Scrapy框架
- Scrapy：Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。
- Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。
- 它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
- Scrap,是碎片的意思，这个Python的爬虫框架叫Scrapy。
Scrapy架构流程
优势：
- 用户只需要定制开发几个模块，就可以轻松实现爬虫，用来抓取网页内容和图片，非常方便；
- Scrapy使用了Twisted异步网络框架来处理网络通讯，加快网页下载速度，不需要自己实现异步框架和多线程等，并且包含了各种中间件接口，灵活完成各种需求。
流程图：
Scrapy主要包括了以下组件：
• 引擎(Scrapy)：
用来处理整个系统的数据流，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。
流程举例：
代码写好，程序开始运行…
- 引擎：Hi！Spider，你要处理哪一个网站？
- Spider：老大要我处理xxx.com。
- 引擎：你把需要处理的URL给我吧。
- Spider：给你，第一个URL是xxxxxx.com。
- 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
- 调度器：好的，正在处理你等一下。
- 引擎：Hi！调度器，把你处理好的request请求给我。
- 调度器：给你，这是我处理好的request。
- 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求。
- 下载器：好的！给你，这是下载好的东西，（如果失败：sorry，这个request下载失败。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
- 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（这儿responses默认是交给def parse()这个函数处理的）
- Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的item数据。
- 引擎：Hi！管道，我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理一下。然后从第四步开始循环，直到获取完老大需要全部信息。
- 管道&调度器：好的，现在就做！
只有当调度器中不存在任何request时，整个程序才会停止。(注：对于下载失败的URL，Scrapy也会重新下载。)
原有爬取的步骤
- 确定url地址;
- 获取页面信息;(urllib, requests);
- 解析页面提取需要的数据； (正则表达式， bs4， xpath)
- 保存到本地(csv, json, pymysql, redis);
- 清洗数据(删除不必要的内容 -----正则表达式);
- 分析数据(词云wordcloud + jieba)
思考问题：
- 有没有用到多线程?
- 获取页面信息每个爬虫都会使用， 重复去写
- 设置头部信息(user-agent，proxy…)
流程分析:
- 确定url地址：http://www.imooc.com/course/list —spider
- 获取页面信息(urllib, requests)—Downloader；
- 解析页面提取需要的数据(正则表达式， bs4， xpath)—spider；
【课程链接， 课程的图片url， 课程的名称， 学习人数， 课程描述】 - 保存到本地(csv, json, pymysql, redis)----pipeline。
使用Scrapy框架爬取
环境：
Scrapy 1.6.0
实现步骤：
- 工程创建：
scrapy startproject mySpider
cd mySpider
tree
.
├── mySpider
│ ├── __init__.py
│ ├── items.py # 提取的数据信息
│ ├── middlewares.py # 中间键
│ ├── pipelines.py # 管道， 如何存储数据
│ ├── __pycache__
│ ├── settings.py # 设置信息
│ └── spiders # 爬虫(解析页面的信息)
│ ├── __init__.py
│ └── __pycache__
└── scrapy.cfg
- 创建一个爬虫：
scrapy genspider mooc "www.imooc.com"
cd mySpider/spiders/
- item.py中的内容：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class CourseItem(scrapy.Item):
# Item对象是一个简单容器，保存爬取到的数据，类似于字典的操作；
# 实例化对象：
# course = CourseItem()
# define the fields for your item here like:
# 在此处定义出你想要获取的内容
# name = scrapy.Field()
# 课程标题
title = scrapy.Field()
# 课程的url地址
url = scrapy.Field()
# 课程图片的url地址
image_url = scrapy.Field()
# 课程的描述
introduction = scrapy.Field()
# 学习人数
student = scrapy.Field()
- mooc.py中的内容：
# -*- coding: utf-8 -*-
import scrapy
from mySpider.items import CourseItem
class MoocSpider(scrapy.Spider):
# name：用于区别爬虫，必须是唯一的；
name = 'mooc'
# 允许爬取的域名；其他网站的页面直接跳过；
allowed_domains = ['www.imooc.com', 'img3.mukewang.com']
# 爬虫开启时第一个放入调度器的url地址；
start_urls = ['http://www.imooc.com/course/list']
# 被调用时，每个初始url完成下载后，返回一个响应对象；
# 负责将响应的数据分析，提取需要的数据items以及生成下一步需要处理的url地址请求；
def parse(self, response):
# 用来检测代码是否达到指定位置，以及用来调试并解析页面信息；
# from scrapy.shell import inspect_response
# inspect_response(response, self)
# 1). 实例化对象， CourseItem
course = CourseItem()
# 分析响应的内容
# scrapy分析页面使用的是xpath语法
# 2). 获取每个课程的信息：<div class="course-card-container">
courseDetails = response.xpath('//div[@class="course-card-container"]')
for courseDetail in courseDetails:
# 课程的名称：
# "htmlxxxx"
# 爬取新的网站， Scrapy里面进行调试(parse命令logging)
course['title'] = courseDetail.xpath('.//h3[@class="course-card-name"]/text()').extract()[0]
# 学习人数
course['student'] = courseDetail.xpath('.//span/text()').extract()[1]
