vlambda博客
学习文章列表

crapy爬虫框架,入门案例(非常详细)

一、概述

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用途广泛,可以用于数据挖掘、监测和自动化测试.


其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 后台也应用在获取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.


二、Scrapy五大基本构成:

Scrapy框架主要由五大组件组成,它们分别是调度器(Scheduler)、下载器(Downloader)、爬虫(Spider)和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我们分别介绍各个组件的作用。


(1)、调度器(Scheduler):


调度器,说白了把它假设成为一个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(不做无用功)。用户可以自己的需求定制调度器。


(2)、下载器(Downloader):


下载器,是所有组件中负担最大的,它用于高速地下载网络上的资源。Scrapy的下载器代码不会太复杂,但效率高,主要的原因是Scrapy下载器是建立在twisted这个高效的异步模型上的(其实整个框架都在建立在这个模型上的)。


(3)、 爬虫(Spider):


爬虫,是用户最关心的部份。用户定制自己的爬虫(通过定制正则表达式等语法),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。


(4)、 实体管道(Item Pipeline):


实体管道,用于处理爬虫(spider)提取的实体。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。


(5)、Scrapy引擎(Scrapy Engine):


Scrapy引擎是整个框架的核心.它用来控制调试器、下载器、爬虫。实际上,引擎相当于计算机的CPU,它控制着整个流程。


 


三、整体架构图

本图按顺序说明整个程序执行时候发生的顺序。


注意在调用下载器时,往往有一个下载器中间件,使下载速度提速。




官网架构图 




 


四、Scrapy安装以及生成项目

 


新建一个项目,该项目的结构如下:


 


执行命令,widows和ubuntu命令格式是一样的:


下载方式


ubuntu,打开一个终端,输入pip install scrapy(或pip3  install scrapy)


widows ,打开一个cmd,输入pip install scrapy,前提是你装了pip


详细安装请点这




 


scrapy startproject 项目名


scrapy genspider 爬虫名 域名


scrapy crawl 爬虫名


我使用的是widows版本,下面演示创建项目的例子


打开cmd,输入(默认是在C:\Users\Administrator>这个目录下,你可以自行切换)


scrapy startproject myfirstPj


cd my firstPj


scrapy genspider baidu www.baidu.com


创建后目录大致页如下


|-ProjectName              #项目文件夹


   |-ProjectName           #项目目录


      |-items.py               #定义数据结构


      |-middlewares.py    #中间件


      |-pipelines.py          #数据处理


      |-settings.py            #全局配置


      |-spiders               


          |-__init__.py       #爬虫文件


          |-baidu.py


   |-scrapy.cfg               #项目基本配置文件


 


spiders下的baidu.py是scrapy自动为我们生成的




 


下面再看一下spdier项目的配置文件,打开文件settings.py 


BOT_NAME:项目名


USER_AGENT:默认是注释的,这个东西非常重要,如果不写很容易被判断为电脑,简单点洗一个Mozilla/5.0即可


ROBOTSTXT_OBEY:是否遵循机器人协议,默认是true,需要改为false,否则很多东西爬不了


 




 CONCURRENT_REQUESTS:最大并发数,很好理解,就是同时允许开启多少个爬虫线程


DOWNLOAD_DELAY:下载延迟时间,单位是秒,控制爬虫爬取的频率,根据你的项目调整,不要太快也不要太慢,默认是3秒,即爬一个停3秒,设置为1秒性价比较高,如果要爬取的文件较多,写零点几秒也行


COOKIES_ENABLED:是否保存COOKIES,默认关闭,开机可以记录爬取过程中的COKIE,非常好用的一个参数


DEFAULT_REQUEST_HEADERS:默认请求头,上面写了一个USER_AGENT,其实这个东西就是放在请求头里面的,这个东西可以根据你爬取的内容做相应设置。




 


ITEM_PIPELINES:项目管道,300为优先级,越低越爬取的优先度越高




 比如我的pipelines.py里面写了两个管道,一个爬取网页的管道,一个存数据库的管道,我调整了他们的优先级,如果有爬虫数据,优先执行存库操作。


ITEM_PIPELINES = {

    'scrapyP1.pipelines.BaiduPipeline': 300,

    'scrapyP1.pipelines.BaiduMysqlPipeline': 200,

}



 


