[轉載]學習Scrapy入門

02-05

作者：JasonDing

鏈接：【scrapy】學習Scrapy入門

來源：簡書

著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。

原文地址：

【scrapy】學習Scrapy入門www.jianshu.com

也可參考：

Scrapy入門教程 - Scrapy 0.24.6 文檔scrapy-chs.readthedocs.io

Scrapy介紹

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。可以應用在包括數據挖掘，信息處理或存儲歷史數據等一系列的程序中。

所謂網路爬蟲，就是一個在網上到處或定向抓取數據的程序，當然，這種說法不夠專業，更專業的描述就是，抓取特定網站網頁的HTML數據。抓取網頁的一般方法是，定義一個入口頁面，然後一般一個頁面會有其他頁面的URL，於是從當前頁面獲取到這些URL加入到爬蟲的抓取隊列中，然後進入到新頁面後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這個非同步網路庫來處理網路通訊，架構清晰，並且包含了各種中間件介面，可以靈活的完成各種需求。

整體架構

引擎(Scrapy Engine)，用來處理整個系統的數據流處理，觸發事務。
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。
下載器(Downloader)，用於下載網頁內容，並將網頁內容返回給蜘蛛。
蜘蛛(Spiders)，蜘蛛是主要幹活的，用它來制訂特定域名或網頁的解析規則。編寫用於分析response並提取item(即獲取到的item)或額外跟進的URL的類。每個spider負責處理一個特定(或一些)網站。
項目管道(Item Pipeline)，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。當頁面被蜘蛛解析後，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(Downloader Middlewares)，位於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。
蜘蛛中間件(Spider Middlewares)，介於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輸入和請求輸出。
調度中間件(Scheduler Middlewares)，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。

爬取流程

上圖綠線是數據流向，首先從初始URL開始，Scheduler會將其交給Downloader進行下載，下載之後會交給Spider進行分析，Spider分析出來的結果有兩種：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據，它們則被送到Item Pipeline那裡，那是對數據進行後期處理（詳細分析、過濾、存儲等）的地方。另外，在數據流動的通道里還可以安裝各種中間件，進行必要的處理。

數據流

Scrapy中的數據流由執行引擎控制，其過程如下:

引擎打開一個網站(open a domain)，找到處理該網站的Spider並向該spider請求第一個要爬取的URL(s)。
引擎從Spider中獲取到第一個要爬取的URL並在調度器(Scheduler)以Request調度。
引擎向調度器請求下一個要爬取的URL。
調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)轉發給下載器(Downloader)。
一旦頁面下載完畢，下載器生成一個該頁面的Response，並將其通過下載中間件(返回(response)方向)發送給引擎。
引擎從下載器中接收到Response並通過Spider中間件(輸入方向)發送給Spider處理。
Spider處理Response並返回爬取到的Item及(跟進的)新的Request給引擎。
引擎將(Spider返回的)爬取到的Item給Item Pipeline，將(Spider返回的)Request給調度器。
(從第二步)重複直到調度器中沒有更多地request，引擎關閉該網站。

Scrapy項目基本流程

默認的Scrapy項目結構

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

scrapy startproject myprojectn

雖然可以被修改，但所有的Scrapy項目默認有類似於下邊的文件結構:

scrapy.cfgnmyproject/n __init__.pyn items.pyn pipelines.pyn settings.pyn spiders/n __init__.pyn spider1.pyn spider2.pyn ... nscrapy.cfg 存放的目錄被認為是項目的根目錄。該文件中包含python模塊名的欄位定義了項目的設置。n

定義要抓取的數據

Item 是保存爬取到的數據的容器；其使用方法和python字典類似，並且提供了額外保護機制來避免拼寫錯誤導致的未定義欄位錯誤。

類似在ORM中做的一樣，您可以通過創建一個 scrapy.Item 類，並且定義類型為 scrapy.Field 的類屬性來定義一個Item。

首先根據需要從http://dmoz.org（DMOZ網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願者共同維護與建設的最大的全球目錄社區）獲取到的數據對item進行建模。我們需要從dmoz中獲取名字，url，以及網站的描述。對此，在item中定義相應的欄位。編輯items.py 文件:

import scrapynnclass DmozItem(scrapy.Item):n title = scrapy.Field()n link = scrapy.Field()n desc = scrapy.Field()n

