Scrapy 入門教程
分類 編程技術
Scrapy 是用 Python 實現的一個爲了爬取網站數據、提取結構性數據而編寫的應用框架。
Scrapy 常應用在包括數據挖掘,信息處理或存儲歷史數據等一系列的程序中。
通常我們可以很簡單的通過 Scrapy 框架實現一個爬蟲,抓取指定網站的內容或圖片。
Scrapy架構圖(綠線是數據流向)
-
Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊,信號、數據傳遞等。
-
Scheduler(調度器): 它負責接受引擎發送過來的Request請求,並按照一定的方式進行整理排列,入隊,當引擎需要時,交還給引擎。
-
Downloader(下載器):負責下載Scrapy Engine(引擎)發送的所有Requests請求,並將其獲取到的Responses交還給Scrapy Engine(引擎),由引擎交給Spider來處理,
-
Spider(爬蟲):它負責處理所有Responses,從中分析提取數據,獲取Item字段需要的數據,並將需要跟進的URL提交給引擎,再次進入Scheduler(調度器).
-
Item Pipeline(管道):它負責處理Spider中獲取到的Item,並進行進行後期處理(詳細分析、過濾、存儲等)的地方。
-
Downloader Middlewares(下載中間件):你可以當作是一個可以自定義擴展下載功能的組件。
-
Spider Middlewares(Spider中間件):你可以理解爲是一個可以自定擴展和操作引擎和Spider中間通信的功能組件(比如進入Spider的Responses;和從Spider出去的Requests)
Scrapy的運作流程
代碼寫好,程序開始運行...
- 1 引擎:Hi!Spider, 你要處理哪一個網站?
- 2 Spider:老大要我處理xxxx.com。
- 3 引擎:你把第一個需要處理的URL給我吧。
- 4 Spider:給你,第一個URL是xxxxxxx.com。
- 5 引擎:Hi!調度器,我這有request請求你幫我排序入隊一下。
- 6 調度器:好的,正在處理你等一下。
- 7 引擎:Hi!調度器,把你處理好的request請求給我。
- 8 調度器:給你,這是我處理好的request
- 9 引擎:Hi!下載器,你按照老大的下載中間件的設置幫我下載一下這個request請求
- 10 下載器:好的!給你,這是下載好的東西。(如果失敗:sorry,這個request下載失敗了。然後引擎告訴調度器,這個request下載失敗了,你記錄一下,我們待會兒再下載)
- 11 引擎:Hi!Spider,這是下載好的東西,並且已經按照老大的下載中間件處理過了,你自己處理一下(注意!這兒responses默認是交給def parse()這個函數處理的)
- 12 Spider:(處理完畢數據之後對於需要跟進的URL),Hi!引擎,我這裏有兩個結果,這個是我需要跟進的URL,還有這個是我獲取到的Item數據。
- 13 引擎:Hi !管道 我這兒有個item你幫我處理一下!調度器!這是需要跟進URL你幫我處理下。然後從第四步開始循環,直到獲取完老大需要全部信息。
- 14 管道調度器:好的,現在就做!
