scrapy爬虫具体案例详细分析

scrapy，它是一个整合了的爬虫框架, 有着非常健全的管理系统. 而且它也是分布式爬虫, 它的管理体系非常复杂. 但是特别高效.用途广泛，主要用于数据挖掘、检测以及自动化测试。

本项目实现功能：模拟登录、分页爬取、持久化至指定数据源、定时顺序执行多个spider

一、安装

首先需要有环境，本案例使用
python 2.7，macOS 10.12，mysql 5.7.19

下载scrapy

pip install scrapy

下载Twisted

pip install Twisted

下载MySQLdb

pip install MySQLdb

二、构建项目

创建项目

*****@localhost:~$ scrapy startproject scrapy_school_insurance

scrapy_school_insurance/
    spiders/                        
        _init_.py
    _init_.py
    items.py                    ---- 实体（存储数据信息）
    middlewares.py          ---- 中间件（初级开发无需关心）
    pipelines.py                ---- 处理实体，页面被解析后的数据会发送到此（持久化、验证实体有效性，去重）
    setting.py             ---- 设置文件
scrapy.cfg                  ---- configuration file

在spiders下创建school_insurance_spider.py 编写具体爬取页面信息的代码

三、spider

首先，要做的是定义items，也就是你需要的数据项，数据存储的地方。

定义Item非常简单，只需要继承scrapy.Item类，并将所有字段都定义为scrapy.Field类型即可。
Field对象用来对每个字段指定元数据。

定义子项目的items.py

# -*- coding: utf-8 -*—

import scrapy


class ScrapySchoolInsuranceItem(scrapy.Item):
    # 班级名称
    classroom = scrapy.Field()
    # 学生身份证
    id_card = scrapy.Field()
    # 学生姓名
    student_name = scrapy.Field()
    # 家长姓名
    parent_name = scrapy.Field()
    # 练习电话
    phone = scrapy.Field()
    # 是否缴费
    is_pay = scrapy.Field()
    # 学校名称
    school_id = scrapy.Field()

下面进行网络爬取步骤：
school_insurance_spider.py 文件
此类需要继承scrapy.Spider类
先分析一下基本结构和工作流程：

import scrapy


class SchoolInsuranceSpider(scrapy.Spider):
    name = "school_insurance"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        pass

这是spider最基本的结构：
name：是你爬虫的名字，后面启动爬虫的时候使用就是这个参数。
start_requests()：是初始请求，爬虫引擎会自动调取。
urls：是你定义需要爬取的url，可以是一个也可以是多个。
parse()：函数主要进行网页分析，爬取数据。当你的返回没有指定回调函数的时候，默认回调parse()函数；

先来分析一下在迭代器中的这句话：

yield scrapy.Request(url=url, callback=self.parse)

yield 是一个python关键字，代表这个函数返回的是个生成器。

理解yield，你必须理解：当你仅仅调用这个函数的时候，函数内部的代码并不立马执行，这个函数只是返回一个生成器对象。只有当你进行迭代此对象的时候才会真正的执行其中的代码，并且以后的迭代会从在函数内部定义的那个循环的下一次，再返回那个值，直到没有可以返回的。

这里的start_requests函数就会被当做一个生成器使用，而scrapy引擎可以被看作是迭代器。scrapy会逐一获取start_requests方法中生成的结果，并判断该结果是一个什么样的类型。当返回Request时会被加入到调度队列中，当返回items时候会被pipelines调用。很显然，此时迭代返回的是request对象。

引擎会将此请求发送到下载中间件，通过下载中间件下载网络数据。一旦下载器完成页面下载，将下载结果返回给爬虫引擎。引擎将下载器的响应（response对象）通过中间件返回给爬虫。此时request（）使用了回调函数parse()，则response作为第一参数传入，进行数据被提取操作。

当你直接使用scrapy.Request()方法时默认是get请求。

而此项目是要爬取一个需要登录的网站，第一步要做的是模拟登录，需要post提交form表单。所以就要使用scrapy.FormRequest.from_response()方法：

def start_requests(self):
        start_url = 'http://jnjybx.jnjy.net.cn/admin/login.aspx?doType=loginout'
        return [
            Request(start_url, callback=self.login)
        ]
        
# 模拟用户登录
def login(self, response):
        return scrapy.FormRequest.from_response(
            response,
            formdata={'username': ‘***’, 'password': ‘***’},
            meta={'school_id': ***},
            callback=self.check_login
        ）

