Scrapy是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。可以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。
目錄
安裝
測試
新建工程
創建spider文件(以豆瓣電影爲例)
架構(綠線是數據流向)
運作流程(個人理解)
製作步驟
在item中指明爬取字段
編寫spider/movie.py
數據存至數據庫
其他
最後
安裝
pip安裝,可能會報錯:
pip install Scrapy
anaconda安裝,推薦:
conda install -c conda-forge scrapy
測試
scrapy
新建工程
scrapy startproject <工程名>
如
scrapy startproject douban
創建的目錄結構
scrapy.cfg: 項目配置文件
douban/: 項目python模塊, 代碼將從這裏導入
douban/items.py: 項目items文件,存要爬取的字段信息,可以插入數據庫、寫入txt等
douban/pipelines.py: 項目管道文件,將爬取的數據進行持久化存儲
douban/settings.py: 項目配置文件,可以配置數據庫等
douban/spiders/: 放置spider的目錄,也就是你要寫邏輯代碼的地方
douban/middlewares:中間件,請求和響應都將經過他,可以配置請求頭、代理、cookie、會話維持等
創建spider文件(以豆瓣電影爲例)
scrapy genspider <項目名> <爬取域>
如
cd douban
scrapy genspider movie movie.douban.com
將在spiders文件夾下自動創建movie.py,並自動生成內容:
可以看出,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 = "" :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。
架構(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)
運作流程(個人理解)
用戶編寫spider並運行
將第一個URL傳給引擎
引擎將URL對應的request傳給調度器
調度器將request排序入隊
調度器將處理好的request返回到引擎
引擎將request按照下載中間件的設置傳給下載器
下載器執行request並獲得response(如果下載失敗,然後引擎告訴調度器,這個request下載失敗了,你記錄一下,待會兒再下載)
下載器將response返回到引擎
引擎將request返回到spider用戶這(默認交到def parse()這個函數處理)
spider處理完數據後,將需要跟進的URL和要保存的item傳給引擎
引擎將item傳給管道進行處理保存,並將URL進入下一輪循環
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。)
製作步驟
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
在item中指明爬取字段
如“名稱”、“評分”、“簡介”
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)。
在item.py中修改爲:
class DoubanItem(scrapy.Item):
name = scrapy.Field()
rating_num = scrapy.Field()
quote = scrapy.Field()
編寫spider/movie.py
1、選擇目標的xpath(也可以css等其他選擇器)
2、提取出公共部分
3、由於豆瓣有反爬驗證,因此需要加上header
def start_requests(self):
url = 'http://movie.douban.com/top250/'
yield scrapy.Request(url, headers=self.headers)
通過start_requests函數,對於運行後第一次訪問請求,就加上了請求頭。因此,start_urls其實也可以不加。
4、爲了方便調試,新建spider/main.py,並寫入
from scrapy.cmdline import execute
execute(["scrapy", "crawl", "movie", "-o", "item.json"])
5、測試一下效果
class MovieSpider(scrapy.Spider):
name = 'movie'
allowed_domains = ['movie.douban.com/top250']
start_urls = ['http://movie.douban.com/top250/']
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'}
def start_requests(self):
url = 'http://movie.douban.com/top250/'
yield scrapy.Request(url, headers=self.headers)
def parse(self, response):
for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'):
print(each.xpath('./div/div[2]/div[1]/a/span[1]').extract())
運行main.py
要提取中間的文字,則在xpath後面再添加“/text()”
6、類似地,完善parse()函數
from ..items import DoubanItem
def parse(self, response):
# 將得到的數據封裝到一個DoubanItem對象,就是在items.py裏的
item = DoubanItem()
for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'):
name = each.xpath('./div/div[2]/div[1]/a/span[1]/text()').extract_first()
rating_num = each.xpath('./div/div[2]/div[2]/div/span[2]/text()').extract_first()
quote = each.xpath('./div/div[2]/div[2]/p[2]/span/text()').extract_first()
item['name'] = name
item['rating_num'] = rating_num
item['quote'] = quote
yield item
7、運行main.py後,在spider/item.json裏將看到爬取的數據,以Unicode字符形式。
8、還可以保存爲其他形式,如csv、xml,只需將item.json改爲item.csv等。
數據存至數據庫
1、建庫建表
mysql -uroot -p
Enter password:
create database scrapy;
use scrapy;
create table movie(id int auto_increment primary key, name varchar(255),rating varchar(10), quote varchar(255))default charset=utf8;
2、在setting.py中配置數據庫連接
mysql_movie = {
'host': "127.0.0.1",
"port": 3306,
"user": "root",
"password": "pwd",
"db": "scrapy"
}
3、在setting.py中將以下內容取消註釋
4、在pipelines.py中連接數據庫存儲數據
pip install pymysql
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from .settings import mysql_movie
import pymysql
class DoubanPipeline:
def __init__(self):
self.host = mysql_movie["host"]
self.port = mysql_movie["port"]
self.user = mysql_movie["user"]
self.password = mysql_movie["password"]
self.db = mysql_movie["db"]
self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, db=self.db, charset='utf8')
self.cursor = self.conn.cursor()
def process_item(self, item, spider):
sql ='''insert into movie(name, rating, quote)values('%s','%s','%s')''' % (item["name"], item["rating_num"], item["quote"])
try:
self.cursor.execute(sql)
self.conn.commit()
except:
self.conn.rollback()
return item
5、運行main.py後,查詢數據庫
select * from movie;
其他
爲了做一個乖爬蟲,且避免面向監獄編程,建議在setting.py至少開啓以下兩項:
最後
相信你跟我一樣,過完本文,對scrapy已經有了一個大致的瞭解。