注意!只有當調度器中不存在任何request了,整個程序纔會停止,(也就是說,對於下載失敗的URL,Scrapy也會重新下載。)
製作 Scrapy 爬蟲 一共需要4步:
- 新建項目 (scrapy startproject xxx):新建一個新的爬蟲項目
- 明確目標 (編寫items.py):明確你想要抓取的目標
- 製作爬蟲 (spiders/xxspider.py):製作爬蟲開始爬取網頁
- 存儲內容 (pipelines.py):設計管道存儲爬取內容
安裝
Windows 安裝方式
升級 pip 版本:
pip install --upgrade pip
通過 pip 安裝 Scrapy 框架:
pip install Scrapy
Ubuntu 安裝方式
安裝非 Python 的依賴:
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通過 pip 安裝 Scrapy 框架:
sudo pip install scrapy
Mac OS 安裝方式
對於Mac OS系統來說,由於系統本身會引用自帶的python2.x的庫,因此默認安裝的包是不能被刪除的,但是你用python2.x來安裝Scrapy會報錯,用python3.x來安裝也是報錯,我最終沒有找到直接安裝Scrapy的方法,所以我用另一種安裝方式來說一下安裝步驟,解決的方式是就是使用virtualenv來安裝。
$ sudo pip install virtualenv $ virtualenv scrapyenv $ cd scrapyenv $ source bin/activate $ pip install Scrapy
安裝後,只要在命令終端輸入 scrapy,提示類似以下結果,代表已經安裝成功。
入門案例
學習目標
- 創建一個Scrapy項目
- 定義提取的結構化數據(Item)
- 編寫爬取網站的 Spider 並提取出結構化數據(Item)
- 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)
一. 新建項目(scrapy startproject)
在開始爬取之前,必須創建一個新的Scrapy項目。進入自定義的項目目錄中,運行下列命令:
scrapy startproject mySpider
其中, mySpider 爲項目名稱,可以看到將會創建一個 mySpider 文件夾,目錄結構大致如下:
下面來簡單介紹一下各個主要文件的作用:
mySpider/ scrapy.cfg mySpider/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
這些文件分別是:
- scrapy.cfg: 項目的配置文件。
- mySpider/: 項目的Python模塊,將會從這裏引用代碼。
- mySpider/items.py: 項目的目標文件。
- mySpider/pipelines.py: 項目的管道文件。
- mySpider/settings.py: 項目的設置文件。
- mySpider/spiders/: 存儲爬蟲代碼目錄。
二、明確目標(mySpider/items.py)
我們打算抓取 http://www.itcast.cn/channel/teacher.shtml 網站裏的所有講師的姓名、職稱和個人信息。
接下來,創建一個 ItcastItem 類,和構建 item 模型(model)。
import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
-
打開 mySpider 目錄下的 items.py。
-
Item 定義結構化數據字段,用來保存爬取到的數據,有點像 Python 中的 dict,但是提供了一些額外的保護減少錯誤。
-
可以通過創建一個 scrapy.Item 類, 並且定義類型爲 scrapy.Field 的類屬性來定義一個 Item(可以理解成類似於 ORM 的映射關係)。
三、製作爬蟲 (spiders/itcastSpider.py)
爬蟲功能要分兩步:
1. 爬數據
在當前目錄下輸入命令,將在mySpider/spider目錄下創建一個名爲itcast的爬蟲,並指定爬取域的範圍:
scrapy genspider itcast "itcast.cn"
打開 mySpider/spider目錄裏的 itcast.py,默認增加了下列代碼:
import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
其實也可以由我們自行創建itcast.py並編寫上面的代碼,只不過使用命令可以免去編寫固定代碼的麻煩
要建立一個Spider, 你必須用scrapy.Spider類創建一個子類,並確定了三個強制的屬性 和 一個方法。
name = "" :這個爬蟲的識別名稱,必須是唯一的,在不同的爬蟲必須定義不同的名字。
allow_domains = [] 是搜索的域名範圍,也就是爬蟲的約束區域,規定爬蟲只爬取這個域名下的網頁,不存在的URL會被忽略。
start_urls = () :爬取的URL元祖/列表。爬蟲從這裏開始抓取數據,所以,第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
parse(self, response) :解析的方法,每個初始URL完成下載後將被調用,調用的時候傳入從每一個URL傳回的Response對象來作爲唯一參數,主要作用如下:
負責解析返回的網頁數據(response.body),提取結構化數據(生成item)
生成需要下一頁的URL請求。
將start_urls的值修改爲需要爬取的第一個url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response): filename = "teacher.html" open(filename, 'w').write(response.body)
然後運行一下看看,在mySpider目錄下執行:
scrapy crawl itcast
