碼上快樂

相關內容    簡體    繁體

分布式爬蟲：使用Scrapy抓取數據

本文轉載自   查看原文   2017-06-08 00:22   1410    爬蟲/ scrapy

分布式爬蟲：使用Scrapy抓取數據

Scrapy是Python開發的一個快速,高層次的屏幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的數據。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（注：圖片來自互聯網）：

scrapy

Scrapy主要包括了以下組件：

  • 引擎，用來處理整個系統的數據流處理，觸發事務。
  • 調度器，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。
  • 下載器，用於下載網頁內容，並將網頁內容返回給蜘蛛。
  • 蜘蛛，蜘蛛是主要干活的，用它來制訂特定域名或網頁的解析規則。
  • 項目管道，負責處理有蜘蛛從網頁中抽取的項目，他的主要任務是清晰、驗證和存儲數據。當頁面被蜘蛛解析后，將被發送到項目管道，並經過幾個特定的次序處理數據。
  • 下載器中間件，位於Scrapy引擎和下載器之間的鈎子框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
  • 蜘蛛中間件，介於Scrapy引擎和蜘蛛之間的鈎子框架，主要工作是處理蜘蛛的響應輸入和請求輸出。
  • 調度中間件，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。

使用Scrapy可以很方便的完成網上數據的采集工作，它為我們完成了大量的工作，而不需要自己費大力氣去開發。

1. 安裝

安裝 python

Scrapy 目前最新版本為0.22.2，該版本需要 python 2.7，故需要先安裝 python 2.7。這里我使用 centos 服務器來做測試，因為系統自帶了 python ，需要先檢查 python 版本。

查看python版本：

$ python -V Python 2.6.6

升級版本到2.7：

$ Python 2.7.6: $ wget http://python.org/ftp/python/2.7.6/Python-2.7.6.tar.xz $ tar xf Python-2.7.6.tar.xz $ cd Python-2.7.6 $ ./configure --prefix=/usr/local --enable-unicode=ucs4 --enable-shared LDFLAGS="-Wl,-rpath /usr/local/lib" $ make && make altinstall

建立軟連接，使系統默認的 python指向 python2.7

$ mv /usr/bin/python /usr/bin/python2.6.6 $ ln -s /usr/local/bin/python2.7 /usr/bin/python

再次查看python版本：

$ python -V Python 2.7.6

安裝

這里使用 wget 的方式來安裝 setuptools :

$ wget https://bootstrap.pypa.io/ez_setup.py -O - | python

安裝 zope.interface

$ easy_install zope.interface

安裝 twisted

Scrapy 使用了 Twisted 異步網絡庫來處理網絡通訊，故需要安裝 twisted。

安裝 twisted 前，需要先安裝 gcc：

$ yum install gcc -y

然后，再通過 easy_install 安裝 twisted：

$ easy_install twisted

如果出現下面錯誤：

$ easy_install twisted
Searching for twisted Reading https://pypi.python.org/simple/twisted/ Best match: Twisted 14.0.0 Downloading https://pypi.python.org/packages/source/T/Twisted/Twisted-14.0.0.tar.bz2#md5=9625c094e0a18da77faa4627b98c9815 Processing Twisted-14.0.0.tar.bz2 Writing /tmp/easy_install-kYHKjn/Twisted-14.0.0/setup.cfg Running Twisted-14.0.0/setup.py -q bdist_egg --dist-dir /tmp/easy_install-kYHKjn/Twisted-14.0.0/egg-dist-tmp-vu1n6Y twisted/runner/portmap.c:10:20: error: Python.h: No such file or directory twisted/runner/portmap.c:14: error: expected ‘=’, ‘,’, ‘;’, ‘asm’ or ‘__attribute__’ before ‘*’ token twisted/runner/portmap.c:31: error: expected ‘=’, ‘,’, ‘;’, ‘asm’ or ‘__attribute__’ before ‘*’ token twisted/runner/portmap.c:45: error: expected ‘=’, ‘,’, ‘;’, ‘asm’ or ‘__attribute__’ before ‘PortmapMethods’ twisted/runner/portmap.c: In function ‘initportmap’: twisted/runner/portmap.c:55: warning: implicit declaration of function ‘Py_InitModule’ twisted/runner/portmap.c:55: error: ‘PortmapMethods’ undeclared (first use in this function) twisted/runner/portmap.c:55: error: (Each undeclared identifier is reported only once twisted/runner/portmap.c:55: error: for each function it appears in.)

