远程输出，另外还可以通过自定义ItemExporter来实现其他的输出。

例如，下面命令对应的输出分别为csv、xml、pickle、marshal格式以及ftp远程输出：

scrapy crawl top250 -o top250.csv

scrapy crawl top250 -o top250.xml

scrapy crawl top250 -o top250.pickle

scrapy crawl top250 -o top250.marshal

scrapy crawl top250 -o ftp://user:[email protected]/path/to/top250.csv

其中，ftp输出需要正确配置用户名、密码、地址、输出路径，否则会报错。

通过Scrapy提供的Feed Exports，我们可以轻松地输出抓取结果到文件。对于一些小型项目来说，这应该足够了。不过如果想要更复杂的输出，如输出到数据库等，我们可以使用Item Pileline来完成。

原文地址：https://www.cnblogs.com/liuhui0308/p/12107739.html

时间： 2024-11-29 11:19:20

爬虫(十四)：Scrapy框架(一) 初识Scrapy、第一个案例

1. Scrapy框架

1.1 Scrapy介绍

1.1.1 架构介绍

1.1.2 数据流

1.1.3 项目结构

1.2 Scrapy入门

1.2.1 创建项目

1.2.2 创建Spider

1.2.3 创建Item

1.2.4 解析Response

1.2.5 使用Item

1.2.6 后续Request

1.2.7 运行程序

1.2.8 保存到文件

爬虫(十四)：Scrapy框架(一) 初识Scrapy、第一个案例的相关文章

windows下scrapy框架学习笔记—'scrapy' 不是内部或外部命令

网络爬虫之scrapy框架详解,scrapy框架设置代理

python爬虫---scrapy框架爬取图片,scrapy手动发送请求,发送post请求,提升爬取效率,请求传参(meta),五大核心组件,中间件

第二十四天框架之痛-Spring MVC(四）

Python爬虫(十四)_BeautifulSoup4 解析器

剑指offer(四十四)之两个链表的第一个公共结点

四十四、在SAP中冻结第一行表头

爬虫（5）- Scrapy 框架简介与入门

Scrapy框架爬虫