爬蟲之scrapy框架

解析

　　Scrapy解釋

Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架。 其可以應用在數據挖掘，信息處理或存儲歷史數據等一系列的程序中。
其最初是為了頁面抓取 (更確切來說, 網絡抓取 )所設計的， 也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。Scrapy用途廣泛，可以用於數據挖掘、監測和自動化測試。

Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下

　　Scrapy組件

　　①引擎(Scrapy)

用來處理整個系統的數據流處理, 觸發事務(框架核心)

　　②調度器(Scheduler)

用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優先隊列, 
由它來決定下一個要抓取的網址是什么, 同時去除重復的網址

　　③下載器(Downloader)

用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)

　　④爬蟲(Spiders)

爬蟲是主要干活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面

　　⑤項目管道(Pipeline)

負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析后，
將被發送到項目管道，並經過幾個特定的次序處理數據。

　　⑥下載器中間件(Downloader Middlewares)

位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。

　　⑦爬蟲中間件(Spider Middlewares)

介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。

　　⑧調度中間件(Scheduler Middewares)

介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。

　　Scrapy運行流程

1. 引擎從調度器中取出一個鏈接(URL)用於接下來的抓取

2. 引擎把URL封裝成一個請求(Request)傳給下載器

3. 下載器把資源下載下來，並封裝成應答包(Response)

4. 爬蟲解析Response

5. 解析出實體（Item）,則交給實體管道進行進一步的處理

6. 解析出的是鏈接（URL）,則把URL交給調度器等待抓取

安裝

在python3並不能完全支持Scrapy，因此為了完美運行Scrapy，我們使用python2.7來編寫和運行Scrapy。

pip install Scrapy

　

　　注：windows平台需要依賴pywin32，請根據自己系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/

　　　　其它可能依賴的安裝包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi

依賴包下載：http://pan.baidu.com/s/1eSdVdx4

使用

 

　　創建項目

運行命令:

scrapy startproject fuck  # fuck這是我起的項目名

項目創建后會自動創建幾個目錄

文件說明：

• scrapy.cfg  項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）

• items.py    設置數據存儲模板，用於結構化數據，如：Django的Model

• pipelines    數據處理行為，如：一般結構化的數據持久化

• settings.py 配置文件，如：遞歸的層數、並發數，延遲下載等

• spiders      爬蟲目錄，如：創建文件，編寫爬蟲規則

注意：一般創建爬蟲文件時，以網站域名命名

　　編寫爬蟲

在spiders目錄中新建一系列的定義規則的 xxx.py 文件（文件名自己寫）；

示例代碼：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s1"
    # allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/hua/",
    ]

    def parse(self, response):
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())

        current_url = response.url  # 爬取時請求的url
        body = response.body  # 返回的html
        unicode_body = response.body_as_unicode()  # 返回的html unicode編碼
        print body

注意：

• 1.爬蟲文件需要定義一個類，並繼承scrapy.spiders.Spider

• 2.必須定義name，即爬蟲名，如果沒有name，會報錯。

• 3.編寫函數parse，這里需要注意的是，該函數名不能改變，因為Scrapy源碼中默認callback函數的函數名就是parse；

• 4.定義需要爬取的url，放在列表中，因為可以爬取多個url，Scrapy源碼是一個For循環，從上到下爬取這些url，使用生成器迭代將url發送給下載器下載url的html

　　運行

在PyCharm中有相當方便的地方，很好的解決了我們多余的操作。

運行命令：

scrapy crawl s1 --nolog  # s1是項目名，見上面的代碼s1在哪。

格式：scrapy crawl  項目名  --nolog      nolog意思是不顯示日志

　　Scrapy查詢

Scrapy內部支持更簡單的查詢語法，幫助我們在html中查詢我們需要的標簽和標簽內容以及標簽屬性。

下面以div標簽為例：

//div  表示查詢某個標簽的所有div標簽
/div   表示查詢某個標簽的兒子
//div[@class='item_list']   表示找到所有的div下屬性為class='item_list'的
//div[@class='item_list']/div  表示找到這個div的所有兒子
//div[@class='item_list']//span  表示找在這個div下的子子孫孫中的所有span標簽
//div[@class='item_list']//a/text()  表示找在這個div下的子子孫孫中的所有a標簽並獲得所有a標簽的內容
//div[@class='item_list']//img/@src  表示找在這個div下的子子孫孫中的所有img標簽並獲得所有img標簽的src屬性

