vlambda博客
学习文章列表

一文快速掌握 scrapy 爬虫框架

（给Python开发者加星标，提升Python技能）

【导语】scrapy是一款优秀的纯python爬虫框架，也是当今开源领域最流行的爬虫框架，本文接近全面的介绍了scrapy框架，想学爬虫的同学，快来看看吧。


1. scrapy简介


scrapy是基于事件驱动的Twisted框架下用纯python写的爬虫框架。很早之前就开始用scrapy来爬取网络上的图片和文本信息，一直没有把细节记录下来。这段时间，因为工作需要又重拾scrapy爬虫，本文和大家分享下，包你一用就会， 欢迎交流。


1.1 scrapy框架


scrapy框架包括5个主要的组件和2个中间件Hook。


  • ENGIINE：整个框架的控制中心， 控制整个爬虫的流程。根据不同的条件添加不同的事件（就是用的Twisted）
  • SCHEDULER：事件调度器
  • DOWNLOADER：接收爬虫请求，从网上下载数据
  • SPIDERS：发起爬虫请求，并解析DOWNLOADER返回的网页内容，同时和数据持久化进行交互,需要开发者编写
  • ITEM PIPELINES：接收SPIDERS解析的结构化的字段，进行持久化等操作，需要开发者编写
  • MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之间一些额外的操作，hook的方式提供给开发者


从上可知，我们只要实现SPIDERS（要爬什么网站，怎么解析）和ITEM PIPELINES（如何处理解析后的内容）就可以了。其他的都是有框架帮你完成了。（图片来自网络，如果侵权联系必删）



1.2 scrapy数据流


我们再详细看下组件之间的数据流，会更清楚框架的内部运作。（图片来自网络，如果侵权联系必删）


一文快速掌握 scrapy 爬虫框架



    1. SPIDERS发爬虫请求给ENGIINE， 告诉它任务来了

    2. ENGIINE将请求添加到SCHEDULER调度队列里, 说任务就交给你了，给我安排好

    3. SCHEDULER看看手里的爬取请求很多，挑一个给ENGIINE， 说大哥帮忙转发给下载DOWNLOADER

    4. ENGIINE：好的， DOWNLOADER你的任务来了

    5. DOWNLOADER：开始下载了，下载好了，任务结果 交给ENGIINE

    6. ENGIINE将结果给SPIDERS， 你的一个请求下载好了，快去解析吧

    7. SPIDERS：好的，解析产生了结果字段。又给SPIDERS转发给ITEM PIPELINES

    8. ITEM PIPELINES: 接收到字段内容，保存起来。


第1步到第8步，一个请求终于完成了。是不是觉得很多余？ENGIINE夹在中间当传话筒，能不能直接跳过？可以考虑跳过了会怎么样。


这里分析一下


  • SCHEDULER的作用：任务调度， 控制任务的并发，防止机器处理不过来
  • ENGIINE：就是基于Twisted框架, 当事件来（比如转发请求）的时候，通过回调的方式来执行对应的事件。我觉得ENGIINE让所有操作变的统一，都是按照事件的方式来组织其他组件， 其他组件以低耦合的方式运作；对于一种框架来说，无疑是必备的。


2. 基础：XPath


写爬虫最重要的是解析网页的内容，这个部分就介绍下通过XPath来解析网页，提取内容。


2.1 HTML节点和属性


（图片来自网络，如果侵权联系必删）


2.2 解析语法


  • a / b：‘/’在 xpath里表示层级关系，左边的 a是父节点，右边的 b是子节点
  • a // b：表示a下所有b，直接或者间接的
  • [@]：选择具有某个属性的节点
    • //div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点
    • //div[@class="container"]：选择具有 class属性的值为 container的 div节点
  • //a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签


一个例子

response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()# 获取所有class属性（css）为taglist的div， 下一个层ul下的所有li下所有a下所有img标签下data-original属性# data-original这里放的是图片的url地址

更多详见

http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths

3. 安装部署


Scrapy 是用纯python编写的，它依赖于几个关键的python包（以及其他包）：

  • 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 
# 安装pip install scrapy

4. 创建爬虫项目

scrapy startproject sexy# 创建一个后的项目目录# sexy# │ scrapy.cfg# │# └─sexy# │ items.py# │ middlewares.py# │ pipelines.py# │ settings.py# │ __init__.py# │# ├─spiders# │ │ __init__.py# │ │# │ └─__pycache__# └─__pycache__
# 执行 需要到scrapy.cfg同级别的目录执行scrapy crawl sexy

从上可知，我们要写的是spiders里的具体的spider类和items.py和pipelines.py（对应的ITEM PIPELINES）


5. 开始scrapy爬虫


5.1 简单而强大的spider


这里实现的功能是从图片网站中下载图片，保存在本地， url做了脱敏。需要注意的点在注释要标明


  • 类要继承 scrapy.Spider
  • 取一个唯一的name
  • 爬取的网站url加到start_urls列表里
  • 重写parse利用xpath解析reponse的内容


可以看到parse实现的时候没有转发给ITEM PIPELINES，直接处理了。这样简单的可以这么处理，如果业务很复杂，建议交给ITEM PIPELINES。后面会给例子