是的,就是 itcast,看上面代碼,它是 ItcastSpider 類的 name 屬性,也就是使用 scrapy genspider命令的唯一爬蟲名。
運行之後,如果打印的日誌出現 [scrapy] INFO: Spider closed (finished),代表執行完成。 之後當前文件夾中就出現了一個 teacher.html 文件,裏面就是我們剛剛要爬取的網頁的全部源代碼信息。
注意: Python2.x默認編碼環境是ASCII,當和取回的數據編碼格式不一致時,可能會造成亂碼;我們可以指定保存內容的編碼格式,一般情況下,我們可以在代碼最上方添加
import sys reload(sys) sys.setdefaultencoding("utf-8")
這三行代碼是 Python2.x 裏解決中文編碼的萬能鑰匙,經過這麼多年的吐槽後 Python3 學乖了,默認編碼是Unicode了...(祝大家早日擁抱Python3)
2. 取數據
爬取整個網頁完畢,接下來的就是的取過程了,首先觀察頁面源碼:
<div class="li_txt"> <h3> xxx </h3> <h4> xxxxx </h4> <p> xxxxxxxx </p>
是不是一目瞭然?直接上 XPath 開始提取數據吧。
xpath 方法,我們只需要輸入的 xpath 規則就可以定位到相應 html 標籤節點,詳細內容可以查看 xpath 教程。
不會 xpath 語法沒關係,Chrome 給我們提供了一鍵獲取 xpath 地址的方法(右鍵->檢查->copy->copy xpath),如下圖:
這裏給出一些 XPath 表達式的例子及對應的含義:
/html/head/title
: 選擇HTML文檔中<head>
標籤內的<title>
元素/html/head/title/text()
: 選擇上面提到的<title>
元素的文字//td
: 選擇所有的<td>
元素//div[@class="mine"]
: 選擇所有具有class="mine"
屬性的div
元素
舉例我們讀取網站 http://www.itcast.cn/ 的網站標題,修改 itcast.py 文件代碼如下::
# -*- coding: utf-8 -*- import scrapy # 以下三行是在 Python2.x版本中解決亂碼問題,Python3.x 版本的可以去掉 import sys reload(sys) sys.setdefaultencoding("utf-8") class Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ['http://www.itcast.cn/'] def parse(self, response): # 獲取網站標題 context = response.xpath('/html/head/title/text()') # 提取網站標題 title = context.extract_first() print(title) pass
執行以下命令:
$ scrapy crawl itcast ... ... 傳智播客官網-好口碑IT培訓機構,一樣的教育,不一樣的品質 ... ...
我們之前在 mySpider/items.py 裏定義了一個 ItcastItem 類。 這裏引入進來:
from mySpider.items import ItcastItem
然後將我們得到的數據封裝到一個 ItcastItem 對象中,可以保存每個老師的屬性:
from mySpider.items import ItcastItem def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 將我們得到的數據封裝到一個 `ItcastItem` 對象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一個元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最後數據 return items
我們暫時先不處理管道,後面會詳細介紹。
保存數據
scrapy保存信息的最簡單的方法主要有四種,-o 輸出指定格式的文件,命令如下:
scrapy crawl itcast -o teachers.json
json lines格式,默認爲Unicode編碼
scrapy crawl itcast -o teachers.jsonl
csv 逗號表達式,可用Excel打開
scrapy crawl itcast -o teachers.csv
xml格式
scrapy crawl itcast -o teachers.xml
思考
如果將代碼改成下面形式,結果完全一樣。
請思考 yield 在這裏的作用(Python yield 使用淺析):
# -*- coding: utf-8 -*- import scrapy from mySpider.items import ItcastItem # 以下三行是在 Python2.x版本中解決亂碼問題,Python3.x 版本的可以去掉 import sys reload(sys) sys.setdefaultencoding("utf-8") class Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ("http://www.itcast.cn/channel/teacher.shtml",) def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老師信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 將我們得到的數據封裝到一個 `ItcastItem` 對象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含一個元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最後數據 return items
原文鏈接:https://segmentfault.com/a/1190000013178839