Scrapy及scrapy-redis

Scrapy框架介绍：

　　写一个爬虫，需要做很多的事情。比如：发送网络请求、数据解析、数据存储、反反爬虫机制（更换ip代理、设置请求头等）、异步请求等。

　　这些工作如果每次都要自己从零开始写的话，比较浪费时间。因此Scrapy把一些基础的东西封装好了，在他上面写爬虫可以变的更加的高效（爬取效率和开发效率）。

　　因此真正在公司里，一些上了量的爬虫，都是使用Scrapy框架来解决。

Scrapy框架模块功能：　　

Scrapy Engine（引擎）：Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。
Spider（爬虫）：发送需要爬取的链接给引擎，最后引擎把其他模块请求回来的数据再发送给爬虫，爬虫就去解析想要的数据。这个部分是我们开发者自己写的，因为要爬取哪些链接，页面中的哪些数据是我们需要的，都是由程序员自己决定。
Scheduler（调度器）：负责接收引擎发送过来的请求，并按照一定的方式进行排列和整理，负责调度请求的顺序等。
Downloader（下载器）：负责接收引擎传过来的下载请求，然后去网络上下载对应的数据再交还给引擎。
Item Pipeline（管道）：负责将Spider（爬虫）传递过来的数据进行保存。具体保存在哪里，应该看开发者自己的需求。
Downloader Middlewares（下载中间件）：可以扩展下载器和引擎之间通信功能的中间件。
Spider Middlewares（Spider中间件）：可以扩展引擎和爬虫之间通信功能的中间件。

Scrapy架构图：

Scrapy快速入门

　　安装和文档：　　　　

1. 安装：通过pip install scrapy即可安装。
2. Scrapy官方文档：http://doc.scrapy.org/en/latest
3. Scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

　　　　注意：　　　　　

在ubuntu上安装scrapy之前，需要先安装以下依赖：
sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev，然后再通过pip install scrapy安装。
如果在windows系统下，提示这个错误ModuleNotFoundError: No module named 'win32api'，那么使用以下命令可以解决：pip install pypiwin32。

　　快速入门：

　　　　创建项目：　　　　　　

　　　　　　要使用Scrapy框架创建项目，需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建：

　　　　　　　　scrapy startproject [项目名称]

　　　　目录结构介绍：

　　　　　　以下介绍下主要文件的作用：　　　　　　　

- - items.py：用来存放爬虫爬取下来数据的模型。
  - middlewares.py：用来存放各种中间件的文件。
  - pipelines.py：用来将items的模型存储到本地磁盘中。
  - settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
  - scrapy.cfg：项目的配置文件。
  - spiders包：以后所有的爬虫，都是存放到这个里面。

　　　　使用Scrapy框架爬取糗事百科段子：

　　　　　　1.使用命令创建一个爬虫：　　scrapy gensipder qsbk "qiushibaike.com"

　　　　　　　　进入项目所在的路径创建爬虫。

　　　　　　　　创建了一个名字叫做qsbk的爬虫，并且能爬取的网页只会限制在qiushibaike.com这个域名下。（爬虫名字不能和项目名字一致）

　　　　　　　　爬虫代码解析：　　　　　　　　　

import scrapy

class QsbkSpider(scrapy.Spider):
    name = 'qsbk'
    allowed_domains = ['qiushibaike.com']
    start_urls = ['http://qiushibaike.com/']

    def parse(self, response):
        pass

爬虫代码解析

　　　　　　　　其实这些代码我们完全可以自己手动去写，而不用命令。只不过是不用命令，自己写这些代码比较麻烦。

　　　　　　　　要创建一个Spider，那么必须自定义一个类，继承自scrapy.Spider，然后在这个类中定义三个属性和一个方法。　　　　　　　　　　

1. 1. name：这个爬虫的名字，名字必须是唯一的。
  2. allow_domains：允许的域名。爬虫只会爬取这个域名下的网页，其他不是这个域名下的网页会被自动忽略。
  3. start_urls：爬虫从这个变量中的url开始。
  4. parse：引擎会把下载器下载回来的数据扔给爬虫解析，爬虫再把数据传给这个parse方法。这个是个固定的写法。这个方法的作用有两个，第一个是提取想要的数据。第二个是生成下一个请求的url。

