饮冰三年-人工智能-Python-39 爬虫之Scrapy框架
参考博客：https://www.cnblogs.com/wupeiqi/articles/6229292.html + http://www.scrapyd.cn/doc/
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
Scrapy主要包括了以下组件：
- 引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心) - 调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 - 下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) - 爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 - 项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。 - 下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。 - 爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。 - 调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下：
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
一、安装
建议先下载安装Anaconda，然后通过该工具安装scrapy。
二、命令行工具
1：全局命令
1：startproject 创建项目： scrapy strartproject scrapychina 2：genspider 根据蜘蛛模板创建蜘蛛 scrapy genspider example example.com 3：settings 查看到你对你的scray设置 蜘蛛的下载延迟：scrapy settings --get DOWNLOAD_DELAY 蜘蛛的名字：scrapy settings --get BOT_NAME 4：runspider 运行蜘蛛除了使用：scrapy crawl XX之外，我们还能用：runspider scrapy runspider scrapy_cn.py 区别：前者是基于项目运行，后者是基于文件运行，也就是说你按照scrapy的蜘蛛格式编写了一个py文件，那你不想创建项目，那你就可以使用runspider，比如你编写了一个：scrapyd_cn.py的蜘蛛 5：shell 主要是调试用。比较重要 scrapy shell http://www.scrapyd.cn 6：fetch 模拟我们的蜘蛛下载页 scrapy fetch http://www.scrapyd.cn >d:/3.html 7：view 和fetch类似都是查看蜘蛛看到的是否和你看到的一致 scrapy view http://www.scrapyd.cn 8：version 查看scrapy版本 scrapy version
2：项目命令
crawl
check
list
edit
parse
bench
三、牛刀小试
1：创建项目、爬虫
scrapy startproject AaronScrapy
cd AaronScrapy
scrapy genspider chouti chouti.com
2：运行爬虫
scrapy crawl chouti
需要注意的是，要将setting中的遵守机器人协议关掉。通俗来说， robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。
当然，我们并不是在做搜索引擎，而且在某些情况下我们想要获取的内容恰恰是被 robots.txt 所禁止访问的。所以，某些时候，我们就要将此配置项设置为 False ，拒绝遵守 Robot协议 ！
# -*- coding: utf-8 -*- import scrapy # import sys # import io # sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # A：首先我们需要创建一个类，并继承scrapy的一个子类：scrapy.Spider 或者是其他蜘蛛类型，后面会说到，除了Spider还有很多牛X的蜘蛛类型； class ChoutiSpider(scrapy.Spider): name = 'chouti' # B：然后定义一个蜘蛛名，name=“” allowed_domains = ['chouti.com'] start_urls = ['http://dig.chouti.com/'] # C：定义我们需要爬取的网址，没有网址蜘蛛肿么爬 def parse(self, response): print(response) print("Hello,Scrapy")
3：我们来扒一下cnblogs中我一共写了哪些随笔
# -*- coding: utf-8 -*- import scrapy from scrapy.selector import Selector # import sys # import io # sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # A：首先我们需要创建一个类，并继承scrapy的一个子类：scrapy.Spider 或者是其他蜘蛛类型，后面会说到，除了Spider还有很多牛X的蜘蛛类型； class ChoutiSpider(scrapy.Spider): name = 'cnblogs' # B：然后定义一个蜘蛛名，name=“” allowed_domains = ['cnblogs.com'] start_urls = ['https://www.cnblogs.com/YK2012/default.html?page=2'] # C：定义我们需要爬取的网址，没有网址蜘蛛肿么爬 def parse(self, response): HeaderTitle= response.css('#Header1_HeaderTitle')[0] autor= HeaderTitle.css('::text').extract_first() #作者 articles = response.css('div.day') for article in articles: time=article.css('.dayTitle a::text').extract_first() # 时间 title = article.css('.postTitle2::text').extract_first() #标题 fileName = '%s-随笔.txt' % autor # 爬取的内容存入文件，文件名为：作者-随笔.txt f = open(fileName, "a+") # 追加写入文件 f.write(time.strip()+" "+title.strip()) # 写入标签 f.write('\n') # 换行 f.close() # 关闭文件操作 # < a href = "https://www.cnblogs.com/YK2012/default.html?page=20" > 下一页 < / a > pages = response.css('#homepage_top_pager .pager a') next_page = None for page in pages: if(page.css('::text').extract_first().strip()=="下一页"): next_page=page.css('::attr(href)').extract_first().strip() if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)
4：下载图片
4.1 定义item 用于存储文件夹名称和路径
# -*- coding: utf-8 -*- # Define here the models for your scraped items # # See documentation in: # https://doc.scrapy.org/en/latest/topics/items.html import scrapy class AaronscrapyItem(scrapy.Item): # 定义爬取的字段 # name = scrapy.Field() name = scrapy.Field() ImgUrl = scrapy.Field() pass
4.2 创建蜘蛛文件
# -*- coding: utf-8 -*- import scrapy from AaronScrapy.items import AaronscrapyItem class DownloadtestSpider(scrapy.Spider): name = 'DownloadTest' allowed_domains = ['lab.scrapyd.cn'] start_urls = ['http://lab.scrapyd.cn/archives/55.html', 'http://lab.scrapyd.cn/archives/57.html', ] def parse(self, response): item = AaronscrapyItem() #实例化Item imgurls = response.css(".post-content img::attr(src)").extract() #这里是一个集合，含有多张图片 item['ImgUrl'] = imgurls name = response.css(".post-title a::text").extract_first() item['name'] = name yield item
4.3 图片下载中间件的编写
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html from scrapy import Request from scrapy.pipelines.images import ImagesPipeline import re class AaronscrapyPipeline(ImagesPipeline): def get_media_requests(self, item, info): # 循环每一张图片地址下载 for imge_url in item['ImgUrl']: print(imge_url) yield Request(imge_url,meta={'name':item['name']}) def file_path(self, request, response=None, info=None): # 重命名，若不重写这函数，图片名为哈希，就是一串乱七八糟的名字 image_guid = request.url.split('/')[-1] # 提取url前面名称作为图片名。 name= request.meta['name'] #接收上面Meta传递过来的图片名称 # 过滤Windows字符串，否则会有乱码 name=re.sub(r'[？\\*|“<>:/]', '', name) #分文件夹存储的关键 filename=u'{0}/{1}'.format(name,image_guid) return filename # def process_item(self, item, spider): # return item
4.4 设置，启动图片下载
#图片存储位置 IMAGES_STORE = 'D:\ImageSpider' #启动图片下载中间件 ITEM_PIPELINES = { 'ImageSpider.pipelines.ImagespiderPipeline': 300, }
4.5 效果展示
需要注意的是：
1：[scrapy] WARNING: File (code: 302): Error downloading file from
如果在settings文件中没有设置MEDIA_ALLOW_REDIRECTS参数的话，默认会将值赋值成False 及如果在下载的过程中如果有重定向过程，将不再重定向。
于是我再settings文件中 设置 MEDIA_ALLOW_REDIRECTS =True 问题完美解决！！
2：有些页面上设置了防盗链
防盗链的本质，其实很简单，防盗链的核心是判断你请求的地址是不是来自本服务器，若是，则给你图片，不是则不给，知道了这么一个原则我们就可以破解了，我们每下载一张图片都先伪造一个妹子服务器的请求，然后在下载，那它肯定会给你返回图片，于是我们就能顺利拿到图片！那问题的重点就归结为如何伪造请求地址，scrapy实现起来灰常简单，就是写一个Middleware，代码如下：
def process_request(self, request, spider): referer = request.url if referer: request.headers['referer'] = referer
