sudo pip3 install scrapy
Scrapy Engine(引擎)
: 负责Spider
、ItemPipeline
、Downloader
、Scheduler
中间的通讯,信号、数据传递等。
Scheduler(调度器)
: 它负责接受引擎
发送过来的Request请求,并按照一定的方式进行整理排列,入队列,当引擎
需要时,交还给引擎
。
Downloader(下载器)
:负责下载Scrapy Engine(引擎)
发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎)
,由引擎
交给Spider
来处理
Spider(爬虫)
:它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎
,再次进入Scheduler(调度器)
Item Pipeline(管道)
:它负责处理Spider
中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件)
:你可以当作是一个可以自定义扩展下载功能的组件
Spider Middlewares(Spider中间件)
:可以理解为是一个可以自定扩展和操作引擎
和Spider
中间通信
的功能组件(比如进入Spider
的Responses和从Spider
出去的Requests)
1.引擎从spider拿到第一个需要处理的URL,并将request请求交给调度器。
2.调度器拿到request请求后,按照一定的方式进行整理排列,入队列,并将处理好的request请求返回给引擎。
3.引擎通知下载器,按照下载中间件的设置去下载这个request请求。
4.下载器下载request请求,并将获取到的response按照下载中间件进行处理,然后后交还给引擎
,由引擎
交给spider
来处理。对于下载失败的request,引擎会通知调度器进行记录,待会重新下载。
5.spider拿到response,并调用回调函数(默认调用parse函数)去进行处理,并将提取到的Item数据和需要跟进的URL交给引擎。
6.引擎将item数据交给管道进行处理,将需要跟进的URL交给调度器,然后开始循环,直到调度器中不存在任何request,整个程序才会终止。
1.创建项目:通过(scrapy startproject 项目名)来创建一个项目
2.明确目标:编写items.py文件,定义提取的Item
3.制作爬虫:编写spiders/xx.py文件,爬取网站并提取Item
4.存储内容:编写pipelines.py文件,设计管道来存储提取到的Item(即数据)
* 在开始爬虫之前,第一步需要创建一个项目。先进入打算存储代码的目录,运行以下命令:
scrapy startproject myProject
其中myProject为项目名,运行上述命令后,在当前目录下会创建一个myProject目录,该目录包含以下内容:
.
├── myProject
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ └── __init__.py
└── scrapy.cfg
scrapy.cfg:项目的配置文件
myProject/items.py:项目中的目标文件
myProject/middlewares.py:项目中的中间件文件
myProject/pipelines.py:项目中的管道文件
myProject/settings.py:项目中的设置文件
myProject/spiders:放置spider代码的目录
我们打算抓取网站http://www.itcast.cn/channel/teacher.shtml#ajavaee里所有老师的姓名、职称、入职时间和个人简介:
首先打开myProject/items.py文件
Item是保存爬取到的数据的容器,其使用方法和python字典类似
创建一个scrapy.Item 类, 并且定义类型为 scrapy.Field的类属性来定义一个Item(类似于ORM的映射关系)
创建一个MyprojectItem 类,和构建item模型(model)
import scrapy
class MyprojectItem(scrapy.Item):
name = scrapy.Field()
title = scrapy.Field()
hiredate = scrapy.Field()
profile = scrapy.Field()
* 在项目根目录下输入以下命令,可以在myProject/spiders目录下创建一个名为itcast的爬虫(itcast.py),并且指定爬虫作用域的范围itcast.cn:
scrapy genspider itcast itcast.cn
打开itcast.py,默认添上了以下内容:
import scrapy
class ItcastSpider(scrapy.Spider):
name = 'itcast'
allowed_domains = ['itcast.cn']
start_urls = ['http://itcast.cn/']
def parse(self, response):
pass
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了3个强制的属性和1个方法。
**name**:
这个爬虫的识别名称,必须是唯一的
**allow_domains**:
爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。
**start_urls**:
爬取的URL列表。因此,第一个被获取到的页面将是其中之一。 后续的URL则从初始URL返回的数据中提取。
**parse(self, response)**:
Request对象默认的回调解析方法。每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,该方法负责解析返回的数据(response.body),提取数据(生成item)以及生成需要进一步处理的URL的Request对象
修改start_urls为第一个需要爬取的URL:
start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']
修改parse方法提取Item:
def parse(self, response):
for teacher in response.xpath("//ul[@class='clears']/li/div[@class='main_mask']"):
#将提取到到的数据封装到一个MyprojectItem对象中
item = MyprojectItem()
#利用xpath返回该表达式所对应的所有节点的selector list列表
#调用extract方法序列化每个节点为Unicode字符串并返回list
name = teacher.xpath('h2/text()').extract()[0]