 到这里我们尝试用scrapy做一下爬取,打开spider.py下的baidu.py(取决于你scrapy genspider 爬虫名 域名时输入的爬虫名)


输入一下代码,我们使用xpath提取百度首页的标题title


import scrapy

 

 

class BaiduSpider(scrapy.Spider):

    name = 'baidu'

    allowed_domains = ['www.baidu.com']

    start_urls = ['http://www.baidu.com/']

 

    def parse(self, response):

        tile=response.xpath('//html/head/title/text()')

        print(tile)

 


打开一个终端cmd,输入scrapy crawl baidu(爬虫名),就可以看到一大堆输出信息,而其中就包括我们要的内容




 


使用终端运行太麻烦了,而且不能提取数据,我们一个写一个run文件作为程序的入口,splite是必须写的,目的是把字符串转为列表形式,第一个参数是scrapy,第二个crawl,第三个baidu


from scrapy import cmdline

 

cmdline.execute('scrapy crawl baidu'.split())

可以在编辑器中输出了 




 


五、日志等级与日志保存

在setting.py里面可以设置日志的等级与日志存放的路径


相关变量


LOG_LEVEL= ""


LOG_FILE="日志名.log"


日志等级分为


1.DEBUG 调试信息


2.INFO 一般信息


3.WARNING 警告


4.ERROR 普通错误


5.CRITICAL 严重错误


如果设置


LOG_LEVEL="WARNING",就只会WARNING等级之下的ERROR和CRITICAL


默认等级是1


 


六、导出为json或scv格式

执行爬虫文件时添加-o选项即可


scrapy crawl 项目名 -o *.csv


scrapy crawl 项目名 -o *.json


对于json文件,在setting.js文件里添加,设置编码格式,否则会乱码:


FEED_EXPORT_ENCODING='utf-8'


示例:


from scrapy import cmdline

 

cmdline.execute('scrapy crawl baidu -o baidu.csv'.split())

 


七、一个完整的案例

这个项目我们的主题是爬腾讯视频的电影信息,包括电影名和描述




 


1.创建项目


打开一个终端输入(建议放到合适的路径下,默认是C盘)


scrapy startproject TXmovies


cd TXmovies


scrapy genspider txms v.qq.com


2.修改setting


修改三项内容,第一个是不遵循机器人协议,第二个是下载间隙,由于下面的程序要下载多个页面,所以需要给一个间隙(不给也可以,只是很容易被侦测到),第三个是请求头,添加一个User-Agent,第四个是打开一个管道


ROBOTSTXT_OBEY = False

 

DOWNLOAD_DELAY = 1

 

DEFAULT_REQUEST_HEADERS = {

  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',

  'Accept-Language': 'en',

  'User-Agent':'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'

}

 

ITEM_PIPELINES = {

   'TXmovies.pipelines.TxmoviesPipeline': 300,

}

 


3.确认要提取的数据,item项


item定义你要提取的内容(定义数据结构),比如我提取的内容为电影名和电影描述,我就创建两个变量。Field方法实际上的做法是创建一个字典,给字典添加一个建,暂时不赋值,等待提取数据后再赋值。下面item的结构可以表示为:{'name':'','descripition':''}。


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

 

# Define here the models for your scraped items

#

# See documentation in:

# https://docs.scrapy.org/en/latest/topics/items.html

 

import scrapy

 

 

class TxmoviesItem(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    name = scrapy.Field()

    description = scrapy.Field()


4.写爬虫程序


我们要写的部分是parse方法里的内容,重点在于如何写xpath,关于xpath我不多讲,有兴趣可以看看我另一篇文章,XPATH教程


引入刚刚写好的item,刚刚说了item里面创建的变量就是字典的键值,可以直接进行赋值。赋值后交给管道处理。


简单讲一下这一段代码的思路,首先腾讯视频的url为https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset=0&pagesize=30


