vlambda博客
学习文章列表

最近有不少朋友吐槽Ruia框架的中文文档实在low，痛定思痛；我将计划在接下来的一周完善Ruia爬虫框架的中文文档，大家有任何建议的话，欢迎留言，更欢迎作为贡献者加入进来一起完善Ruia框架

Ruia是一个基于asyncio和aiohttp的异步爬虫框架，目标在于让开发者编写爬虫尽可能地方便快速。

写更少的代码，获取更快的运行速度：

• 教程： 中文文档 ^[1] | documentation ^[2]
• Github 组织： python-ruia ^[3]
• 插件： awesome-ruia ^[4](你贡献的任何插件都是值得赞赏且可贵的！)

本教程将基于Ruia^[5]快速实现一个以Hacker News^[6]为目标的爬虫。

本文主要通过对Hacker News^[7]的爬取示例来展示如何使用Ruia^[8]，下图红框中的数据就是爬虫脚本需要爬取的目标：

开始前的准备工作：

• 确定已经安装 Ruia ^[9]： pip install ruia -U
• 确定可以访问 Hacker News ^[10]

第一步：定义 Item

Item的目的是定义目标网站中你需要爬取的数据，此时，爬虫的目标数据就是页面中的Title和Url，怎么提取数据，Ruia^[11]的Field^[12]类提供了以下三种方式提取目标数据：

• XPath ^[13]
• Re ^[14]
• CSS Selector ^[15]

这里我们使用CSS Selector来提取目标数据，用浏览器打开Hacker News^[16]，右键审查元素：

Notice: 本教程爬虫例子都默认使用 CSS Selector 的规则来提取目标数据

显而易见，每页包含30条资讯，那么目标数据的规则可以总结为：

规则明确之后，就可以用Item来实现一个针对于目标数据的 ORM，创建文件items.py，复制下面代码：

from ruia import AttrField, TextField, Item


class HackerNewsItem(Item):
    target_item = TextField(css_select='tr.athing')
    title = TextField(css_select='a.storylink')
    url = AttrField(css_select='a.storylink', attr='href')

这段代码含义是：针对我们提取的目标HTML，我们定义了一个HackerNewsItem类，其包含了两个field：

• title：直接从文本提取
• url：从属性提取

等等！target_item是什么？对于一个Item类来说，当其定义好网页目标数据后，Ruia提供两种方式进行获取Item：

• get_item：获取网页的单目标，比如目标网页的标题，此时无需定义 target_item；
• get_items：获取网页的多目标，比如当前目标网页 Hacker News ^[17]中的 title和 url一共有 30个，这时就必须定义 target_item来寻找多个目标块； target_item的作用就是针对这样的工作而诞生的，开发者只要定义好这个属性（此时 Ruia 会自动获取网页中 30个 target_item），然后每个 target_item里面包含的 title和 url就会被提取出来。

第二步：测试 Item

**Ruia**^[18]为了方便扩展以及自由地组合使用，本身各个模块之间耦合度是极低的，每个模块都可以在你的项目中单独使用；你甚至只使用ruia.Item、Ruia.TextField和ruia.AttrField来编写一个简单的爬虫。

脚本调试

基于这个特性，我们可以直接在脚本里面测试HackerNewsItem：

import asyncio

from ruia import Item, TextField, AttrField


class HackerNewsItem(Item):
    target_item = TextField(css_select='tr.athing')
    title = TextField(css_select='a.storylink')
    url = AttrField(css_select='a.storylink', attr='href')


async def test_item():
    url = 'https://news.ycombinator.com/news?p=1'
    async for item in HackerNewsItem.get_items(url=url):
        print('{}: {}'.format(item.title, item.url))


if __name__ == '__main__':
    # Python 3.7 Required.
    asyncio.run(test_item())

    # For Python 3.6
    # loop = asyncio.get_event_loop()
    # loop.run_until_complete(test_item())

接下来，终端会输出以下日志：

[2021:04:04 21:37:23] INFO  Request <GET: https://news.ycombinator.com/news?p=1>
How to bypass Cloudflare bot protection: https://jychp.medium.com/how-to-bypass-cloudflare-bot-protection-1f2c6c0c36fb
The EU has archived all of the “Euromyths” printed in UK media: https://www.thelondoneconomic.com/news/the-eu-have-archived-all-of-the-euromyths-printed-in-uk-media-and-it-makes-for-some-disturbing-reading-108942/
Laser: Learning a Latent Action Space for Efficient Reinforcement Learning: https://arxiv.org/abs/2103.15793
StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery: https://github.com/orpatashnik/StyleCLIP

