目标：AI设计基础–采集数据

作为AI算法工程师，面对新需求，明明方法千万条，数据没一条。老是为了做一个功能，费尽心思求数据而不得，或找到现有数据集不理想，匹配度不高。本文就学习一下怎样快速下载数据资源（资源：文字文章，图像，影像）。

数据不求人。
熟悉网页请求库，urllib,requests，beautiful soup。
重点学习scrapy框架，学会灵活使用这个工具。

学习内容：

scrapy框架的使用给我的感觉和Django框架的应用差不多。
本节将简要介绍Scrapy的安装，命令和实现过程。

安装

Scrapy：Scrapy是用 Python 写的。采用虚拟环境安装，一行代码自动匹配安装依赖库。
安装：conda install -c conda-forge scrapy
其他方式安装，手动匹配安装一下依赖库。
安装依赖库：
lxml 一个高效的XML和HTML解析器
parsel ，一个写在lxml上面的html/xml数据提取库,
w3lib ，用于处理URL和网页编码的多用途帮助程序
twisted 异步网络框架
cryptography 和 pyOpenSSL ，处理各种网络级安全需求

基础命令

Scrapy工具提供了多个命令，用于多种目的，每个命令接受一组不同的参数和选项。
scrapy <command> -h 查看命令使用方法的帮助
scrapy -h 框架使用帮助
全局命令：
startproject新建项目; genspider ;settings;runspider;shell;fetch;view;version
仅Project命令：
crawl爬;check;list;edit;parse;bench
在这里插入图片描述

提升示例

也可以参见入门教程：入门教程：https://www.osgeo.cn/scrapy/intro/tutorial.html

scrapy startproject <project_name> [project_dir]
创建一个名为 project_name 下 project_dir 目录。如果 project_dir 没有指定， project_dir 将与 project_name .

例如：虚拟环境Anaconda3下切换到对应的虚拟环境，activate web。输入：scrapy startproject spider_one新建一个项目。
在这里插入图片描述
目录包含以下内容：

创建一只爬虫蜘蛛，就是在spider里面新建一个继承scrapy.Spider的类。以访问名字方式使用。
spiders文件夹下就是装有蜘蛛的.py文件了。xx就是我自己建的两个不同类型蜘蛛。（注，不以文件名为蜘蛛数，以继承的scrapy.Spider类为计）
conda命令行处，cd spider_one，后切换IDE.
使用pycharm打开项目，将项目的环境设置为当前安装了scrapy的虚拟环境。
在这里插入图片描述
scrapy手册实例之爬取网站名人名言：scrapy startproject spider_one
专门用来举例爬虫框架的一个网站网址：http://quotes.toscrape.com/
代码都很简单，这里需要重点说明的有两点：一是两种选择器：css,xpath，二是翻页与重组网址使用的4种方法。

源码:spiders文件见下的quotes_spider.py：

# !/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2022/3/23 15:41
# @Author  : Haiyan Tan
# @Email   : [email protected] 
# @File    : quotes_spider.py

# Begin to show your code!
import scrapy  # 如何使用scrappy跟踪链接和回调的机制


class QuotesSpider(scrapy.Spider):
    name = "quotes"  # 标识蜘蛛.它在一个项目中必须是唯一的，即不能为不同的爬行器设置相同的名称。使用时：scrapy crawl quotes

    # 创建一个可以返回请求列表或编写生成器的函数
    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            # 'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:  # 爬行器将从该请求开始爬行。后续请求将从这些初始请求中相继生成。
            yield scrapy.Request(url, callback=self.parse)  # 实例化 Response 对象，并调用与请求关联的回调方法(parse 方法)将响应作为参数传递。

    def parse(self, response, **kwargs):  # parse()是Scrapy的默认回调方法
        page = response.url.split('/')[-2]
        # filename = f'quote-{page}.html'
        # with open(filename, 'wb') as f:
        #     f.write(response.body)
        # self.log(f'Saved file {filename}')
        for quote in response.css('div.quote'):
            yield {
      
      
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

            next_page = response.css('li.next a::attr(href)').get()
            if next_page is not None:
                # 递归地跟踪下一页的链接 4种方法 方法1
                # next_page = response.urljoin(next_page)
                # yield scrapy.Request(next_page, callback=self.parse)

                # 方法2
                # 不像Scrapy.Request， response.follow 直接支持相对URL-无需调用URLJOIN。
                yield response.follow(next_page, callback=self.parse)  # 创建请求对象的快捷方式

                # 要从iterable创建多个请求  方法3
                # anchors = response.css('ul.pager a')
                # yield from response.follow_all(anchors, callback=self.parse)

                # 等价于 方法4
                # yield from response.follow_all(css='ul.pager a', callback=self.parse)

 next_page = response.css('li.next a::attr(href)').get()
            if next_page is not None:

递归地跟踪下一页的链接 4种方法
方法1:
next_page = response.urljoin(next_page)
yield scrapy.Request(next_page, callback=self.parse)