访问网址后我们直接回调login方法，进行表单提交请求。表单结构需根据不同网站自己分析，此网站只需提交username和password，如果你需要传递自定义参数，可通过meta属性进行定义传递,回调函数中使用response.meta['school_id']就可以获取传递的参数了。一般网站登录成功之后会直接返回，登录后的页面的response，就可以直接回调数据爬取的方法进行爬取了。
但此网站会单独返回一段json来告诉我是否登录成功，并且并不提供下一步的url，所以我这里多了一步check_login（）方法，并在判断登录成功后的代码段里重新请求了登录成功后的url。（scrapy是默认保留cookie的！）

模拟登录完整代码：

#  -*- coding: utf-8 -*-
import scrapy

import json
import logging
from scrapy.http import Request

from scrapy_school_insurance.items import ScrapySchoolInsuranceItem


class SchoolInsuranceSpider(scrapy.Spider):
    name = "school_insurance"

    allowed_domains = ['jnjy.net.cn']

     # 在这里定义了登录成功后的url，供再次请求使用
    target_url = 'http://jnjybx.jnjy.net.cn/admin/index.aspx'

    def __init__(self, account, **kwargs):
        super(SchoolInsuranceSpider, self).__init__(**kwargs)
        self.account = account

    def start_requests(self):
        start_url = 'http://jnjybx.jnjy.net.cn/admin/login.aspx?doType=loginout'

        return [
            Request(start_url, callback=self.login)
        ]

    # 模拟用户登录
    def login(self, response):
            return scrapy.FormRequest.from_response(
                response,
                formdata={'username': '***', 'password': '***'},
                meta={'school_id': ***},
                callback=self.check_login
            )

    # 检查登录是否成功
    def check_login(self, response):
        self.logger.info(response.body)
        body_json = json.loads(response.body)
        # 获取参数
        school_id = response.meta['school_id']
        self.logger.info(school_id)
        if "ret" in body_json and body_json["ret"] != 0:
            self.logger.error("Login failed")
            return
        else:
            self.logger.info("Login Success")
            # 这里重新请求了一次
            yield scrapy.Request(self.target_url, meta={'school_id': school_id}, callback=self.find_student_manager)

因为主页并不是我需要的页面，所以find_student_manager（）方法作用是找到我需要的那个链接，进行请求后再进行分页爬取。

    # 检验登录成功后 跳转 学生管理连接
    def find_student_manager(self, response):
        self.logger.info(response.url)
        school_id = response.meta['school_id']
        self.logger.info(school_id)
        next_page = response.css('a[href="studentManage.aspx"]::attr(href)').extract_first()
        logging.info(next_page)
        if next_page is not None:
            self.logger.info("next_url:" + next_page)
            next_page = response.urljoin(next_page)
            self.logger.info("next_url:" + next_page)
            yield scrapy.Request(next_page, meta={'school_id': school_id})
        else:
            self.logger.error("not find href you needed")

解析html是需要选择器的，和编写css时给页面加样式的时候操作类似。

scrapy提供两种选择器xpath(),css();

XPath是用来在XML中选择节点的语言，同时可以用在HTML上面。CSS是HTML文档上面的样式语言。

css选择器语法请参考：https://www.cnblogs.com/ruoniao/p/6875227.html

我这里使用css选择器来获取a标签的herf,分析一下这句话：

next_page=response.css('a[href="studentManage.aspx"]::attr(href)').extract_first()

简单来讲，.css()返回的是一个SelectorList对象，它是内建List的子类，我们并不能直接使用它得到数据。.extract()方法就是使SelectorList ——> List，变为单一化的unicode字符串列表，我们就可以直接使用了。.extract_first()顾名思义，就是取第一个值，也可写为 .extract()[0],需要注意的是list为空的时候会报异常。

再看看这句话:

next_page = response.urljoin(next_page)

通过选择器获取到是一个href的字符串值，是相对url，需要使用.urljoin()方法来构建完整的绝对URL，便于再次请求。

进入需要爬取的页面，开始分页爬取：

# 爬取 需要 的数据
    def parse(self, response):
        school_id = response.meta['school_id']

        counter = 0
        # id_cards = response.css('tr[target="ID_CARD"]::attr(rel)')
        # i = 0
        view_state = response.css('input#__VIEWSTATE::attr(value)').extract_first()
        view_state_generator = response.css('input#__VIEWSTATEGENERATOR::attr(value)').extract_first()
        page_num = response.css('input[name="pageNum"]::attr(value)').extract_first()
        num_per_page = response.css('input[name="numPerPage"]::attr(value)').extract_first()
        order_field = response.css('input[name="orderField"]::attr(value)').extract_first()
        order_direction = response.css('input[name="orderDirection"]::attr(value)').extract_first()
        self.logger.info(page_num)