　　　　　　2.修改settings.py代码：

　　　　　　　　在做一个爬虫之前，一定要记得修改setttings.py中的设置。两个地方是强烈建议设置的。　　　　　　

1. 1. ROBOTSTXT_OBEY设置为False。默认是True。即遵守机器协议，那么在爬虫的时候，scrapy首先去找robots.txt文件，如果没有找到。则直接停止爬取。
  2. DEFAULT_REQUEST_HEADERS添加User-Agent。这个也是告诉服务器，我这个请求是一个正常的请求，不是一个爬虫。

　　　　　　3.完成的爬虫代码：

import scrapy
 from abcspider.items import QsbkItem

 class QsbkSpider(scrapy.Spider):
     name = 'qsbk'
     allowed_domains = ['qiushibaike.com']
     start_urls = ['https://www.qiushibaike.com/text/']

     def parse(self, response):
         outerbox = response.xpath("//div[@id='content-left']/div")
         items = []
         for box in outerbox:
             author = box.xpath(".//div[contains(@class,'author')]//h2/text()").extract_first().strip()
             content = box.xpath(".//div[@class='content']/span/text()").extract_first().strip()
             item = QsbkItem()
             item["author"] = author
             item["content"] = content
             items.append(item)
         return items

爬虫部分代码

 import scrapy
 class QsbkItem(scrapy.Item):
     author = scrapy.Field()
     content = scrapy.Field()

items.py部分代码

import json

 class AbcspiderPipeline(object):
     def __init__(self):

         self.items = []

     def process_item(self, item, spider):
         self.items.append(dict(item))
         print("="*40)
         return item

     def close_spider(self,spider):
         with open('qsbk.json','w',encoding='utf-8') as fp:
             json.dump(self.items,fp,ensure_ascii=False)

pipeline部分代码

　　　　　　4.运行scrapy项目：

　　　　　　　　运行scrapy项目。需要在终端，进入项目所在的路径，然后scrapy crawl [爬虫名字]即可运行指定的爬虫。

　　　　　　　　如果不想每次都在命令行中运行，那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。

　　　　　　　　比如现在新创建一个文件叫做start.py，然后在这个文件中填入以下代码：　　　　　　　　　

　　　　　　　　　　from scrapy import cmdline

　　　　　　　　　　cmdline.execute("scrapy crawl qsbk".split())

　　　　　　　　笔记：

- - - response是一个“scrapy.http.response.html.HtmlResponse”对象，可以执行“xpath”和“css”语法来提取数据
    - 提取出来的数据，是一个“Selector”或者是一个“SelectList”对象。如果想要获取其中的字符串，那么应该执行“getall”或者“get”方法
    - getall方法：获取“Selector”中的所有文本，返回的是一个列表
    - get方法：获取的是“Selector”中的第一个文本，返回的是一个str类型
    - 如果数据解析回来，要传给pipline处理，那么可以使用“yield”来返回。
    - 可以不使用生成器，即收集所有的item，最后统一使用item返回。使用：定义一个列表；向列表里面append数据；外侧统一返回；
    - item：建议在“items.py”中定义好类型，以后就不要使用字典
    - pipeline：这个是专门用来保存数据的，其中有三个方法是经常使用的。
      - 要激活pipeline,应该在“settings.py”中设置

　　　　　　　　笔记：

- - - 保存数据的时候，可以使用两个类，让操作变得更简单
    - 1.JsonItemExporter : 这个是每次把数据添加到内存中，最后统一写入到磁盘中，好处是，存储的诗句是一个满足json规则的数据，坏处是如果数据量比较大，那么比较耗内存
    - 2JsonLinesItemExporter : 这个是每次调用“export_item”的时候就把这和item存储到硬盘中，坏处是每一个字典是一行，整个文件不是一个满足json格式的文件，好处是每次处理数据的时候就直接存储到了硬盘中，这样不会耗内存，数据也比较安全。