# 目录结果为：spiders/sexy_spider.pyimport scrapyimport osimport requestsimport time

def download_from_url(url): response = requests.get(url, stream=True) if response.status_code == requests.codes.ok: return response.content else: print('%s-%s' % (url, response.status_code)) return None

class SexySpider(scrapy.Spider): # 如果有多个spider， name要唯一 name = 'sexy' allowed_domains = ['uumdfdfnt.94demo.com'] allowed_urls = ['http://uumdfdfnt.94demo.com/']
 # 需要爬取的网站url加到start_urls list里 start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html'] save_path = '/home/sexy/dingziku'
 def parse(self, response): # 解析网站，获取图片列表 img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall() time.sleep(1)
 # 处理图片， 具体业务操作， 可交给items， 见5.2 items例子 for img_url in img_list: file_name = img_url.split('/')[-1] content = download_from_url(img_url) if content is not None: with open(os.path.join(self.save_path, file_name), 'wb') as fw: fw.write(content)
 # 自动下一页（见5.3 自动下一页） next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get() if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)

5.2 items和pipline例子


这里说明下两个的作用


  • items：提供一个字段存储， spider会将数据存在这里
  • pipline：会从items取数据，进行业务操作，比如5.1中的保存图片；又比如存储到数据库中等


我们来改写下上面的例子


  • items.py其实就是定义字段scrapy.Field() 
import scrapyclass SexyItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() img_url = scrapy.Field()
  • spiders/sexy_spider.py 
import scrapyimport os# 导入itemfrom ..items import SexyItem
class SexySpider(scrapy.Spider): # 如果有多个spider， name要唯一 name = 'sexy' allowed_domains = ['uumdfdfnt.94demo.com'] allowed_urls = ['http://uumdfdfnt.94demo.com/']
 # 需要爬取的网站url加到start_urls list里 start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html'] save_path = '/home/sexy/dingziku'
 def parse(self, response): # 解析网站，获取图片列表 img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall() time.sleep(1)
 # 处理图片， 具体业务操作， 可交给yield items for img_url in img_list: items = SexyItem() items['img_url'] = img_url yield items
  • pipelines.py 
import osimport requests

def download_from_url(url): response = requests.get(url, stream=True) if response.status_code == requests.codes.ok: return response.content else: print('%s-%s' % (url, response.status_code)) return None

class SexyPipeline(object):
 def __init__(self): self.save_path = '/tmp'
 def process_item(self, item, spider): if spider.name == 'sexy': # 取出item里内容 img_url = item['img_url']  # 业务处理 file_name = img_url.split('/')[-1] content = download_from_url(img_url) if content is not None: with open(os.path.join(self.save_path, file_name), 'wb') as fw: fw.write(content) return item
  • 重要的配置要开启在settings.py中开启piplines类，数值表示优先级 
ITEM_PIPELINES = { 'sexy.pipelines.SexyPipeline': 300,}

5.3 自动下一页


有时候我们不仅要爬取请求页面中的内容，还要递归式的爬取里面的超链接url，特别是下一页这种，解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。


  • 先在页面解析下下一页的url
  • scrapy.Request(next_page, callback=self.parse) 发起一个请求，并调用parse来解析，当然你可以用其他的解析


完美了，完整例子见5.1

next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)


5.4 中间件


  • 下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request，响应process_response和异常process_exception三个钩子函数。
  • 处理请求process_request: 传给DOWNLOADER之前做的操作
  • 响应process_response：DOWNLOADER给ENGIINE响应之前的操作


这里举一个添加模拟浏览器请求的方式，防止爬虫被封锁。重写process_request

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddlewareimport randomagents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1', 'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']
class RandomUserAgent(UserAgentMiddleware): def process_request(self, request, spider): ua = random.choice(agents) request.headers.setdefault('User-agent',ua,)

统一要在settings.py中开启下载中间件，数值表示优先级

DOWNLOADER_MIDDLEWARES = { 'sexy.middlewares.customUserAgent.RandomUserAgent': 20,}

5.5 可用配置settings.py


除了上面提供的pipline配置开启和中间件配置外，下面介绍几个常用的配置


  • 爬虫机器人规则：ROBOTSTXT_OBEY = False， 如果要爬取的网站有设置robots.txt，最好设置为False
  • CONCURRENT_REQUESTS：并发请求
  • DOWNLOAD_DELAY：下载延迟，可以适当配置，避免把网站也爬挂了。


所有的配置详见 https://doc.scrapy.org/en/latest/topics/settings.html


6. 总结


相信从上面的介绍，你已经可以动手写一个你自己的爬虫了。我也完成了做笔记的任务了。scrapy还提供更加详细的细节，可参见 https://docs.scrapy.org/en/latest/。


最后总结如下：


  • scrapy是基于事件驱动Twisted框架的爬虫框架。ENGIINE是核心，负责串起其他组件
  • 开发只要编写spider和item pipline和中间件， download和schedule交给框架
  • scrapy crawl 你的爬虫name，name要唯一
  • 爬取的url放在start_urls， spider会自动Request的，parse来解析
  • pipline和中间件要记得在settings中开启
  • 关注下settings的常用配置，需要时看下文档
作者简介：wedo实验君, 数据分析师；热爱生活，热爱写作


- EOF -

推荐阅读   点击标题可跳转

1、

2、

3、


觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️

推荐阅读

数码宝贝物语 时空异客 学习版 数码宝贝物语 时空异客 学习版
分库分表：TiDB，求别抢饭碗！ 分库分表：TiDB，求别抢饭碗！

相关文章