        for sel in response.css('tr[target="ID_CARD"]'):

            counter = counter + 1
            item = ScrapySchoolInsuranceItem()

            item['classroom'] = sel.css('td::text').extract()[0]
            item['id_card'] = sel.css('td::text').extract()[1]
            item['student_name'] = sel.css('td::text').extract()[2]
            item['parent_name'] = sel.css('td::text').extract()[3]
            item['phone'] = sel.css('td::text').extract()[4]
            item['is_pay'] = sel.css('span::text').extract_first()
            item['school_id'] = school_id
            yield item

        self.logger.info(str(counter)+" "+num_per_page)

        if counter == int(num_per_page):
            yield scrapy.FormRequest.from_response(
                response,
                formdata={'__VIEWSTATE': view_state, '__VIEWSTATEGENERATOR': view_state_generator,
                          'pageNum': str(int(page_num) + 1), 'numPerPage': num_per_page,
                          'orderField': order_field, 'orderDirection': order_direction},
                meta={'school_id': school_id},
                callback=self.parse
            )

分析页面：

我所需要的数据是的结构，且每页的结构都相同，其中一小段html：

<tr target="ID_CARD" rel='1301*******0226'>
         <td >初中二年级7班(南京市***中学)</td>
         <td >130**********226</td>
         <td >李**</td>
         <td >蒋**</td>
         <td >139******61</td>
         <td ><span style='color:green'>已支付</span></td>
</tr>

所以只需要使用选择器进行循环爬取付值给item，然后回调自己就可以把所有数据爬取下来了。

看Chrome的请求状态，发现是post请求且有两个陌生的参数。分析页面发现有两个隐藏参数__VIEWSTATE，__VIEWSTATEGENERATOR，且每次请求都会改变。

<input type="hidden" name="__VIEWSTATE" id="__VIEWSTATE" value="***" />

<input type="hidden" name="__VIEWSTATEGENERATOR" id="__VIEWSTATEGENERATOR" value="CCD96271" />

ViewState是ASP.NET中用来保存WEB控件回传时状态值一种机制。__EVENTVALIDATION只是用来验证事件是否从合法的页面发送，只是一个数字签名。
对于我们爬虫而需要做的就是，获取本页面的这两个值，在请求下一页面的时候作为参数进行请求。分页爬取需要不断回调自己进行递归，此时请求并不是get请求，而是url不变的post请求，我这是使用一个计数器counter防止其无限递归下去。

这里你会仔细发现，一开始自定义的school_id也被加入了item中。

前面提到，爬虫引擎会检索返回值，返回items时候会被pipelines调用，pipelines就是处理数据的类。

四、持久化操作

pipelines.py

# -*- coding: utf-8 -*-
import MySQLdb


class ScrapySchoolInsurancePipeline(object):

    def process_item(self, item, spider):

        db_name = ""
        if item["school_id"] == '1002':
            db_name = "scrapy_school_insurance"
        elif item["school_id"] == '1003':
            db_name = "db_mcp_1003"
        if db_name != "":
            conn = MySQLdb.connect("localhost", "root", "a123", db_name, charset='utf8')
            cursor = conn.cursor()
            # 使用cursor()方法获取操作游标
            # 使用execute方法执行SQL语句
            sql = "insert into `insurance_info` " \
                  "(classroom,id_card,student,parent,phone,is_pay,school_id) " \
                  "values (%s, %s, %s, %s, %s, %s, %s)" \
                  "ON DUPLICATE KEY UPDATE is_pay = %s;"
            params = (item["classroom"], item["id_card"],
                      item["student_name"], item["parent_name"],
                      item["phone"], item["is_pay"], item["school_id"], item["is_pay"])
            cursor.execute(sql, params)
       、conn.commit()
       cursor.close()
       conn.close()

process_item()方法，是pipeline默认调用的。因为需要根据school_id进行分库插入并没有进行setting设置，而是使用MySQLdb库动态链接数据库。执行sql操作和java类似。sql使用“ON DUPLICATE KEY UPDATE”去重更新。

此时我们已经完成了三步，定义items，编写spider逻辑，pipeline持久化。
下一步就是如何让程序正确的跑起来。

五、运行

谈运行，首先要说一下本案例setting.py的书写，它设计运行的方方面面。

# -*- coding: utf-8 -*-

BOT_NAME = 'scrapy_school_insurance'