　　CrawlSpider

　　　　一般，我们是自己在解析完整个页面后获取下一页的url，然后重新发送一个请求。有时候我们想要这样做，只要满足某个条件的url，都给我进行爬取。

　　　　那么这时候我们就可以通过CrawlSpider来帮我们完成了。CrawlSpider继承自Spider，只不过是在之前的基础之上增加了新的功能，可以定义爬取的url的规则，以后scrapy碰到满足条件的url都进行爬取，而不用手动的yield Request。

　　　　　　CrawlSpider爬虫：

　　　　　　　　创建CrawlSpider爬虫：

　　　　　　　　　　创建CrawlSpider爬虫，那么应该通过以下命令创建：scrapy genspider -t crawl [爬虫名字] [域名]

　　　　　　　　LinkExtractors链接提取器：

　　　　　　　　　　使用LinkExtractors可以不用程序员自己提取想要的url，然后发送请求。

　　　　　　　　　　这些工作都可以交给LinkExtractors，他会在所有爬的页面中找到满足规则的url，实现自动的爬取。　　

class scrapy.linkextractors.LinkExtractor(
    allow = (),
    deny = (),
    allow_domains = (),
    deny_domains = (),
    deny_extensions = None,
    restrict_xpaths = (),
    tags = ('a','area'),
    attrs = ('href'),
    canonicalize = True,
    unique = True,
    process_value = None
)

LinkExtractors类简单介绍

　　　　　　　　　　主要参数讲解：　　　　　　　　　　　

- - - allow：允许的url。所有满足这个正则表达式的url都会被提取。
    - deny：禁止的url。所有满足这个正则表达式的url都不会被提取。
    - allow_domains：允许的域名。只有在这个里面指定的域名的url才会被提取。
    - deny_domains：禁止的域名。所有在这个里面指定的域名的url都不会被提取。
    - restrict_xpaths：严格的xpath。和allow共同过滤链接。

　　　　　　　　Rule规则类：　　　　　　　　　

class scrapy.spiders.Rule(
    link_extractor, 
    callback = None, 
    cb_kwargs = None, 
    follow = None, 
    process_links = None, 
    process_request = None
)

rule规则类简单介绍

　　　　　　　　　　主要参数讲解：　　　　　　　　

- - - link_extractor：一个LinkExtractor对象，用于定义爬取规则。
    - callback：满足这个规则的url，应该要执行哪个回调函数。因为CrawlSpider使用了parse作为回调函数，因此不要覆盖parse作为回调函数自己的回调函数。
    - follow：指定根据该规则从response中提取的链接是否需要跟进。
    - process_links：从link_extractor中获取到链接后会传递给这个函数，用来过滤不需要爬取的链接。

　　　　　　　　笔记：（crawspider）

- - - 需要使用“LinkExtractor”和“Rule”。这两个东西决定爬虫的具体走向。
    - 1.allow设置规则的方法：要能够限制在我们想要的URL上面，不要跟其他的URL产生相同的正则表达式即可
    - 2.什么情况下使用follow：如果在爬取页面的时候，需要将满足当前条件的URL在进行跟进，那么就设置为True,否则设置为False
    - 3.什么情况下指定callback：如果这个URL对应的页面，只是为了获取更多的URL，并不需要里面的数据，那么可以不指定callback。如果想要获取URL对应页面中的数据，那么就需要制定一个callback

　　Scrapy Shell

　　　　在爬虫中使用xpath、beautifulsoup、正则表达式、css选择器等来提取想要的数据。但是因为scrapy是一个比较重的框架。每次运行起来都要等待一段时间。因此要去验证我们写的提取规则是否正确，是一个比较麻烦的事情。