终端调试

为了使**Ruia**^[19]的脚本调试过程更加方便优雅，开发者还可以直接使用ruia-shell^[20]插件进行调试，首先进行安装：

pip install -U ruia-shell
pip install ipython

具体使用如下：

➜  ~  ruia_shell https://news.ycombinator.com/news\?p\=1
            ✨ Write less, run faster(0.8.2).
__________      .__                .__           .__  .__
\______   \__ __|__|____      _____|  |__   ____ |  | |  |
 |       _/  |  \  \__  \    /  ___/  |  \_/ __ \|  | |  |
 |    |   \  |  /  |/ __ \_  \___ \|   Y  \  ___/|  |_|  |__
 |____|_  /____/|__(____  / /____  >___|  /\___  >____/____/
        \/              \/       \/     \/     \/
Available Objects   :
    response            :   ruia.Response
    request             :   ruia.Request
Available Functions :
    attr_field          :   Extract attribute elements by using css selector or xpath
    text_field          :   Extract text elements by using css selector or xpath
    fetch               :   Fetch a URL or ruia.Request
In [1]: request
Out[1]: <GET https://news.ycombinator.com/news?p=1>
In [2]: response
Out[2]: <Response url[GET]: https://news.ycombinator.com/news?p=1 status:200>
In [3]: text_field(css_select="a.storylink")
Out[3]: 'The EU has archived all of the “Euromyths” printed in UK media'
In [4]: attr_field(css_select="a.storylink", attr="href")
Out[4]: 'https://www.thelondoneconomic.com/news/the-eu-have-archived-all-of-the-euromyths-printed-in-uk-media-and-it-makes-for-some-disturbing-reading-108942/'

如果文字不清楚，可看下图：

第三步：编写 Spider

Ruia.Spider是Ruia框架里面的核心控制类，它作用在于：

• 控制目标网页的请求 Ruia.Request和响应 Ruia.Response
• 可加载自定义钩子、插件、以及相关配置等，让开发效率更高

接下来会基于前面的Item脚本继续开发，具体代码如下：

"""
 Target: https://news.ycombinator.com/
 pip install aiofiles
"""
import aiofiles

from ruia import Item, TextField, AttrField, Spider


class HackerNewsItem(Item):
    target_item = TextField(css_select='tr.athing')
    title = TextField(css_select='a.storylink')
    url = AttrField(css_select='a.storylink', attr='href')


class HackerNewsSpider(Spider):

    start_urls = [f'https://news.ycombinator.com/news?p={index}' for index in range(3)]
    concurrency = 3
    # 设置代理
    # aiohttp_kwargs = {"proxy": "http://0.0.0.0:8765"}

    async def parse(self, response):
        async for item in HackerNewsItem.get_items(html=await response.text()):
            yield item

    async def process_item(self, item: HackerNewsItem):
        """Ruia build-in method"""
        async with aiofiles.open('./hacker_news.txt', 'a') as f:
            await f.write(str(item.title) + '\n')

本段代码的作用是：

爬取Hacker News^[21]的前三页内容，设置并发数为3，然后全部持久化到文件hacker_news.txt

开发者实现HackerNewsSpider必须是Spider的子类，代码中出现的两个方法都是Spider内置的：

• parse：此方法是 Spider的入口，每一个 start_urls的响应必然会被 parse方法捕捉并执行；
• process_item：此方法作用是抽离出对 Item提取结果的处理过程，比如这里会接受自定义 Item类作为输入，然后进行处理持久化到文件。

第四步：Start

希望Ruia^[22]可以为你带来编写爬虫的乐趣 ：)

一切准备就绪，启动你的爬虫脚本吧！

import aiofiles

from ruia import AttrField, Item, Spider, TextField


class HackerNewsItem(Item):
    target_item = TextField(css_select="tr.athing")
    title = TextField(css_select="a.storylink")
    url = AttrField(css_select="a.storylink", attr="href")


class HackerNewsSpider(Spider):

    start_urls = [f"https://news.ycombinator.com/news?p={index}" for index in range(3)]
    concurrency = 3

    async def parse(self, response):
        async for item in HackerNewsItem.get_items(html=await response.text()):
            yield item

    async def process_item(self, item: HackerNewsItem):
        """Ruia build-in method"""
        async with aiofiles.open("./hacker_news.txt", "a") as f:
            await f.write(str(item.title) + "\n")


if __name__ == "__main__":
    HackerNewsSpider.start()