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

# 编码格式
FEED_EXPORT_ENCODING = 'utf-8'

# Obey robots.txt rules 不遵循网络规范
ROBOTSTXT_OBEY = False

EXTENSIONS = {
    'scrapy.telnet.TelnetConsole': None
}

# 设置log级别
# LOG_LEVEL = 'INFO'

# 本项目带登陆需要开启cookies，一般爬取不需要cookie
COOKIES_ENABLED = True

 'scrapy_school_insurance.middlewares.ScrapySchoolInsuranceSpiderMiddleware': 543,
 
# 开启 后pipelines才生效 后面的数字表示的是pipeline的执行顺序
ITEM_PIPELINES = {
   'scrapy_school_insurance.pipelines.ScrapySchoolInsurancePipeline': 300,
}

完成如上操作后，在终端中到达此项目根目录下运行：

scrapy crawl school_insurance

想生成json文件：

scrapy crawl school_insurance -o test.json -t json

现在我有多个账号存在数据库中，想分别登入读取信息该如何操作？

构思了两个方案：

1.读取所有账号，存入一个spider中，每次用一个账号爬取完后退出登录，清除cookie，再拿第二个账号登入，进行爬取工作。
2.动态配置spider，每个账号对应一个spider，进行顺序执行。

仅从描述上看，第二个方案就比第一个方案靠谱，可行。

采用第二个方案，需要动态配置完之后告诉spider要运行了，也就是使用编程的方式运行spider：Scrapy是构建于Twisted异步网络框架基础之上，因此可以启动Twisted reactor并在reactor中启动spider。CrawlerRunner就会为你启动一个Twisted reactor。需先新建一个run.py：

#!/bin/env python
#  -*- coding: utf-8 -*-
import logging

import MySQLdb.cursors
from twisted.internet import reactor


from scrapy.utils.project import get_project_settings
from scrapy.utils.log import configure_logging
from scrapy.crawler import CrawlerRunner

import sys
sys.path.append("../")
from scrapy_school_insurance.spiders.school_insurance_spider import SchoolInsuranceSpider

if __name__ == '__main__':
    settings = get_project_settings()
    configure_logging(settings)
    db_names = ['scrapy_school_insurance', 'db_mcp_1003']
    results = list()
    for db_name in db_names:
        logging.info(db_name)
        db = MySQLdb.connect("localhost", "root", "a123", db_name, charset='utf8',
                             cursorclass=MySQLdb.cursors.DictCursor)
        # 使用cursor()方法获取操作游标
        cursor = db.cursor()
        # 使用execute方法执行SQL语句
        cursor.execute("select * from school_account")
        # 使用 fetchone() 方法获取一条数据
        result = cursor.fetchone()
        logging.info(result)
        results.append(result)
        db.close()
    logging.info(results)
    runner = CrawlerRunner(settings)

    for result in results:
        runner.crawl(SchoolInsuranceSpider, account=result)

    d = runner.join()
    d.addBoth(lambda _: reactor.stop())

    reactor.run()

    logging.info("all findAll")

需要注意的是数据库

获取账号信息，启动reactor，启动spider

runner = CrawlerRunner(settings)

for result in results:
    runner.crawl(SchoolInsuranceSpider, account=result)

这句话在spider时，将账号信息作为参数传递过去了，所以我们的spider需要修改一下接收参数
加入构造器，供内部调用：

 def __init__(self, account, **kwargs):
        super(SchoolInsuranceSpider, self).__init__(**kwargs)
        self.account = account

此时login()可修改为：

    def login(self, response):
        return scrapy.FormRequest.from_response(
            response,
            formdata={'username': self.account['username'], 'password': self.account['password']},
            meta={'school_id': self.account['school_id']},
            callback=self.check_login
        )

完成后在终端运行run.py即可：

@localhost:~/project-workspace/scrapy_school_insurancescrapy_school_insurance/$ python run.py

此时会报 not import SchoolInsuranceSpider，但是已经明明import了，因为路径的问题，run.py启动时并找不到它，需在import前加 sys.path.append("../")python才可以通过路径找到它

最后需要做的就是定时启动python脚本：
使用crontab
详细语法参考：https://blog.csdn.net/netdxy/article/details/50562864

主要是两步

crontab -e

添加定时任务，每天3点执行python脚本，wq，ok

* */3 * * * python ~/project-workspace/scrapy_school_insurance/scrapy_school_insurance/run.py

六、梳理

Scrapy架构组件、运行流程，结合实例理解一下