　　　　因此Scrapy提供了一个shell，用来方便的测试规则。当然也不仅仅局限于这一个功能。

　　　　打开Scrapy Shell：

　　　　　　打开cmd终端，进入到Scrapy项目所在的目录，然后进入到scrapy框架所在的虚拟环境中，输入命令scrapy shell [链接]。就会进入到scrapy的shell环境中。在这个环境中，你可以跟在爬虫的parse方法中一样使用了。

　　　　笔记：（scrapy shell）

- - 可以方便我们做一些数据提取的测试代码
  - 如果想要执行scrapy命令，那么毫无疑问，肯定是要进入scrapy所在的环境中
  - 如果想要读取某个项目的配置信息，那么应该先进入到这个项目中，在执行“scrapy shell”命令

　　request和response对象

　　　　request对象：

　　　　　　request对象在我们写爬虫，爬取一夜的数据需要重新发送一个请求的时候调用。这个类需要传递一些参数，其中比较常用的参数有：

- - url：request对象发送请求的url
  - callback：在下载器下载完响应的数据后执行的回调函数
  - method：请求的方法。默认为GET方法。
  - headers：请求头，对于一些固定的设置，放在settings.py中指定就可以了。对于那些非固定的，可以再发送请求的时候指定
  - meta：比较常用。用于在不同的请求之间传递数据用的
  - encoding:编码。默认为utf-8
  - dot_filter：便是由不同调度器过滤。在执行多次重复的请求的时候用的比较多
  - errback：在发生错误时执行的函数

　　　　response对象：

　　　　　　response对象一般是由scrapy给你自动创建的。因此开发者不需要关心如何常见response对象，而是如何使用。

　　　　　　response对象有很多属性，可以用来提取数据的。主要有以下属性：

- - meta：从其他请求传过来的meta属性，可以用来保持多个请求之间的数据连接
  - encoding：返回当前字符串编码和解码的格式
  - text：将返回来的数据作为Unicode字符串返回
  - body：将返回来的数据作为bytes字符串返回
  - xpath：xpath选择器
  - css：css选择器

　　　　发送POST请求：

　　　　　　有时候我们想要在请求数据的时候发送post请求，那么这时候需要使用request的子类FormRequest来实现。

　　　　　　如果想要在爬虫一开始的时候就发送POST请求，那么需要在爬虫类中重写start_requests(self)方法，并不在调用start_urls里的url。

　　Downloader Middlewares（下载器中间件）

　　　　下载器中间件是引擎和下载器之间通信的中间件，在这个中间件中我们可以设置代理，更换请求头等来达到反反爬虫的目的。

　　　　要写下载器中间件，可以再下载器中实现两个方法。

　　　　一是process_request(self,request,spider)；这个方法是在请求发送之前会执行

　　　　二是process_response(self,response,spider)；这个方法是数据下载到引擎之前执行

　　　　process_request(self,request,spider)：

　　　　　　这个方法是在请求发送之前会执行，一般可以在这个里面设置随机代理IP

　　　　　　参数：

　　　　　　　　request：发送请求的request对象

　　　　　　　　spider：发送请求的spider对象

　　　　　　返回值：

- - 返回None: 如果返回None，scrapy将继续处理该request，执行其他中间件中的响应方法，直到合适的下载器处理函数被调用
  - 返回response对象： scrapy将不会调用任何其他的process_request方法，将直接返回这个response对象。已经激活的中间件的process_response（）方法则会在每个response返回时调用
  - 返回request对象：不再使用之前的request对象去下载数据，二是根据现在返回的request对象返回数据
  - 如果这个方法中抛出了异常，则会调用process_exception方法

　　　　process_response(self,response,spider)：

　　　　　　这个是下载器下载的数据到引擎中会执行的方法。

　　　　　　参数：

　　　　　　　　request： request对象

　　　　　　　　response：被处理的response对象

　　　　　　　　spider： spider对象

　　　　　　返回值：

- - 返回response对象：会将这个新的response对象传给其他中间件，最终传给爬虫
  - 返回request对象：下载器被切断，返回的request会将重新被下载器调度下载
  - 如果抛出一个异常，那么调用request的errback方法，如果没有指定这个方法，那么会抛出一个异常