Tips：如果你想在异步函数里面调用，执行await HackerNewsSpider.start()即可

不到30行代码，你就实现了对Hacker News^[23]的爬虫脚本，并且脚本带有自动重试、并发控制、语法简单等特性。

通过这个例子，你已经基本掌握了Ruia^[24]中Item、Middleware、Request等模块的用法，结合自身需求，你可以编写任何爬虫，例子代码见hacker_news_spider^[25]。

第五步：扩展

Middleware

Middleware的目的是对每次请求前后进行一番处理，分下面两种情况：

• 在每次请求之前做一些事
• 在每次请求后做一些事

比如此时爬取Hacker News^[26]，若希望在每次请求时候自动添加Headers的User-Agent，可以添加以下代码引入中间件：

from ruia import AttrField, Item, Middleware, Spider, TextField

middleware = Middleware()


@middleware.request
async def print_on_request(spider_ins, request):
    ua = "ruia user-agent"
    request.headers.update({"User-Agent": ua})
    print(request.headers)


class HackerNewsItem(Item):
    target_item = TextField(css_select="tr.athing")
    title = TextField(css_select="a.storylink")
    url = AttrField(css_select="a.storylink", attr="href")


class HackerNewsSpider(Spider):

    start_urls = [f"https://news.ycombinator.com/news?p={index}" for index in range(3)]
    concurrency = 3

    async def parse(self, response):
        async for item in HackerNewsItem.get_items(html=await response.text()):
            yield item


if __name__ == "__main__":
    HackerNewsSpider.start(middleware=middleware)

这样，程序会在爬虫请求网页资源之前自动加上User-Agent，针对自动UA的功能点，Ruia^[27]已经专门编写了一个名为ruia-ua^[28]的插件来为开发者提升效率，使用非常简单，代码示例如下：

from ruia import AttrField, TextField, Item, Spider
from ruia_ua import middleware


class HackerNewsItem(Item):
    target_item = TextField(css_select='tr.athing')
    title = TextField(css_select='a.storylink')
    url = AttrField(css_select='a.storylink', attr='href')


class HackerNewsSpider(Spider):
    start_urls = ['https://news.ycombinator.com/news?p=1', 'https://news.ycombinator.com/news?p=2']

    async def parse(self, response):
        # Do something...
        print(response.url)


if __name__ == '__main__':
    HackerNewsSpider.start(middleware=middleware)

MongoDB

对于数据持久化，你可以按照自己喜欢的方式去做，前面实例中介绍了如何将目标Item持久化到文件中。

如果想将数据持久化到数据库（MongoDB）中，该怎么做？此时就到了凸显Ruia^[29]插件优势的时候了，你只需要安装ruia-motor^[30]：

pip install -U ruia-motor

然后再代码中引入ruia-motor：

from ruia_motor import RuiaMotorInsert, init_spider

from ruia import AttrField, Item, Spider, TextField


class HackerNewsItem(Item):
    target_item = TextField(css_select="tr.athing")
    title = TextField(css_select="a.storylink")
    url = AttrField(css_select="a.storylink", attr="href")


class HackerNewsSpider(Spider):
    start_urls = [f"https://news.ycombinator.com/news?p={index}" for index in range(3)]
    concurrency = 3
    # aiohttp_kwargs = {"proxy": "http://0.0.0.0:1087"}

    async def parse(self, response):
        async for item in HackerNewsItem.get_items(html=await response.text()):
            yield RuiaMotorInsert(collection="news", data=item.results)


async def init_plugins_after_start(spider_ins):
    spider_ins.mongodb_config = {"host": "127.0.0.1", "port": 27017, "db": "ruia_motor"}
    init_spider(spider_ins=spider_ins)


if __name__ == "__main__":
    HackerNewsSpider.start(after_start=init_plugins_after_start)

数据库中可以看到目标字段：

是不是更简单了呢？其他相关历史文章如下：

如果觉得不错，欢迎转发点好看：)，谢谢。

参考资料