5分鐘快速掌握scrapy爬蟲框架
1. scrapy簡(jiǎn)介
scrapy是基于事件驅(qū)動(dòng)的Twisted框架下用純python寫的爬蟲框架。很早之前就開(kāi)始用scrapy來(lái)爬取網(wǎng)絡(luò)上的圖片和文本信息，一直沒(méi)有把細(xì)節(jié)記錄下來(lái)。這段時(shí)間，因?yàn)楣ぷ餍枰种厥皊crapy爬蟲，本文和大家分享下，包你一用就會(huì)， 歡迎交流。
1.1 scrapy框架
scrapy框架包括5個(gè)主要的組件和2個(gè)中間件Hook。
- ENGIINE：整個(gè)框架的控制中心， 控制整個(gè)爬蟲的流程。根據(jù)不同的條件添加不同的事件（就是用的Twisted）
- SCHEDULER：事件調(diào)度器
- DOWNLOADER：接收爬蟲請(qǐng)求，從網(wǎng)上下載數(shù)據(jù)
- SPIDERS：發(fā)起爬蟲請(qǐng)求，并解析DOWNLOADER返回的網(wǎng)頁(yè)內(nèi)容，同時(shí)和數(shù)據(jù)持久化進(jìn)行交互,需要開(kāi)發(fā)者編寫
- ITEM PIPELINES：接收SPIDERS解析的結(jié)構(gòu)化的字段，進(jìn)行持久化等操作，需要開(kāi)發(fā)者編寫
- MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之間一些額外的操作，hook的方式提供給開(kāi)發(fā)者
從上可知，我們只要實(shí)現(xiàn)SPIDERS（要爬什么網(wǎng)站，怎么解析）和ITEM PIPELINES（如何處理解析后的內(nèi)容）就可以了。其他的都是有框架幫你完成了。（圖片來(lái)自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）
1.2 scrapy數(shù)據(jù)流
我們?cè)僭敿?xì)看下組件之間的數(shù)據(jù)流，會(huì)更清楚框架的內(nèi)部運(yùn)作。（圖片來(lái)自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）
- SPIDERS發(fā)爬蟲請(qǐng)求給ENGIINE， 告訴它任務(wù)來(lái)了
- ENGIINE將請(qǐng)求添加到SCHEDULER調(diào)度隊(duì)列里, 說(shuō)任務(wù)就交給你了，給我安排好
- SCHEDULER看看手里的爬取請(qǐng)求很多，挑一個(gè)給ENGIINE， 說(shuō)大哥幫忙轉(zhuǎn)發(fā)給下載DOWNLOADER
- ENGIINE：好的， DOWNLOADER你的任務(wù)來(lái)了
- DOWNLOADER：開(kāi)始下載了，下載好了，任務(wù)結(jié)果 交給ENGIINE
- ENGIINE將結(jié)果給SPIDERS， 你的一個(gè)請(qǐng)求下載好了，快去解析吧
- SPIDERS：好的，解析產(chǎn)生了結(jié)果字段。又給SPIDERS轉(zhuǎn)發(fā)給ITEM PIPELINES
- ITEM PIPELINES: 接收到字段內(nèi)容，保存起來(lái)。
第1步到第8步，一個(gè)請(qǐng)求終于完成了。是不是覺(jué)得很多余？ENGIINE夾在中間當(dāng)傳話筒，能不能直接跳過(guò)？可以考慮跳過(guò)了會(huì)怎么樣。
這里分析一下
- SCHEDULER的作用：任務(wù)調(diào)度， 控制任務(wù)的并發(fā)，防止機(jī)器處理不過(guò)來(lái)
- ENGIINE：就是基于Twisted框架, 當(dāng)事件來(lái)（比如轉(zhuǎn)發(fā)請(qǐng)求）的時(shí)候，通過(guò)回調(diào)的方式來(lái)執(zhí)行對(duì)應(yīng)的事件。我覺(jué)得ENGIINE讓所有操作變的統(tǒng)一，都是按照事件的方式來(lái)組織其他組件， 其他組件以低耦合的方式運(yùn)作；對(duì)于一種框架來(lái)說(shuō)，無(wú)疑是必備的。
2. 基礎(chǔ)：XPath
寫爬蟲最重要的是解析網(wǎng)頁(yè)的內(nèi)容，這個(gè)部分就介紹下通過(guò)XPath來(lái)解析網(wǎng)頁(yè)，提取內(nèi)容。
2.1 HTML節(jié)點(diǎn)和屬性
（圖片來(lái)自網(wǎng)絡(luò)，如果侵權(quán)聯(lián)系必刪）
2.2 解析語(yǔ)法
- a / b：‘/’在 xpath里表示層級(jí)關(guān)系，左邊的 a是父節(jié)點(diǎn)，右邊的 b是子節(jié)點(diǎn)
- a // b：表示a下所有b，直接或者間接的
- [@]：選擇具有某個(gè)屬性的節(jié)點(diǎn)
- //div[@classs], //a[@x]：選擇具有 class屬性的 div節(jié)點(diǎn)、選擇具有 x屬性的 a節(jié)點(diǎn)
- //div[@class="container"]：選擇具有 class屬性的值為 container的 div節(jié)點(diǎn)
- //a[contains(@id, "abc")]：選擇 id屬性里有 abc的 a標(biāo)簽
一個(gè)例子
- response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()
- # 獲取所有class屬性（css）為taglist的div， 下一個(gè)層ul下的所有l(wèi)i下所有a下所有img標(biāo)簽下data-original屬性
