ansheng’s blog!

Python全栈之路系列之scrapy爬虫

An open source and collaborative framework for extracting the data you need from websites.

官网：https://scrapy.org GITHUB地址：https://github.com/scrapy/scrapy

Scrapy运行流程大概如下：

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来，并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体（Item）,则交给实体管道进行进一步的处理
  6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

安装

因为我是Ubuntu系统，所以可以直接通过pip安装scrapy

pip install scrapy

使用

创建项目

scrapy startproject xiaohuar

目录结构

⇒  tree xiaohuawang 
xiaohuawang
# 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
├── scrapy.cfg
└── xiaohuawang
    ├── __init__.py
    # 设置数据存储模板，用于结构化数据
    ├── items.py
    # 数据处理行为，如：一般结构化的数据持久化
    ├── pipelines.py
    ├── __pycache__
    # 配置文件，如：递归的层数、并发数，延迟下载等
    ├── settings.py
    # 爬虫目录，如：创建文件，编写爬虫规则
    └── spiders
        ├── __init__.py
        └── __pycache__

4 directories, 6 files

编写爬虫

创建文件：”xiaohuar/xiaohuar/spiders/myspider.py”

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

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"  # APP的名字，必须定义
    start_urls = [
        "http://www.xiaohuar.com/hua/",  # 起始URL
    ]

    def parse(self, response):  # 抓取start_urls页面，自动执行parse回调函数
        current_url = response.url  # 当前请求的URL
        body = response.body  # 请求的内容
        unicode_body = response.body_as_unicode()  # 编码
        print(body)

运行

进入xiaohuar目录，运行命令

scrapy runspider myspider.py --nolog  # 不输出debug日志

一个抓取图片的小实例

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


class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"  # APP的名字，必须定义
    start_urls = [
        "http://www.xiaohuar.com/hua/",  # 起始URL
    ]

    def parse(self, response):  # 抓取start_urls页面，自动执行parse回调函数
        hxs = HtmlXPathSelector(response)  # 匹配查找
        items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
        for i in range(len(items)):
            srcs = hxs.select(
                '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
            names = hxs.select(
                '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
            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:
                # print(names, srcs, schools)
                # ['覃罗莹'] ['/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg'] ['广西农业职业技术学院']
                try:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 文件路径
                    file_name = names[0] + "." + srcs[0].split(".")[-1]  # 保存的文件名
                    file_path = os.path.join("./pic", file_name)  # 保存的路径
                    # print(ab_src, file_name, file_path)
                    # http://www.xiaohuar.com/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg 覃罗莹jpg ./pic/覃罗莹jpg
                    urllib.request.urlretrieve(ab_src, file_path)  # 下载文件
                except Exception as e:
                    print("错误》》", e)

选择器

基本的选择器

选择器 描述
// 子子孙孙
/ 孩子
//div[@class="c1"][@id='i1'] 属性选择器
//div//img/@src div下所有的img属性src
//div//a[1] 索引取值
//div//a[1]//text() 索引取值的内容

通过extract获取真实的数据：

//div[@class="c1"][@id='i1'].extract()

支持正则

选择器 描述
//.select("div//a[1]").re("昵称:(\w+)") 正则

官方文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

两种查找方式

# 即将被废弃的
from scrapy.selector import HtmlXPathSelector
hxs = HtmlXPathSelector(response)
items_HtmlXPathSelector = hxs.select('//div[@class="item_list infinite_scroll"]/div')
print(len(items_HtmlXPathSelector))

from scrapy.selector import Selector
items_Selector = Selector(response=response).xpath('//div[@class="item_list infinite_scroll"]/div')
print(len(items_Selector))

正则表达式实例

<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>

ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
# re -- 通过正则进行匹配
# test -- 匹配

扩展

重复的URL不访问

先把长的URL进行MD5加密，加密成32或者64位，可以保存在一个集合或者缓存、数据库中，每次抓取之前都先判断有没有这个URL。

递归查找

scrapy-level

设置查找深度：修改settings.py配置文件，加入以下参数指定深度DEPTH_LIMIT = 1

内容格式化

就是相当于分类，比如说下面的文件：

文件 功能
myspider.py 查找URL的规则
items.py 数据
pipelines.py 数据持久化

如图所示：

scrapy-format