【scrapy】學(xué)習(xí)Scrapy入門

Scrapy介紹

Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。 可以應(yīng)用在包括數(shù)據(jù)挖掘，信息處理或存儲歷史數(shù)據(jù)等一系列的程序中。
所謂網(wǎng)絡(luò)爬蟲，就是一個在網(wǎng)上到處或定向抓取數(shù)據(jù)的程序，當(dāng)然，這種說法不夠?qū)I(yè)，更專業(yè)的描述就是，抓取特定網(wǎng)站網(wǎng)頁的HTML數(shù)據(jù)。抓取網(wǎng)頁的一般方法是，定義一個入口頁面，然后一般一個頁面會有其他頁面的URL，于是從當(dāng)前頁面獲取到這些URL加入到爬蟲的抓取隊列中，然后進入到新頁面后再遞歸的進行上述的操作，其實說來就跟深度遍歷或廣度遍歷一樣。
Scrapy 使用 Twisted這個異步網(wǎng)絡(luò)庫來處理網(wǎng)絡(luò)通訊，架構(gòu)清晰，并且包含了各種中間件接口，可以靈活的完成各種需求。

整體架構(gòu)

  • 引擎(Scrapy Engine)，用來處理整個系統(tǒng)的數(shù)據(jù)流處理，觸發(fā)事務(wù)。
  • 調(diào)度器(Scheduler)，用來接受引擎發(fā)過來的請求，壓入隊列中，并在引擎再次請求的時候返回。
  • 下載器(Downloader)，用于下載網(wǎng)頁內(nèi)容，并將網(wǎng)頁內(nèi)容返回給蜘蛛。
  • 蜘蛛(Spiders)，蜘蛛是主要干活的，用它來制訂特定域名或網(wǎng)頁的解析規(guī)則。編寫用于分析response并提取item(即獲取到的item)或額外跟進的URL的類。 每個spider負(fù)責(zé)處理一個特定(或一些)網(wǎng)站。
  • 項目管道(Item Pipeline)，負(fù)責(zé)處理有蜘蛛從網(wǎng)頁中抽取的項目，他的主要任務(wù)是清晰、驗證和存儲數(shù)據(jù)。當(dāng)頁面被蜘蛛解析后，將被發(fā)送到項目管道，并經(jīng)過幾個特定的次序處理數(shù)據(jù)。
  • 下載器中間件(Downloader Middlewares)，位于Scrapy引擎和下載器之間的鉤子框架，主要是處理Scrapy引擎與下載器之間的請求及響應(yīng)。
  • 蜘蛛中間件(Spider Middlewares)，介于Scrapy引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛的響應(yīng)輸入和請求輸出。
  • 調(diào)度中間件(Scheduler Middlewares)，介于Scrapy引擎和調(diào)度之間的中間件，從Scrapy引擎發(fā)送到調(diào)度的請求和響應(yīng)。

爬取流程

上圖綠線是數(shù)據(jù)流向，首先從初始URL開始，Scheduler會將其交給Downloader進行下載，下載之后會交給Spider進行分析，Spider分析出來的結(jié)果有兩種：一種是需要進一步抓取的鏈接，例如之前分析的“下一頁”的鏈接，這些東西會被傳回Scheduler；另一種是需要保存的數(shù)據(jù)，它們則被送到Item Pipeline那里，那是對數(shù)據(jù)進行后期處理（詳細分析、過濾、存儲等）的地方。另外，在數(shù)據(jù)流動的通道里還可以安裝各種中間件，進行必要的處理。

數(shù)據(jù)流

Scrapy中的數(shù)據(jù)流由執(zhí)行引擎控制，其過程如下:

  1. 引擎打開一個網(wǎng)站(open a domain)，找到處理該網(wǎng)站的Spider并向該spider請求第一個要爬取的URL(s)。
  2. 引擎從Spider中獲取到第一個要爬取的URL并在調(diào)度器(Scheduler)以Request調(diào)度。
  3. 引擎向調(diào)度器請求下一個要爬取的URL。
  4. 調(diào)度器返回下一個要爬取的URL給引擎，引擎將URL通過下載中間件(請求(request)方向)轉(zhuǎn)發(fā)給下載器(Downloader)。
  5. 一旦頁面下載完畢，下載器生成一個該頁面的Response，并將其通過下載中間件(返回(response)方向)發(fā)送給引擎。
  6. 引擎從下載器中接收到Response并通過Spider中間件(輸入方向)發(fā)送給Spider處理。
  7. Spider處理Response并返回爬取到的Item及(跟進的)新的Request給引擎。
  8. 引擎將(Spider返回的)爬取到的Item給Item Pipeline，將(Spider返回的)Request給調(diào)度器。
  9. (從第二步)重復(fù)直到調(diào)度器中沒有更多地request，引擎關(guān)閉該網(wǎng)站。