- # data-original這里放的是圖片的url地址
更多詳見(jiàn)
http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths
3. 安裝部署
Scrapy 是用純python編寫的，它依賴于幾個(gè)關(guān)鍵的python包（以及其他包）：
- lxml 一個(gè)高效的XML和HTML解析器
- parsel ，一個(gè)寫在lxml上面的html/xml數(shù)據(jù)提取庫(kù),
- w3lib ，用于處理URL和網(wǎng)頁(yè)編碼的多用途幫助程序
- twisted 異步網(wǎng)絡(luò)框架
- cryptography 和 pyOpenSSL ，處理各種網(wǎng)絡(luò)級(jí)安全需求
- # 安裝
- pip install scrapy
4. 創(chuàng)建爬蟲項(xiàng)目
- scrapy startproject sexy
- # 創(chuàng)建一個(gè)后的項(xiàng)目目錄
- # sexy
- # │ scrapy.cfg
- # │
- # └─sexy
- # │ items.py
- # │ middlewares.py
- # │ pipelines.py
- # │ settings.py
- # │ __init__.py
- # │
- # ├─spiders
- # │ │ __init__.py
- # │ │
- # │ └─__pycache__
- # └─__pycache__
- # 執(zhí)行 需要到scrapy.cfg同級(jí)別的目錄執(zhí)行
- scrapy crawl sexy
從上可知，我們要寫的是spiders里的具體的spider類和items.py和pipelines.py（對(duì)應(yīng)的ITEM PIPELINES）
5. 開(kāi)始scrapy爬蟲
5.1 簡(jiǎn)單而強(qiáng)大的spider
這里實(shí)現(xiàn)的功能是從圖片網(wǎng)站中下載圖片，保存在本地， url做了脫敏。需要注意的點(diǎn)在注釋要標(biāo)明
- 類要繼承 scrapy.Spider
- 取一個(gè)唯一的name
- 爬取的網(wǎng)站url加到start_urls列表里
- 重寫parse利用xpath解析reponse的內(nèi)容
可以看到parse實(shí)現(xiàn)的時(shí)候沒(méi)有轉(zhuǎn)發(fā)給ITEM PIPELINES，直接處理了。這樣簡(jiǎn)單的可以這么處理，如果業(yè)務(wù)很復(fù)雜，建議交給ITEM PIPELINES。后面會(huì)給例子
- # 目錄結(jié)果為：spiders/sexy_spider.py
- import scrapy
- import os
- import requests
- import 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):
- # 如果有多個(gè)spider， name要唯一
- name = 'sexy'
- allowed_domains = ['uumdfdfnt.94demo.com']
- allowed_urls = ['http://uumdfdfnt.94demo.com/']
- # 需要爬取的網(wǎng)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):
- # 解析網(wǎng)站，獲取圖片列表
- img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
- time.sleep(1)
- # 處理圖片， 具體業(yè)務(wù)操作， 可交給items， 見(jiàn)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)
- # 自動(dòng)下一頁(yè)（見(jiàn)5.3 自動(dòng)下一頁(yè)）
- next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁(yè)"]/@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
這里說(shuō)明下兩個(gè)的作用
- items：提供一個(gè)字段存儲(chǔ)， spider會(huì)將數(shù)據(jù)存在這里
- pipline：會(huì)從items取數(shù)據(jù)，進(jìn)行業(yè)務(wù)操作，比如5.1中的保存圖片；又比如存儲(chǔ)到數(shù)據(jù)庫(kù)中等
我們來(lái)改寫下上面的例子
- items.py其實(shí)就是定義字段scrapy.Field()
- import scrapy
- class SexyItem(scrapy.Item):
- # define the fields for your item here like:
- # name = scrapy.Field()
- img_url = scrapy.Field()
- spiders/sexy_spider.py
- import scrapy
- import os
- # 導(dǎo)入item
- from ..items import SexyItem
- class SexySpider(scrapy.Spider):
- # 如果有多個(gè)spider， name要唯一
- name = 'sexy'
- allowed_domains = ['uumdfdfnt.94demo.com']
- allowed_urls = ['http://uumdfdfnt.94demo.com/']
- # 需要爬取的網(wǎng)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):
- # 解析網(wǎng)站，獲取圖片列表
- img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()
- time.sleep(1)
- # 處理圖片， 具體業(yè)務(wù)操作， 可交給yield items
- for img_url in img_list:
- items = SexyItem()
- items['img_url'] = img_url
- yield items
- pipelines.py
- import os
- import 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里內(nèi)容
- img_url = item['img_url']
- # 業(yè)務(wù)處理
- 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
- 重要的配置要開(kāi)啟在settings.py中開(kāi)啟piplines類，數(shù)值表示優(yōu)先級(jí)
- ITEM_PIPELINES = {
- 'sexy.pipelines.SexyPipeline': 300,
- }
5.3 自動(dòng)下一頁(yè)
有時(shí)候我們不僅要爬取請(qǐng)求頁(yè)面中的內(nèi)容，還要遞歸式的爬取里面的超鏈接url，特別是下一頁(yè)這種，解析內(nèi)容和當(dāng)前頁(yè)面相同的情況下。一種笨方法是手動(dòng)加到start_urls里。大家都是聰明人來(lái)試試這個(gè)。
- 先在頁(yè)面解析下下一頁(yè)的url
- scrapy.Request(next_page, callback=self.parse) 發(fā)起一個(gè)請(qǐng)求，并調(diào)用parse來(lái)解析，當(dāng)然你可以用其他的解析
完美了，完整例子見(jiàn)5.1
- next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一頁(yè)"]/@href').get()
- if next_page is not None:
- next_page = response.urljoin(next_page)
- yield scrapy.Request(next_page, callback=self.parse)
5.4 中間件
- 下載中間件 中間件的作用是提供一些常用的鉤子Hook來(lái)增加額外的操作。中間件的操作是在middlewares.py?？梢钥吹街饕翘幚碚?qǐng)求process_request，響應(yīng)process_response和異常process_exception三個(gè)鉤子函數(shù)。
- 處理請(qǐng)求process_request: 傳給DOWNLOADER之前做的操作
- 響應(yīng)process_response：DOWNLOADER給ENGIINE響應(yīng)之前的操作
這里舉一個(gè)添加模擬瀏覽器請(qǐng)求的方式，防止爬蟲被封鎖。重寫process_request
- from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
- import random
- agents = ['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,)
統(tǒng)一要在settings.py中開(kāi)啟下載中間件，數(shù)值表示優(yōu)先級(jí)
- DOWNLOADER_MIDDLEWARES = {
- 'sexy.middlewares.customUserAgent.RandomUserAgent': 20,
- }
5.5 可用配置settings.py
除了上面提供的pipline配置開(kāi)啟和中間件配置外，下面介紹幾個(gè)常用的配置
- 爬蟲機(jī)器人規(guī)則：ROBOTSTXT_OBEY = False， 如果要爬取的網(wǎng)站有設(shè)置robots.txt，最好設(shè)置為False
- CONCURRENT_REQUESTS：并發(fā)請(qǐng)求
- DOWNLOAD_DELAY：下載延遲，可以適當(dāng)配置，避免把網(wǎng)站也爬掛了。
所有的配置詳見(jiàn) https://doc.scrapy.org/en/latest/topics/settings.html
6. 總結(jié)
相信從上面的介紹，你已經(jīng)可以動(dòng)手寫一個(gè)你自己的爬蟲了。我也完成了做筆記的任務(wù)了。scrapy還提供更加詳細(xì)的細(xì)節(jié)，可參見(jiàn)https://docs.scrapy.org/en/latest/。
最后總結(jié)如下：
- scrapy是基于事件驅(qū)動(dòng)Twisted框架的爬蟲框架。ENGIINE是核心，負(fù)責(zé)串起其他組件
- 開(kāi)發(fā)只要編寫spider和item pipline和中間件， download和schedule交給框架
- scrapy crawl 你的爬蟲name，name要唯一
- 爬取的url放在start_urls， spider會(huì)自動(dòng)Request的，parse來(lái)解析
- pipline和中間件要記得在settings中開(kāi)啟
- 關(guān)注下settings的常用配置，需要時(shí)看下文檔