　　　　随机请求头中间件：

　　　　　　爬虫在频繁反问一个页面的时候，这个请求头如果一直保持一致，那么很容易被服务器发现，从而禁止这个请求头的访问。

　　　　　　因此我们要在访问这个页面之前随机的更改请求头，这样才可以避免爬虫被抓。随机更改请求头，可以再下载中间件中实现。

　　　　　　在请求发送给服务器之前，随机的选择一个请求头，这样就可以避免总是用一个请求头了。

　　分布式爬虫介绍（scrapy-Redis）

　　　　Scrapy是一个框架，他本身是不支持分布式的。如果我们想要做分布式的爬虫，就需要借助一个组件叫做Scrapy-Redis，

　　　　这个组件正是利用了Redis可以分布式的功能，集成到Scrapy框架中，使得爬虫可以进行分布式。可以充分的利用资源（多个ip、更多带宽、同步爬取）来提高爬虫的爬行效率。

　　　　分布式爬虫的优点：　　　　

1. 可以充分利用多台机器的带宽。
2. 可以充分利用多台机器的ip地址。
3. 多台机器做，爬取效率更高。

　　　　分布式爬虫必须要解决的问题：

1. 分布式爬虫是好几台机器在同时运行，如何保证不同的机器爬取页面的时候不会出现重复爬取的问题。
2. 同样，分布式爬虫在不同的机器上运行，在把数据爬完后如何保证保存在同一个地方。

　　　　安装：

　　　　　　通过pip install scrapy-redis即可安装。

　　　　架构：

　　　　　　Item Pipeline在接收到数据后发送给了Redis、Scheduler调度器调度数据也是从Redis中来的、并且其实数据去重也是在Redis中做的。

　　编写Scrapy-Redis分布式爬虫：

　　　　要将一个Scrapy项目变成一个Scrapy-redis项目只需修改以下三点就可以了：　　　　

1. 将爬虫的类从scrapy.Spider变成scrapy_redis.spiders.RedisSpider；或者是从scrapy.CrawlSpider变成scrapy_redis.spiders.RedisCrawlSpider。
2. 将爬虫中的start_urls删掉。增加一个redis_key="xxx"。这个redis_key是为了以后在redis中控制爬虫启动的。爬虫的第一个url，就是在redis中通过这个发送出去的。
3. 在配置文件中增加如下配置：

    # Scrapy-Redis相关配置
    # 确保request存储到redis中
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"

    # 确保所有爬虫共享相同的去重指纹
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

    # 设置redis为item pipeline
    ITEM_PIPELINES = {
        'scrapy_redis.pipelines.RedisPipeline': 300
    }

    # 在redis中保持scrapy-redis用到的队列，不会清理redis中的队列，从而可以实现暂停和恢复的功能。
    SCHEDULER_PERSIST = True

    # 设置连接redis信息
    REDIS_HOST = '127.0.0.1'
    REDIS_PORT = 6379

配置文件

　　　　运行爬虫：　　　　　

1. 在爬虫服务器上。进入爬虫文件所在的路径，然后输入命令：scrapy runspider [爬虫名字]。
2. 在Redis服务器上，推入一个开始的url链接：redis-cli> lpush [redis_key] start_url开始爬取。

posted @ 2019-07-25 12:45 JamJarBranch 阅读(256) 评论(0) 收藏举报

刷新页面返回顶部

JamJarBranch

Scrapy及scrapy-redis

Scrapy框架介绍：

Scrapy框架模块功能：

Scrapy架构图：

Scrapy快速入门

CrawlSpider

Scrapy Shell

Downloader Middlewares（下载器中间件）

公告

Scrapy框架模块功能：　　

　　CrawlSpider

　　Scrapy Shell

　　Downloader Middlewares（下载器中间件）