title = teacher.xpath('h2/span/text()').extract()[0]
hiredate = teacher.xpath('h3/text()').extract()[0].split(':')[-1]
profile = teacher.xpath('p/text()').extract()[0]
item['name'] = name
item['title'] = title
item['hiredate'] = hiredate
item['profile'] = profile
# 使用yield将获取的数据交给pipelines,如果使用return,则数据不会经过pipelines
yield item
* ### Feed输出
* 如果仅仅想要保存item,可以不需要实现任何的pipeline,而是使用自带的Feed输出(Feed export)。主要有以下4种方式,通过-o指定输出文件格式:\# json格式,默认为Unicode编码
scrapy crawl itcast -o itcast.json
# json lines格式,默认为Unicode编码
scrapy crawl itcast -o itcast.jsonl
#csv 逗号表达式,可用Excel打开
scrapy crawl itcast -o itcast.csv
# xml格式
scrapy crawl itcast -o itcast.xml
执行这些命令后,将会对爬取的数据进行序列化,并生成文件。</code></pre>
编写Item Pipeline(通用):
每个Item Pipeline都是实现了简单方法的Python类,他们接收到Item并通过它执行一些行为,同时也决定此Item是丢弃还是被后续pipeline继续处理。
每个item pipeline组件必须实现process_item(self,item,spider)方法:
- 这个方法必须返回一个Item (或任何继承类)对象, 或是抛出 DropItem异常。
- 参数是被爬取的item和爬取该item的spider
- spider程序每yield一个item,该方法就会被调用一次
同时还可以实现以下方法:
- open_spider(self,spider):开启spider的时候调用,只执行1次
- close_spider(self,spider):关闭spider的时候调用,只执行1次
item写入json文件:
import json
from itemadapter import ItemAdapter
class MyprojectPipeline:
def open_spider(self,spider):
'''可选实现,开启spider时调用该方法'''
self.f = open('itcast.json','w')
def process\_item(self, item, spider):
'''必须实现,被抛弃的item将不会被后续的pipeline组件所处理'''
self.f.write(json.dumps(dict(item),ensure\_ascii=False)+'\\n')
return item
def close\_spider(self,spider):
'''可选实现,关闭spider时调用该方法'''
self.f.close()
启用Item Pipeline组件
ITEM_PIPELINES = {
'myProject.pipelines.MyprojectPipeline': 300,
}
在settings.py文件里添加以上配置(可以取消原有的注释),后面的数字确定了item通过pipeline的顺序,通常定义在0-1000范围内,数值越低,组件的优先级越高
启动爬虫
scrapy crawl itcast
查看当前目录下是否生成了itcast.json文件
Scrapy终端是一个交互终端,我们可以在未启动spider的情况下尝试及调试代码,也可以用来测试XPath或CSS表达式,查看他们的工作方式,方便我们爬取的网页中提取的数据。
scrapy shell
命令行启动,url是要爬取的网页的地址
response.status:状态码
response.url:当前页面url
response.body:响应体(bytes类型)
response.text:响应文本(str类型)
response.json():如果响应体的是json,则直接转换成python的dict类型
response.headers:响应头
response.selector:返回Selector对象,之后就可以调用xpath和css等方法,也可以简写成response.xpath()和response.css()
* Selector有四个基本的方法,最常用的还是xpath:
* xpath(): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表
* extract(): 序列化该节点为Unicode字符串并返回list
* css(): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表,语法同 BeautifulSoup4
* re(): 根据传入的正则表达式对数据进行提取,返回Unicode字符串list列表
Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。
scrapy.Spider是最基本的类,所有编写的爬虫必须继承这个类。
import scrapy
class XxSpider(scrapy.Spider):
pass
主要用到的函数及调用顺序为:
其他方法
log(self, message, level=log.DEBUG)
scrapy genspider -t crawl 爬虫名 爬虫域
scrapy.spiders.CrwalSpider是编写的爬虫所必须继承的类
from scrapy.spiders import CrawlSpider
class XxSpider(CrawlSpider):
pass
CrawlSpider类继承于Spider类,它定义了一些规则(rule)来提供跟进link的方便的机制,从爬取的网页中获取link并继续爬取的工作更适合。
* class scrapy.spiders.LinkExtractor
每个LinkExtractor对象有唯一的公共方法是 extract_links(),它接收一个Response对象,并返回一个 scrapy.link.Link 对象。根据不同的response调用多次来提取链接
主要参数:
allow:满足括号中“正则表达式”的值会被提取,如果为空,则全部匹配。
deny:与这个正则表达式(或正则表达式列表)匹配的URL一定不提取。
allow_domains:会被提取的链接的domains。
deny_domains:一定不会被提取链接的domains。
restrict_xpaths:使用xpath表达式,和allow共同作用过滤链接。