請安裝 python-devel 然后再次運行：

$ yum install python-devel -y $ easy_install twisted

如果出現下面異常：

error: Not a recognized archive type: /tmp/easy_install-tVwC5O/Twisted-14.0.0.tar.bz2

請手動下載然后安裝，下載地址在這里

$ wget https://pypi.python.org/packages/source/T/Twisted/Twisted-14.0.0.tar.bz2#md5=9625c094e0a18da77faa4627b98c9815 $ tar -vxjf Twisted-14.0.0.tar.bz2 $ cd Twisted-14.0.0 $ python setup.py install

安裝 pyOpenSSL

先安裝一些依賴：

$ yum install libffi libffi-devel openssl-devel -y

然后，再通過 easy_install 安裝 pyOpenSSL：

$ easy_install pyOpenSSL

安裝 Scrapy

先安裝一些依賴：

$ yum install libxml2 libxslt libxslt-devel -y

最后再來安裝 Scrapy ：

$ easy_install scrapy

2. 使用 Scrapy

在安裝成功之后，你可以了解一些 Scrapy 的基本概念和使用方法，並學習 Scrapy 項目的例子 dirbot 。

Dirbot 項目位於 https://github.com/scrapy/dirbot，該項目包含一個 README 文件，它詳細描述了項目的內容。如果你熟悉 Git，你可以 checkout 它的源代碼。或者你可以通過點擊 Downloads 下載 tarball 或 zip 格式的文件。

下面以該例子來描述如何使用 Scrapy 創建一個爬蟲項目。

新建工程

在抓取之前，你需要新建一個 Scrapy 工程。進入一個你想用來保存代碼的目錄，然后執行：

$ scrapy startproject tutorial

這個命令會在當前目錄下創建一個新目錄 tutorial，它的結構如下：

.
├── scrapy.cfg
└── tutorial
    ├── __init__.py
    ├── items.py
    ├── pipelines.py
    ├── settings.py
    └── spiders
        └── __init__.py

這些文件主要是：

  • scrapy.cfg: 項目配置文件
  • tutorial/: 項目python模塊, 呆會代碼將從這里導入
  • tutorial/items.py: 項目items文件
  • tutorial/pipelines.py: 項目管道文件
  • tutorial/settings.py: 項目配置文件
  • tutorial/spiders: 放置spider的目錄

定義Item

Items是將要裝載抓取的數據的容器，它工作方式像 python 里面的字典，但它提供更多的保護，比如對未定義的字段填充以防止拼寫錯誤。

它通過創建一個 scrapy.item.Item 類來聲明，定義它的屬性為 scrpy.item.Field 對象，就像是一個對象關系映射(ORM).
我們通過將需要的item模型化，來控制從 dmoz.org 獲得的站點數據，比如我們要獲得站點的名字，url 和網站描述，我們定義這三種屬性的域。要做到這點，我們編輯在 tutorial 目錄下的 items.py 文件，我們的 Item 類將會是這樣

from scrapy.item import Item, Field class DmozItem(Item): title = Field() link = Field() desc = Field()

剛開始看起來可能會有些困惑，但是定義這些 item 能讓你用其他 Scrapy 組件的時候知道你的 items 到底是什么。

編寫爬蟲(Spider)

Spider 是用戶編寫的類，用於從一個域（或域組）中抓取信息。們定義了用於下載的URL的初步列表，如何跟蹤鏈接，以及如何來解析這些網頁的內容用於提取items。