示例：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os


class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析頁面
        # 找到頁面中符合規則的內容（校花圖片），保存
        # 找到所有的a標簽，再訪問其他a標簽，一層一層的搞下去

        hxs = HtmlXPathSelector(response)  # 創建查詢對象

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到所有的div
            for i in range(len(items)):
                # 查詢所有img標簽的src屬性，即獲取校花圖片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()  
                # 獲取span的文本內容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract() 
                # 獲取a的文本內容，即學校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()  
                if srcs and names and schools:  # 拿到第一個學校的校花圖片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接絕對路徑；就是要爬的url的地址
                    
                    # 文件名，以自己的名字命名；因為python27默認編碼格式是unicode編碼，因此我們需要編碼成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))  
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下載圖片的路徑；E:\\picture是我本地存放路徑
                    urllib.urlretrieve(ab_src, file_path)

　　遞歸訪問

以上的爬蟲僅僅是爬去初始頁，而我們爬蟲是需要源源不斷的執行下去，直到所有的網頁被執行完畢

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os


class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析頁面
        # 找到頁面中符合規則的內容（校花圖片），保存
        # 找到所有的a標簽，再訪問其他a標簽，一層一層的搞下去

        hxs = HtmlXPathSelector(response)  # 創建查詢對象

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到所有的div
            for i in range(len(items)):
                # 查詢所有img標簽的src屬性，即獲取校花圖片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                # 獲取span的文本內容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract()
                # 獲取a的文本內容，即學校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                if srcs and names and schools:  # 拿到第一個學校的校花圖片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接絕對路徑；就是要爬的url的地址

                    # 文件名，以自己的名字命名；因為python27默認編碼格式是unicode編碼，因此我們需要編碼成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下載圖片的路徑
                    urllib.urlretrieve(ab_src, file_path)

        # 獲取所有的url，繼續訪問，並在其中尋找相同的url
        all_urls = hxs.select('//a/@href').extract()
        for url in all_urls:
            if url.startswith('http://www.xiaohuar.com/list-1-'):
                yield Request(url, callback=self.parse)  # 遞歸的找下去

以上代碼將符合規則的頁面中的圖片保存在指定目錄，並且在HTML源碼中找到所有的其他 a 標簽的href屬性，從而“遞歸”的執行下去，直到所有的頁面都被訪問過為止。

以上代碼之所以可以進行“遞歸”的訪問相關URL，關鍵在於parse方法使用了 yield Request對象。

 即通過yield生成器向每一個url發送request請求，並執行返回函數parse，從而遞歸獲取校花圖片和校花姓名學校等信息。

 注：可以修改settings.py 中的配置文件，以此來指定“遞歸”的層數，如： DEPTH_LIMIT = 1

　　正則選擇

語法規則：Selector(response=response查詢對象).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()，

即根據re正則匹配，test即匹配，屬性名是class，匹配的正則表達式是"item-\d*"，然后獲取該標簽的href屬性。

from scrapy.selector import Selector
from scrapy.http import HtmlResponse
html = """<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
    <li class="item-"><a href="link.html">first item</a></li>
    <li class="item-0"><a href="link1.html">first item</a></li>
    <li class="item-1"><a href="link2.html">second item</a></li>
</body>
</html>
"""
response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
print(ret)

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
import hashlib
from tutorial.items import JinLuoSiItem
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector


class JinLuoSiSpider(scrapy.spiders.Spider):
    count = 0
    url_set = set()

    name = "jluosi"
    domain = 'http://www.jluosi.com'
    allowed_domains = ["jluosi.com"]

    start_urls = [
        "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
    ]

    def parse(self, response):
        md5_obj = hashlib.md5()
        md5_obj.update(response.url)
        md5_url = md5_obj.hexdigest()
        if md5_url in JinLuoSiSpider.url_set:
            pass
        else:
            JinLuoSiSpider.url_set.add(md5_url)
            hxs = HtmlXPathSelector(response)
            if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
                item = JinLuoSiItem()
                item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
                item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
                item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
                item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()

                item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()

                item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
                product_list = []
                product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
                for i in range(2,len(product_tr)):
                    temp = {
                        'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
                        'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
                    }
                    product_list.append(temp)

                item['product_list'] = product_list
                yield item

            current_page_urls = hxs.select('//a/@href').extract()
            for i in range(len(current_page_urls)):
                url = current_page_urls[i]
                if url.startswith('http://www.jluosi.com'):
                    url_ab = url
                    yield Request(url_ab, callback=self.parse)

def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)