我们注意到offset这一项,第一页的offset为0,第二页为30,依次推列。在程序中这一项用于控制抓取第一页,但是也要给一个范围,不可能无限大,否则会报错,可以去看看腾讯一共有多少页视频,也可以写一个异常捕获机制,捕捉到请求出错则退出。我这里仅仅是示范,所以只给了120,也就是4页。


 


yield


程序里一共有两个yield,我比较喜欢叫它中断,当然中断只在CPU中发生,它的作用是移交控制权,在本程序中,我们对item封装数据后,就调用yield把控制权给管道,管道拿到处理后return返回,又回到该程序。这是对第一个yield的解释。


第二个yield稍微复杂点,这条程序里利用了一个回调机制,即callback,回调的对象是parse,也就是当前方法,通过不断的回调,程序将陷入循环,如果不给程序加条件,就会陷入死循环,如本程序我把if去掉,那就是死循环了。


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


 


xpath


还有一个要注意的是如何提取xpathl里的数据,我们的写法有四种,第一种写法拿到selector选择器,也就是原数据,里面有一些我们用不到的东西。第二个extract(),将选择器序列号为字符串。第三个和第四个一样,拿到字符串里的第一个数据,也就是我们要的数据。


items['name']=i.xpath('./a/@title')[0]


items['name']=i.xpath('./a/@title').extract()


items['name']=i.xpath('./a/@title').extract_first()


items['name']=i.xpath('./a/@title').get()


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

import scrapy

from ..items import TxmoviesItem

 

class TxmsSpider(scrapy.Spider):

    name = 'txms'

    allowed_domains = ['v.qq.com']

    start_urls = ['https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset=0&pagesize=30']

    offset=0

 

    def parse(self, response):

        items=TxmoviesItem()

        lists=response.xpath('//div[@class="list_item"]')

        for i in lists:

            items['name']=i.xpath('./a/@title').get()

            items['description']=i.xpath('./div/div/@title').get()

 

            yield items

 

        if self.offset < 120:

            self.offset += 30

            url = 'https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset={}&pagesize=30'.format(

                str(self.offset))

 

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


5.交给管道输出


管道可以处理提取的数据,如存数据库。我们这里仅输出。


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

 

# 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

 

 

class TxmoviesPipeline(object):

    def process_item(self, item, spider):

        print(item)

        return item

6.run,执行项目


from scrapy import cmdline

 

cmdline.execute('scrapy crawl txms'.split())

7.测试结果


白色的管道输出的结果,红色的调试信息




 


8.流程梳理


新建项目-》进入项目-》新建爬虫文件-》明确抓取的内容,写item-》写爬虫程序,爬取数据-》交给管道处理数据-》调整全局配置setting-》执行爬虫程序,可以通过终端或者在程序里写一个run程序


 


9.提速:多线程爬取


如果你实现了上面的实验,不难发现其爬取速度是非常慢,根本的原因就是因为它是顺序执行的,你可以从结果中看出,总是前面一页的内容被输出,再输出后面的内容。不适合处理数据量较大的情况,一个好的方式是采用多线程的方法,这里的多线程是基于方法的多线程,并不是通过创建Thread对象来实现,是在一个方法中,一次性把请求交给调度器。


我们通过重写start_requests方法来实现我们的想法(这个方法的源码在__init__.py下面,有兴趣可以看一下)


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

import scrapy

from ..items import TxmoviesItem

 

class TxmsSpider(scrapy.Spider):

    name = 'txms'

    allowed_domains = ['v.qq.com']

    url='https://v.qq.com/x/bu/pagesheet/list?append=1&channel=cartoon&iarea=1&listpage=2&offset={}&pagesize=30'

    offset=0

 

    def start_requests(self):

        for i in range(0,121,30):

            url=self.url.format(i)

            yield scrapy.Request(

                url=url,

                callback=self.parse

            )

 

    def parse(self, response):

        items=TxmoviesItem()

        lists=response.xpath('//div[@class="list_item"]')

        for i in lists:

            items['name']=i.xpath('./a/@title').get()

            items['description']=i.xpath('./div/div/@title').get()

 

            yield items