要建立一個 Spider，你可以為 scrapy.spider.BaseSpider 創建一個子類，並確定三個主要的、強制的屬性：

  • name：爬蟲的識別名，它必須是唯一的，在不同的爬蟲中你必須定義不同的名字.
  • start_urls：爬蟲開始爬的一個 URL 列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些 URLS 開始。其他子 URL 將會從這些起始 URL 中繼承性生成。
  • parse()：爬蟲的方法，調用時候傳入從每一個 URL 傳回的 Response 對象作為參數，response 將會是 parse 方法的唯一的一個參數,

這個方法負責解析返回的數據、匹配抓取的數據(解析為 item )並跟蹤更多的 URL。

在 tutorial/spiders 目錄下創建 DmozSpider.py

from scrapy.spider import BaseSpider class DmozSpider(BaseSpider): 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): filename = response.url.split("/")[-2] open(filename, 'wb').write(response.body)

運行項目

$ scrapy crawl dmoz

該命令從 dmoz.org 域啟動爬蟲，第三個參數為 DmozSpider.py 中的 name 屬性值。

xpath選擇器

Scrapy 使用一種叫做 XPath selectors 的機制，它基於 XPath 表達式。如果你想了解更多selectors和其他機制你可以查閱資料。

這是一些XPath表達式的例子和他們的含義：

  • /html/head/title: 選擇HTML文檔 <head> 元素下面的 <title> 標簽。
  • /html/head/title/text(): 選擇前面提到的<title> 元素下面的文本內容
  • //td: 選擇所有 <td> 元素
  • //div[@class="mine"]: 選擇所有包含 class="mine" 屬性的div 標簽元素

這只是幾個使用 XPath 的簡單例子，但是實際上 XPath 非常強大。如果你想了解更多 XPATH 的內容，我們向你推薦這個XPath 教程

為了方便使用 XPaths，Scrapy 提供 Selector 類， 有三種方法

  • xpath()：返回selectors列表, 每一個select表示一個xpath參數表達式選擇的節點.
  • extract()：返回一個unicode字符串，該字符串為XPath選擇器返回的數據
  • re()： 返回unicode字符串列表，字符串作為參數由正則表達式提取出來
  • css()

提取數據

我們可以通過如下命令選擇每個在網站中的 <li> 元素:

sel.xpath('//ul/li')

然后是網站描述:

sel.xpath('//ul/li/text()').extract()

網站標題:

sel.xpath('//ul/li/a/text()').extract()

網站鏈接:

sel.xpath('//ul/li/a/@href').extract()

如前所述，每個 xpath() 調用返回一個 selectors 列表，所以我們可以結合 xpath() 去挖掘更深的節點。我們將會用到這些特性，所以:

sites = sel.xpath('//ul/li') for site in sites: title = site.xpath('a/text()').extract() link = site.xpath('a/@href').extract() desc = site.xpath('text()').extract() print title, link, desc

使用Item

scrapy.item.Item 的調用接口類似於 python 的 dict ，Item 包含多個 scrapy.item.Field。這跟 django 的 Model 與

Item 通常是在 Spider 的 parse 方法里使用，它用來保存解析到的數據。

最后修改爬蟲類，使用 Item 來保存數據，代碼如下：

from scrapy.spider import Spider from scrapy.selector import Selector from dirbot.items import Website class DmozSpider(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): """ The lines below is a spider contract. For more info see: http://doc.scrapy.org/en/latest/topics/contracts.html @url http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/ @scrapes name """ sel = Selector(response) sites = sel.xpath('//ul[@class="directory-url"]/li') items = [] for site in sites: item = Website() item['name'] = site.xpath('a/text()').extract() item['url'] = site.xpath('a/@href').extract() item['description'] = site.xpath('text()').re('-\s([^\n]*?)\\n') items.append(item) return items

現在，可以再次運行該項目查看運行結果：

$ scrapy crawl dmoz

使用Item Pipeline

在 settings.py 中設置 ITEM_PIPELINES，其默認為[]，與 django 的 MIDDLEWARE_CLASSES 等相似。
從 Spider 的 parse 返回的 Item 數據將依次被 ITEM_PIPELINES 列表中的 Pipeline 類處理。