Scrapy項目基本流程

默認(rèn)的Scrapy項目結(jié)構(gòu)

使用全局命令startproject創(chuàng)建項目，在project_name文件夾下創(chuàng)建一個名為project_name的Scrapy項目。

scrapy startproject myproject

雖然可以被修改，但所有的Scrapy項目默認(rèn)有類似于下邊的文件結(jié)構(gòu):

scrapy.cfg
myproject/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py
        spider1.py
        spider2.py
        ...

scrapy.cfg 存放的目錄被認(rèn)為是 項目的根目錄 。該文件中包含python模塊名的字段定義了項目的設(shè)置。

定義要抓取的數(shù)據(jù)

Item 是保存爬取到的數(shù)據(jù)的容器；其使用方法和python字典類似， 并且提供了額外保護機制來避免拼寫錯誤導(dǎo)致的未定義字段錯誤。
類似在ORM中做的一樣，您可以通過創(chuàng)建一個 scrapy.Item 類， 并且定義類型為 scrapy.Field 的類屬性來定義一個Item。
首先根據(jù)需要從dmoz.org（DMOZ網(wǎng)站是一個著名的開放式分類目錄（Open DirectoryProject），由來自世界各地的志愿者共同維護與建設(shè)的最大的全球目錄社區(qū)）獲取到的數(shù)據(jù)對item進行建模。 我們需要從dmoz中獲取名字，url，以及網(wǎng)站的描述。 對此，在item中定義相應(yīng)的字段。編輯items.py 文件:

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

使用項目命令genspider創(chuàng)建Spider

scrapy genspider [-t template] <name> <domain>

在當(dāng)前項目中創(chuàng)建spider。
這僅僅是創(chuàng)建spider的一種快捷方法。該方法可以使用提前定義好的模板來生成spider。您也可以自己創(chuàng)建spider的源碼文件。

$ scrapy genspider -l
Available templates:
  basic
  crawl
  csvfeed
  xmlfeed

$ scrapy genspider -d basic
import scrapy

class $classname(scrapy.Spider):
    name = "$name"
    allowed_domains = ["$domain"]
    start_urls = (
        'http://www.$domain/',
        )

    def parse(self, response):
        pass

$ scrapy genspider -t basic example example.com
Created spider 'example' using template 'basic' in module:
  mybot.spiders.example

編寫提取item數(shù)據(jù)的Spider

Spider是用戶編寫用于從單個網(wǎng)站(或者一些網(wǎng)站)爬取數(shù)據(jù)的類。
其包含了一個用于下載的初始URL，如何跟進網(wǎng)頁中的鏈接以及如何分析頁面中的內(nèi)容， 提取生成 item 的方法。
為了創(chuàng)建一個Spider，您必須繼承 scrapy.Spider 類，且定義以下三個屬性:

  • name: 用于區(qū)別Spider。 該名字必須是唯一的，您不可以為不同的Spider設(shè)定相同的名字。
  • start_urls: 包含了Spider在啟動時進行爬取的url列表。 因此，第一個被獲取到的頁面將是其中之一。 后續(xù)的URL則從初始的URL獲取到的數(shù)據(jù)中提取。
  • parse() 是spider的一個方法。 被調(diào)用時，每個初始URL完成下載后生成的 Response 對象將會作為唯一的參數(shù)傳遞給該函數(shù)。 該方法負(fù)責(zé)解析返回的數(shù)據(jù)(response data)，提取數(shù)據(jù)(生成item)以及生成需要進一步處理的URL的 Request 對象。
import scrapy

class DmozSpider(scrapy.spider.Spider):
    name = "dmoz"   #唯一標(biāo)識，啟動spider時即指定該名稱
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, 'wb') as f:
            f.write(response.body)

進行爬取

執(zhí)行項目命令crawl，啟動Spider：

scrapy crawl dmoz

在這個過程中：
Scrapy為Spider的 start_urls 屬性中的每個URL創(chuàng)建了 scrapy.Request 對象，并將 parse 方法作為回調(diào)函數(shù)(callback)賦值給了Request。
Request對象經(jīng)過調(diào)度，執(zhí)行生成 scrapy.http.Response 對象并送回給spider parse() 方法。

通過選擇器提取數(shù)據(jù)

Selectors選擇器簡介：
Scrapy提取數(shù)據(jù)有自己的一套機制。它們被稱作選擇器(seletors)，因為他們通過特定的 XPath 或者 CSS 表達式來“選擇” HTML文件中的某個部分。
XPath 是一門用來在XML文件中選擇節(jié)點的語言，也可以用在HTML上。 CSS 是一門將HTML文檔樣式化的語言。選擇器由它定義，并與特定的HTML元素的樣式相關(guān)連。