方法2: response.follow 直接支持相对URL-无需调用URLJOIN。
yield response.follow(next_page, callback=self.parse) # 创建请求对象的快捷方式

方法3:通过iterable创建多个请求
anchors = response.css('ul.pager a')
yield from response.follow_all(anchors, callback=self.parse)

扫描二维码关注公众号，回复： 15279776 查看本文章

方法4：等价于方法3
yield from response.follow_all(css='ul.pager a', callback=self.parse)

settings.py的修改

BOT_NAME = 'spider_one'

SPIDER_MODULES = ['spider_one.spiders']
NEWSPIDER_MODULE = 'spider_one.spiders'

LOG_LEVEL = 'ERROR'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

运行蜘蛛：scrapy crawl <spider>
scrapy crawl quotes # 第三步,运行抓取name= quotes
或者：scrapy runspider quotes_spider.py -o quotes.jl

更多详细信息，请参考scrapy的使用手册。

进阶使用：多页取图

取图片是取文字信息的流程上加入管道和图像保存机制。
取网站：主页：https://699pic.com/
搜对象狗的网址：https://699pic.com/tupian/photo-gou.html

首先在items.py里定义图像命名，图像网址等字段。
items.py

import scrapy

class MyImagesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    image_urls = scrapy.Field()
    images = scrapy.Field()
    image_path = scrapy.Field()

在设置文件settings.py 新增或设定配置信息。
设置图片保存的路径,项目保存的最长时间90,设置的图片尺寸大小。设置管道。

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# 图像、管道
ITEM_PIPELINES = {
      
      
    'spider_one.pipelines.ImgPipeline': 300,
    # 'scrapy.pipelines.images.ImagesPipeline': 1,
}
# 设置图片保存的路径,项目保存的最长时间90,设置的图片尺寸大小
IMAGES_STORE = r'E:\\Datasets\\obj_detect_data\\scrapy_images_0325\\'
IMAGES_EXPIRES = 90
IMAGES_MIN_HEIGHT = 100
IMAGES_MIN_WIDTH = 100

定义管道pipelines.py

# 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


# useful for handling different item types with a single interface
import scrapy
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
from scrapy.exceptions import DropItem


class ImgPipeline(ImagesPipeline):
    def get_media_requests(self, item, info):
        return [scrapy.Request(x) for x in item.get(self.images_urls_field, [])]

    def item_completed(self, results, item, info):
        if isinstance(item, dict) or self.images_result_field in item.fields:
            item[self.images_result_field] = [x for ok, x in results if ok]

        return item

最后，在spiders文件夹下定义取图片的蜘蛛。img_spider.py

# !/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2022/3/24 16:29
# @Author  : Haiyan Tan
# @Email   : [email protected] 
# @File    : img_spider.py

# Begin to show your code!
import scrapy
from ..items import *


class ImgSpider(scrapy.Spider):
    name = 'imgspider'
    allowd_domains = ['699pic.com', ]
    start_urls = [
        'https://699pic.com/tupian/photo-gou.html',
    ]

    def parse(self, response, **kwargs):
        items = MyImagesItem()
        # items['image_urls'] = [response.urljoin(response.xpath('//a/img/@data-original').get())]
        items['image_urls'] = response.xpath('//a/img/@data-original').getall()
        for i, urls in enumerate(items['image_urls']):
            items['image_urls'][i] = response.urljoin(urls)
        yield items
        yield from response.follow_all(xpath='//div[@class="pager-linkPage"]/a/@href', callback=self.parse)
        # next_page = response.xpath('//div[@class="pager-linkPage"]/a/@href').get()

运行项目：scrapy crawl --nolog imgspider
取图片数目：24527张

Debug：`scrapy ERROR: Error processing {'image_urls':`

原因：Scrapy tryies to process your string as a list of image URLs:
修改与这个test_item['image_urls'] = [image_urls]一致。

Debug：`ValueError: Missing scheme in request url:`

scrapy会对request的URL去重(RFPDupeFilter)，加上dont_filter则告诉它这个URL不参与去重。
两种方法能够使 requests 不被过滤:

在 allowed_domains 中加入 url
在 scrapy.Request() 函数中将参数 dont_filter=True 设置为 True
意思就是，scrapy可能会处于一些原因把没有问题的url过滤掉，我们只有加上这样的命令才能防止丢失。

python 的scrapy框架

目标：AI设计基础–采集数据

学习内容：

安装

基础命令

提升示例

进阶使用：多页取图

Debug：`scrapy ERROR: Error processing {'image_urls':`

Debug：`ValueError: Missing scheme in request url:`

猜你喜欢

python 的scrapy框架

目标：AI设计基础–采集数据

学习内容：

安装

基础命令

提升示例

进阶使用：多页取图

Debug：scrapy ERROR: Error processing {'image_urls':

Debug：ValueError: Missing scheme in request url:

猜你喜欢

Debug：`scrapy ERROR: Error processing {'image_urls':`

Debug：`ValueError: Missing scheme in request url:`