# 课程描述:
course['introduction'] = courseDetail.xpath(".//p[@class='course-card-desc']/text()").extract()[0]
# 课程链接， h获取/learn/9 ====》 http://www.imooc.com/learn/9
course['url'] = "http://www.imooc.com" + courseDetail.xpath('.//a/@href').extract()[0]
# 课程的图片url:
course['image_url'] = 'http:' + courseDetail.xpath('.//img/@src').extract()[0]
yield course
# url跟进, 获取下一页是否有链接;href
url = response.xpath('.//a[contains(text(), "下一页")]/@href')[0].extract()
if url:
# 构建新的url
page = "http://www.imooc.com" + url
yield scrapy.Request(page, callback=self.parse)
- settings.py中的内容：
# Obey robots.txt rules
# ROBOTSTXT_OBEY = True
ROBOTSTXT_OBEY = False
MOOCFilename = "mooc.txt"
ITEM_PIPELINES = {
# 管道的位置: 优先级， 0～1000, 数字越小， 优先级越高;
'mySpider.pipelines.MyspiderPipeline': 300,
'mySpider.pipelines.CsvPipeline': 400,
'mySpider.pipelines.MysqlPipeline': 500,
'mySpider.pipelines.ImagePipeline': 200,
}
IMAGES_STORE = '/root/PycharmProjects/day29/mySpider/img'
- pipelines.py中的内容：
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
from mySpider.settings import MOOCFilename
from scrapy.pipelines.images import ImagesPipeline
class MyspiderPipeline(object):
"""将爬取的信息保存为Json格式"""
def __init__(self):
self.f = open(MOOCFilename, 'w')
def process_item(self, item, spider):
# 默认传过来的item是json格式
import json
# 读取item中的数据， 并转成json格式;
line = json.dumps(dict(item), ensure_ascii=False, indent=4)
self.f.write(line + '\n')
# 一定要加， 返回给调度为器；
return item
def open_spider(self, spider):
"""开启爬虫时执行的函数"""
pass
def close_spider(self, spider):
"""当爬虫全部爬取结束的时候执行的函数"""
self.f.close()
class CsvPipeline(object):
"""将爬取的信息保存为csv格式"""
def __init__(self):
self.f = open('mooc.csv', 'w')
def process_item(self, item, spider):
# xxxx:xxxxx:xxxx
item = dict(item)
self.f.write("{0}:{1}:{1}\n".format(item['title'], item['student'], item['url']))
# 一定要加， 返回给调度为器；
return item
def open_spider(self, spider):
"""开启爬虫时执行的函数"""
pass
def close_spider(self, spider):
"""当爬虫全部爬取结束的时候执行的函数"""
self.f.close()
import pymysql
class MysqlPipeline(object):
"""
将爬取的信息保存到数据库中
1. 创建mooc数据库
"""
def __init__(self):
super(MysqlPipeline, self).__init__()
self.conn = pymysql.connect(
host='localhost',
user='root',
password='redhat',
db='Mooc',
charset='utf8',
)
self.cursor = self.conn.cursor()
def process_item(self, item, spider):
# xxxx:xxxxx:xxxx
# item时一个对象,
item = dict(item)
info = (item['title'], item['url'], item['image_url'], item['introduction'], item['student'])
insert_sqli = "insert into moocinfo values('%s', '%s', '%s', '%s', '%s'); " %(info)
# open('mooc.log', 'w').write(insert_sqli)
# # 用来检测代码是否达到指定位置， 并用来调试并解析页面信息;
self.cursor.execute(insert_sqli)
self.conn.commit()
return item
def open_spider(self, spider):
"""开启爬虫时执行的函数"""
create_sqli = "create table if not exists moocinfo (title varchar(50), url varchar(200), image_url varchar(200), introduction varchar(500), student int)"
self.cursor.execute(create_sqli)
def close_spider(self, spider):
"""当爬虫全部爬取结束的时候执行的函数"""
self.cursor.close()
self.conn.close()
import scrapy
# scrapy框架里面，
class ImagePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
# 返回一个request请求， 包含图片的url地址
yield scrapy.Request(item['image_url'])
# 当下载请求完成后执行的函数/方法
def item_completed(self, results, item, info):
# open('mooc.log', 'w').write(results)
# 获取下载的地址
image_path = [x['path'] for ok,x in results if ok]
if not image_path:
raise Exception("不包含图片")
else:
return item
- 开始爬取：
scrapy crawl mooc
# 此处scrapy crawl + 爬虫名