使用項目命令genspider創建Spider

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

在當前項目中創建spider。

這僅僅是創建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。您也可以自己創建spider的源碼文件。

$ scrapy genspider -lnAvailable templates:n basicn crawln csvfeedn xmlfeednn$ scrapy genspider -d basicnimport scrapynnclass $classname(scrapy.Spider):n name = "$name"n allowed_domains = ["$domain"]n start_urls = (n http://www.$domain/,n )nn def parse(self, response):n passnn$ scrapy genspider -t basic example example.comnCreated spider example using template basic in module:n mybot.spiders.examplen

編寫提取item數據的Spider

Spider是用戶編寫用於從單個網站(或者一些網站)爬取數據的類。

其包含了一個用於下載的初始URL，如何跟進網頁中的鏈接以及如何分析頁面中的內容，提取生成 item 的方法。

為了創建一個Spider，您必須繼承 scrapy.Spider 類，且定義以下三個屬性:

name: 用於區別Spider。該名字必須是唯一的，您不可以為不同的Spider設定相同的名字。
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。後續的URL則從初始的URL獲取到的數據中提取。
parse() 是spider的一個方法。被調用時，每個初始URL完成下載後生成的 Response 對象將會作為唯一的參數傳遞給該函數。該方法負責解析返回的數據(response data)，提取數據(生成item)以及生成需要進一步處理的URL的 Request 對象。

import scrapynnclass DmozSpider(scrapy.spider.Spider):n name = "dmoz" #唯一標識，啟動spider時即指定該名稱n allowed_domains = ["dmoz.org"]n start_urls = [n "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",n "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"n ]nn def parse(self, response):n filename = response.url.split("/")[-2]n with open(filename, wb) as f:n f.write(response.body)n

進行爬取

執行項目命令crawl，啟動Spider：

scrapy crawl dmozn

在這個過程中：

Scrapy為Spider的 start_urls 屬性中的每個URL創建了 scrapy.Request 對象，並將 parse 方法作為回調函數(callback)賦值給了Request。
Request對象經過調度，執行生成 scrapy.http.Response 對象並送回給spider parse() 方法。

通過選擇器提取數據

Selectors選擇器簡介：

Scrapy提取數據有自己的一套機制。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，並與特定的HTML元素的樣式相關連。

XPath表達式的例子和含義：

/html/head/title: 選擇HTML文檔中 <head> 標籤內的 <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

提取數據：

觀察HTML源碼並確定合適的XPath表達式。

在查看了網頁的源碼後，您會發現網站的信息是被包含在第二個元素中。

我們可以通過這段代碼選擇該頁面中網站列表裡所有元素:

response.xpath(//ul/li)

Item 對象是自定義的python字典。您可以使用標準的字典語法來獲取到其每個欄位的值。

一般來說，Spider將會將爬取到的數據以 Item 對象返回。所以為了將爬取的數據返回，我們最終的代碼將是:

import scrapynnfrom tutorial.items import DmozItemnnclass DmozSpider(scrapy.Spider):n name = "dmoz"n allowed_domains = ["dmoz.org"]n start_urls = [n "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",n "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"n ]nn def parse(self, response): for sel in response.xpath(//ul/li):n item = DmozItem()n item[title] = sel.xpath(a/text()).extract()n item[link] = sel.xpath(a/@href).extract()n item[desc] = sel.xpath(text()).extract()n yield itemn

現在對http://dmoz.org進行爬取將會產生 DmozItem 對象。

保存數據

最簡單存儲爬取的數據的方式是使用 Feed exports:

scrapy crawl dmoz -o items.jsonn

該命令將採用 JSON 格式對爬取的數據進行序列化，生成 items.json 文件。

如果需要對爬取到的item做更多更為複雜的操作，您可以編寫 Item Pipeline 。類似於我們在創建項目時對Item做的，用於您編寫自己的 tutorial/pipelines.py 也被創建。不過如果您僅僅想要保存item，您不需要實現任何的pipeline。

補充提示：Windows平台安裝Scrapy的特別要求

Windows specific installation notes

Windows平台下，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和對應的OpenSSL安裝包，並把其可執行文件目錄「*openssl-win32bin」加入到環境變數Path中
安裝Scrapy依賴的二進位包
pywin32 Twisted zope.interface lxml pyOpenSSL

小結

第一篇關於Scrapy的文章主要依據Scrapy 0.24的中文文檔，了解、熟悉Scrapy的使用和基本概念，在後面的相關文章中，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架構概覽初窺Scrapy Scrapy入門教程如何入門 Python 爬蟲

轉載請註明作者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.jianshu.com/users/2bd9b48f6ea8/latest_articles)

作者：JasonDing

鏈接：http://www.jianshu.com/p/a8aad3bf4dc4

來源：簡書

著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。