* class scrapy.spiders.Rule
* 以阳光热线问政平台http://wz.sun0769.com/political/index/politicsNewest?id=1为例,爬取投诉帖子的编号、帖子的标题,帖子的处理状态和帖子里的内容。
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from myProject.items import MyprojectItem
class SunSpider(CrawlSpider):
name = 'sun'
allowed\_domains = \['wz.sun0769.com'\]
start\_urls = \['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1'\]rules = (
Rule(LinkExtractor(allow=r'id=\\d+&page=\\d+')),#每一页的匹配规则,callback为None,默认跟进
Rule(LinkExtractor(allow=r'politics/index\\?id=\\d+'), callback='parse\_item'),#每个帖子的匹配规则,设置了callback,默认不跟进
)
def parse\_item(self, response):
item = MyprojectItem()
title = response.xpath('//div\[@class="mr-three"\]/p\[@class="focus-details"\]/text()').extract()\[0\] #帖子标题
status = response.xpath('//div\[@class="focus-date clear focus-date-list"\]/span\[3\]/text()').extract()\[0\].split()\[1\] #处理状态
number = response.xpath('//div\[@class="focus-date clear focus-date-list"\]/span\[4\]/text()').extract()\[0\].split(':')\[-1\] #帖子编号
content = response.xpath('//div\[@class="details-box"\]/pre/text()').extract()\[0\] #帖子内容
item\['title'\] = title
item\['status'\] = status
item\['number'\] = number
item\['content'\] = content
yield item</code></pre></li>
Scrapy提供了log功能,通过在setting.py中进行设置,可以被用来配置logging
* 可以使用yield scrapy.Request(url,callback)方法来发送请求
Request对象初始化方法传入参数如下:
class Request(object_ref):
def \_\_init\_\_(self, url, callback=None, method='GET', headers=None, body=None,
cookies=None, meta=None, encoding='utf-8', priority=0,
dont\_filter=False, errback=None, flags=None, cb\_kwargs=None):
pass
主要参数:
* 可以使用scrapy.FormRequest(url, formdata, callback)方法进行发送
下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件,可以有多个下载中间件被加载运行。
要激活下载器中间件组件,将其加入到settings.py中的DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict),键为中间件类的路径,值为其中间件的顺序(order)。例如:
DOWNLOADER_MIDDLEWARES = {
'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
}
中间件组件是一个定义了以下一个或多个方法的Python类:
process_request(self, request, spider):当每个request通过下载中间件时,该方法被调用。
process_response(self, request, response, spider):当下载器完成http请求,传递响应给引擎的时候调用
示例:(使用随机User-Agent和代理IP)
middlewares.py文件
import random
import json
import redis
from scrapy import signals
from itemadapter import is_item, ItemAdapter
from myProject.settings import USER_AGENTS
class MyprojectDownloaderMiddleware:
def __init__(self):
self.r = redis.StrictRedis(host='localhost') #创建redis连接客户端,用于取里面存储的动态获取的代理ip
def process\_request(self, request, spider):
user\_agent = random.choice(USER\_AGENTS) #取随机user-Agent
proxy\_list = json.loads(self.r.get('proxy\_list').decode())
proxy = random.choice(proxy\_list) #取随机ip
request.headers.setdefault("User-Agent",user\_agent) #设置user-agent
request.meta\['proxy'\] ='http://'+proxy\['ip'\]+':'+str(proxy\['port'\]) #使用代理ip
修改settings.py文件配置
#禁用cookies
COOKIES_ENABLED = False
#设置下载延迟
DOWNLOAD_DELAY = 3
#添加自己写的下载中间件类
DOWNLOADER_MIDDLEWARES = {
'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
}
#添加USER-AGENTS
USER_AGENTS = [
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
]
手机扫一扫
移动阅读更方便
你可能感兴趣的文章