一個 Item Pipeline 類必須實現以下方法：

  • process_item(item, spider) 為每個 item pipeline 組件調用，並且需要返回一個 scrapy.item.Item 實例對象或者拋出一個 scrapy.exceptions.DropItem 異常。當拋出異常后該 item 將不會被之后的 pipeline 處理。參數:
    • item (Item object) – 由 parse 方法返回的 Item 對象
    • spider (BaseSpider object) – 抓取到這個 Item 對象對應的爬蟲對象

也可額外的實現以下兩個方法：

  • open_spider(spider) 當爬蟲打開之后被調用。參數: spider (BaseSpider object) – 已經運行的爬蟲
  • close_spider(spider) 當爬蟲關閉之后被調用。參數: spider (BaseSpider object) – 已經關閉的爬蟲

保存抓取的數據

保存信息的最簡單的方法是通過 Feed exports，命令如下：

$ scrapy crawl dmoz -o items.json -t json

除了 json 格式之外，還支持 JSON lines、CSV、XML格式，你也可以通過接口擴展一些格式。

對於小項目用這種方法也足夠了。如果是比較復雜的數據的話可能就需要編寫一個 Item Pipeline 進行處理了。

所有抓取的 items 將以 JSON 格式被保存在新生成的 items.json 文件中

總結

上面描述了如何創建一個爬蟲項目的過程，你可以參照上面過程聯系一遍。作為學習的例子，你還可以參考這篇文章：scrapy 中文教程（爬cnbeta實例） 。

這篇文章中的爬蟲類代碼如下：

from scrapy.contrib.spiders import CrawlSpider, Rule from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor from scrapy.selector import Selector from cnbeta.items import CnbetaItem class CBSpider(CrawlSpider): name = 'cnbeta' allowed_domains = ['cnbeta.com'] start_urls = ['http://www.cnbeta.com'] rules = ( Rule(SgmlLinkExtractor(allow=('/articles/.*\.htm', )), callback='parse_page', follow=True), ) def parse_page(self, response): item = CnbetaItem() sel = Selector(response) item['title'] = sel.xpath('//title/text()').extract() item['url'] = response.url return item

需要說明的是：

  • 該爬蟲類繼承的是 CrawlSpider 類，並且定義規則，rules指定了含有 /articles/.*\.htm 的鏈接都會被匹配。
  • 該類並沒有實現parse方法，並且規則中定義了回調函數 parse_page，你可以參考更多資料了解 CrawlSpider 的用法

3. 學習資料

接觸 Scrapy，是因為想爬取一些知乎的數據，最開始的時候搜索了一些相關的資料和別人的實現方式。

Github 上已經有人或多或少的實現了對知乎數據的爬取，我搜索到的有以下幾個倉庫：

其他資料：

scrapy 和 JavaScript 交互例子：

還有一些待整理的知識點：

  • 如何先登陸再爬數據
  • 如何使用規則做過濾
  • 如何遞歸爬取數據
  • scrapy的參數設置和優化
  • 如何實現分布式爬取

4. 總結

以上就是最近幾天學習 Scrapy 的一個筆記和知識整理，參考了一些網上的文章才寫成此文，對此表示感謝，也希望這篇文章能夠對你有所幫助。如果你有什么想法，歡迎留言；如果喜歡此文，請幫忙分享，謝謝!

原文發表於：http://blog.javachen.com/2014/05/24/using-scrapy-to-cralw-data/


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 使用scrapy實現分布式爬蟲 scrapy-redis分布式爬蟲使用詳解 使用scrapy-redis搭建分布式爬蟲環境 (9)分布式下的爬蟲Scrapy應該如何做-關於ajax抓取的處理(一) 基於scrapy的分布式爬蟲抓取新浪微博個人信息和微博內容存入MySQL scrapy-redis分布式爬蟲 scrapy-redis分布式爬蟲 基於scrapy框架的分布式爬蟲 scrapy進行分布式爬蟲 爬蟲必備—scrapy-redis（分布式爬蟲）
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM