Scrapy框架

Scrapy框架

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

1. Scrapy整体架构

这里写图片描述

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。

2. Scrapy运行流程

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

3. 安装

conda install scrapy
#windows平台需要依赖pywin32,下载地址 https://sourceforge.net/projects/pywin32/

4. 基本使用

4.1 创建项目

scrapy startprojrct your_project_name

此后可自动生成目录:

project_name/
   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）
   project_name/
       __init__.py
       items.py #设置数据存储模板，用于结构化数据，如：Django的Model
       pipelines.py #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
           __init__.py

4.2 编写爬虫

# -*- coding: utf-8 -*-
#爬取抽屉网为例
import scrapy


class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):
        print(response.text)

4.3 运行爬虫

#进入进入project_name目录，运行命令
scrapy crawl spider_name --nolog#不再输出日志

5. HtmlXPathSelector 选择器

# 选择器：
'''
     //   表示子孙中
     .//  当前对象的子孙中
     /    儿子
     /div 儿子中的div标签
     /div[@id="i1"]  儿子中的div标签且id=i1
     obj.extract()         # 列表中的每一个对象转换字符串 =》 []
     obj.extract_first()   # 列表中的每一个对象转换字符串 => 列表第一个元素
     //div/text()    获取某个标签的文本
'''
#函数
#包含
hxs = Selector(response=response).xpath('//a[contains(@href, "link")]')
#以什么字段开始
hxs = Selector(response=response).xpath('//a[starts-with(@href, "link")]')
#正则
hxs = Selector(response=response).xpath('//a[re:test(@id, "i\d+")]')

Xpath语法总结

表达式	说明
article	获取article元素的所用子节点
/article	选取根元素article
article/a	选取所有属于article的子元素a元素
//div	选取所有div子元素(文档任何位置的div元素均选取)
article//div	选取属于article的所有子代div元素
//@class	选取所有名为class的属性
/article/div[1]	选取属于article子元素的第一个div元素
/article/div[last()]	选取属于article子元素的最后一个div元素
/article/div[last()-1]	选取属于article子元素的倒数第二个div元素
//div[@lang]	选取所有拥有lang属性的div元素
//div[@lang=’eng’]	选取所有拥有lang属性为eng的div元素
/div/*	选取属于div元素的所有子节点
//*	选取所有元素
//div[@*]	选取所有带属性的title元素
/div/a l //div/p	选取所有div元素的a和p元素
//span l //ul	选取文档中的span和ul元素
article/div/p l span]	选取所有属于article元素的div元素的p元素以及文档里所有的span元素

6. 递归访问爬取网页

import scrapy
import scrapy
from ..items import BoleItem
from scrapy.selector import Selector,HtmlXPathSelector
from scrapy.http import Request

class ExcerptSpider(scrapy.Spider):
    name = 'excerpt'
    allowed_domains = ['blog.jobbole.com']
    start_urls = ['http://blog.jobbole.com/all-posts/']
#按链接中所有其余页面链接来全部爬取  
    visited_urls = set()#去重处理

     def parse(self, response):
         hxs2 = Selector(response=response).xpath('//div[@class="navigation margin-20"]//a/@href').extract()
        for url in hxs2:
            # print(item)
            if url in self.visited_urls:
                print('已经访问过此链接')
            else:
                print('网址:',url)
                self.visited_urls.add(url)
                #将要新访问的url添加到调度器
                yield Request(url=url ,callback=self.parse)
#按下一页链接来全部爬取
nextLink = Selector(response=response).xpath('//div[@class="navigation margin-20"]//a[@class="next page-numbers" ]/@href').extract()
        yield Request(url=nextLink ,callback=self.parse)

7. 获取Cookies

def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)

8. Items格式化处理

import scrapy


class BoleItem(scrapy.Item):
    title = scrapy.Field()
    context = scrapy.Field()

此时在Spider项目中需加如下操作

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）

from ..items import BoleItem

item_obj = BoleItem(title=title,context=context)
#将item_obj对象传递给pipeline
yield item_obj

注:当pipeline中有多个类时,需在settings里定义Scrapy执行顺序的优先级

ITEM_PIPELINES = {
    'beauty.pipelines.DBPipeline': 300,
    'beauty.pipelines.JsonPipeline': 100,
}
# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

实例之爬取伯乐在线所有文章

#sprider
# -*- coding: utf-8 -*-
import scrapy
from ..items import InfosItem
from scrapy.selector import Selector,HtmlXPathSelector
from scrapy.http import Request
from urllib import parse


class InfospSpider(scrapy.Spider):
    name = 'infosp'
    allowed_domains = ['blog.jobbole.com']
    start_urls = ['http://blog.jobbole.com/all-posts/']

    def parse(self, response):
        post_urls = Selector(response=response).xpath('//div[@class="post floated-thumb"]/div[@class="post-thumb"]/a/@href').extract()
        for post_url in post_urls:
            # print(post_url)
            yield Request(url=parse.urljoin(response.url, post_url), callback=self.parse_detail)
        next_url = Selector(response=response).xpath('//div[@class="navigation margin-20"]//a[@class="next page-numbers" ]/@href').extract_first()
        if next_url:
            # print(next_url)
            yield Request(url=parse.urljoin(response.url, next_url), callback=self.parse)

    def parse_detail(self, response):
        title = response.css(".entry-header h1::text").extract()[0]
        print(title)
        articles = Selector(response=response).xpath('//div[@class="entry"]//p/text()').extract()
        # print(articles)
        hxs = Selector(response=response).xpath('//div[@class="post-adds"]')
        for obj in hxs:
            praise_numbers = obj.xpath('//h10[@id]/text()').extract_first()
            # print(praise_numbers)
            collect_numbers = obj.xpath('//span[@class=" btn-bluet-bigger href-style bookmark-btn  register-user-only "]/text()').extract_first()
            # print(collect_numbers)
        item = InfosItem()
        item["title"] = title
        item["articles"] = articles
        item["praise_numbers"] = praise_numbers
        item["collect_numbers"] = collect_numbers
        yield item

#items
import scrapy


class InfosItem(scrapy.Item):
    title = scrapy.Field()
    articles = scrapy.Field()
    praise_numbers = scrapy.Field()
    collect_numbers = scrapy.Field()

#pipelines
import pymysql
    connect = pymysql.connect(host="localhost", user="root", password="******", db="bole2", charset="utf8")
    cursor = connect.cursor()

    def process_item(self, item, spider):
        sql = 'INSERT INTO article VALUES ("%s","%s")'
        datasql = sql % (item["title"], item["context"])
        self.cursor.execute(datasql)
        self.connect.commit()
        return item

爬虫进阶之Scrapy框架原理及实现