XPath表達式的例子和含義：

  • /html/head/title: 選擇HTML文檔中 <head> 標(biāo)簽內(nèi)的 <title> 元素
  • /html/head/title/text(): 選擇上面提到的 <title> 元素的文字
  • //td: 選擇所有的 <td> 元素
  • //div[@class="mine"]: 選擇所有具有 class="mine" 屬性的 div 元素

提取數(shù)據(jù)：
觀察HTML源碼并確定合適的XPath表達式。
在查看了網(wǎng)頁的源碼后，您會發(fā)現(xiàn)網(wǎng)站的信息是被包含在 第二個 <ul> 元素中。
我們可以通過這段代碼選擇該頁面中網(wǎng)站列表里所有 <li> 元素:
response.xpath('//ul/li')

Item 對象是自定義的python字典。 您可以使用標(biāo)準(zhǔn)的字典語法來獲取到其每個字段的值。
一般來說，Spider將會將爬取到的數(shù)據(jù)以 Item 對象返回。所以為了將爬取的數(shù)據(jù)返回，我們最終的代碼將是:

import scrapy

from tutorial.items import DmozItem

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        for sel in response.xpath('//ul/li'):
            item = DmozItem()
            item['title'] = sel.xpath('a/text()').extract()
            item['link'] = sel.xpath('a/@href').extract()
            item['desc'] = sel.xpath('text()').extract()
            yield item

現(xiàn)在對dmoz.org進行爬取將會產(chǎn)生 DmozItem 對象。

保存數(shù)據(jù)

最簡單存儲爬取的數(shù)據(jù)的方式是使用 Feed exports:

scrapy crawl dmoz -o items.json

該命令將采用 JSON 格式對爬取的數(shù)據(jù)進行序列化，生成 items.json 文件。
如果需要對爬取到的item做更多更為復(fù)雜的操作，您可以編寫 Item Pipeline 。類似于我們在創(chuàng)建項目時對Item做的，用于您編寫自己的 tutorial/pipelines.py 也被創(chuàng)建。不過如果您僅僅想要保存item，您不需要實現(xiàn)任何的pipeline。

補充提示：Windows平臺安裝Scrapy的特別要求

Windows specific installation notes
Windows平臺下，安裝Scrapy之前首先要進行以下操作：

  • 安裝OpenSSL
    在Win32 OpenSSL page中下載安裝Visual C++ 2008 redistributables和對應(yīng)的OpenSSL安裝包，并把其可執(zhí)行文件目錄“*\openssl-win32\bin”加入到環(huán)境變量Path中
  • 安裝Scrapy依賴的二進制包
    pywin32
    Twisted
    zope.interface
    lxml
    pyOpenSSL

小結(jié)

第一篇關(guān)于Scrapy的文章主要依據(jù)Scrapy 0.24的中文文檔，了解、熟悉Scrapy的使用和基本概念，在后面的相關(guān)文章中，將進一步加入自己的思考和自行編寫的程序，期待能在這個過程中提高自己，也希望能對看到這些文章的讀者有用。

參考資料

Scrapy架構(gòu)概覽
初窺Scrapy
Scrapy入門教程
如何入門 Python 爬蟲

轉(zhuǎn)載請注明作者Jason Ding及其出處
Github博客主頁(http://jasonding1354.github.io/)
CSDN博客(http://blog.csdn.net/jasonding1354)
簡書主頁(http://www.itdecent.cn/users/2bd9b48f6ea8/latest_articles)

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

  • scrapy學(xué)習(xí)筆記(有示例版） 我的博客 scrapy學(xué)習(xí)筆記1.使用scrapy1.1創(chuàng)建工程1.2創(chuàng)建爬蟲模...
    陳思煜閱讀 13,044評論 4贊 46
  • scrapy是python最有名的爬蟲框架之一，可以很方便的進行web抓取，并且提供了很強的定制型，這里記錄簡單學(xué)...
    bomo閱讀 2,315評論 1贊 11
  • 這兩天摸索了下scrapy，剛看文檔的時候覺得有點生無可戀，scrapy框架個人還是覺得比較難懂的，需要學(xué)習(xí)的地方...
    Treehl閱讀 5,833評論 7贊 10
  • 眼下真是個“網(wǎng)紅”大爆發(fā)的年頭，一夜之間，保持平庸若許年的田宗琦陡然就紅了，并且紅到了一衣帶水的東瀛日本。作...
    奧寺閱讀 3,389評論 0贊 0
  • 開始挑戰(zhàn)啦~~~學(xué)著輸出，首先我要讀"跟TED學(xué)表達"，這本書有很多TED的演講和演講時該注意的細節(jié)，從表達情感，...
    全欣全歷閱讀 208評論 0贊 0

友情鏈接更多精彩內(nèi)容