更多選擇器規則：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

 

　　格式化處理

上述實例只是簡單的圖片處理，所以在parse方法中直接處理。如果對於想要獲取更多的數據（獲取頁面的價格、商品名稱、QQ等），則可以利用Scrapy的items將數據格式化，然后統一交由pipelines來處理。

在items.py中創建類：

# -*- coding: utf-8 -*-
 
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class JieYiCaiItem(scrapy.Item):
 
    company = scrapy.Field()
    title = scrapy.Field()
    qq = scrapy.Field()
    info = scrapy.Field()
    more = scrapy.Field()

上述定義模板，以后對於從請求的源碼中獲取的數據同意按照此結構來獲取，所以在spider中需要有一下操作：

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
import hashlib
from beauty.items import JieYiCaiItem
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor


class JieYiCaiSpider(scrapy.spiders.Spider):
    count = 0
    url_set = set()

    name = "jieyicai"
    domain = 'http://www.jieyicai.com'
    allowed_domains = ["jieyicai.com"]

    start_urls = [
        "http://www.jieyicai.com",
    ]

    rules = [
        #下面是符合規則的網址,但是不抓取內容,只是提取該頁的鏈接(這里網址是虛構的,實際使用時請替換)
        #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
        #下面是符合規則的網址,提取內容,(這里網址是虛構的,實際使用時請替換)
        #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
    ]

    def parse(self, response):
        md5_obj = hashlib.md5()
        md5_obj.update(response.url)
        md5_url = md5_obj.hexdigest()
        if md5_url in JieYiCaiSpider.url_set:
            pass
        else:
            JieYiCaiSpider.url_set.add(md5_url)
            
            hxs = HtmlXPathSelector(response)
            if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
                item = JieYiCaiItem()
                item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
                item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
                item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
                item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
                item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
                yield item

            current_page_urls = hxs.select('//a/@href').extract()
            for i in range(len(current_page_urls)):
                url = current_page_urls[i]
                if url.startswith('/'):
                    url_ab = JieYiCaiSpider.domain + url
                    yield Request(url_ab, callback=self.parse)

此處代碼的關鍵在於：

• 將獲取的數據封裝在了Item對象中
• yield Item對象 （一旦parse中執行yield Item對象，則自動將該對象交個pipelines的類來處理）

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json
from twisted.enterprise import adbapi
import MySQLdb.cursors
import re

mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
phone_re = re.compile(r'(\d+-\d+|\d+)')

class JsonPipeline(object):

    def __init__(self):
        self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')


    def process_item(self, item, spider):
        line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
        self.file.write(line)
        return item

class DBPipeline(object):

    def __init__(self):
        self.db_pool = adbapi.ConnectionPool('MySQLdb',
                                             db='DbCenter',
                                             user='root',
                                             passwd='123',
                                             cursorclass=MySQLdb.cursors.DictCursor,
                                             use_unicode=True)

    def process_item(self, item, spider):
        query = self.db_pool.runInteraction(self._conditional_insert, item)
        query.addErrback(self.handle_error)
        return item

    def _conditional_insert(self, tx, item):
        tx.execute("select nid from company where company = %s", (item['company'][0], ))
        result = tx.fetchone()
        if result:
            pass
        else:
            phone_obj = phone_re.search(item['info'][0].strip())
            phone = phone_obj.group() if phone_obj else ' '

            mobile_obj = mobile_re.search(item['info'][1].strip())
            mobile = mobile_obj.group() if mobile_obj else ' '

            values = (
                item['company'][0],
                item['qq'][0],
                phone,
                mobile,
                item['info'][2].strip(),
                item['more'][0])
            tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)

    def handle_error(self, e):
        print 'error',e

pipelines

上述代碼中多個類的目的是，可以同時保存在文件和數據庫中，保存的優先級可以在配置文件settings中定義。

ITEM_PIPELINES = {
    'beauty.pipelines.DBPipeline': 300,
    'beauty.pipelines.JsonPipeline': 100,
}
# 每行后面的整型值，確定了他們運行的順序，item按數字從低到高的順序，通過pipeline，通常將這些數字定義在0-1000范圍內。

　　

更多詳見：http://www.cnblogs.com/wupeiqi/articles/5354900.html