Scrapy框架01【入门操作，Scrapy Shell操作，Spider类】

常用命令集锦

scrapy startproject mySpider  # 新建项目
scrapy genspider xxx "xxx.cn"  # 创建爬虫的文件 不能与项目同名
scrapy crawl xxx  # 爬虫文件当中的name 对应的变量   运行爬虫
response.body  # 将输出response的包体  
response.headers # 可以看到response的包头。
response.url  # 请求的url
url response.status # 状态码
scrapy crawl xxx --nolog  # 爬虫文件当中的name 对应的变量   运行爬虫  不打印Log信息


# 三种导入setting文件的方法
from scrapy.utils.project import get_project_settings
# IMAGES_STORE = get_project_settings().get('IMAGES_STORE')
from Itcast.settings import IMAGES_STORE
from scrapy.conf import settings

　　

配置

ROBOTSTXT_OBEY = True   # 开启robots协议
ROBOTSTXT_OBEY = False # 关闭robots协议

ITEM_PIPELINES = {
'mySpider.pipelines.MyspiderPipeline': 300,  # 管道设置   键为：管道类   值为：权重   从小到大保存(值小的先保存　　)
}
setting.py 设置抓取间隔
BOT_NAME = 'zhihu'

SPIDER_MODULES = ['zhihu.spiders']
NEWSPIDER_MODULE = 'zhihu.spiders'
DOWNLOAD_DELAY = 0.25 #设置下载间隔为250ms

方法　

item['info'] = li.xpath("./p/text()").extract()[0]  # python3中获取内容   在python2中也有将unicode转为utf-8的作用

python2转码问题解决方案

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

Scrapy 框架

  • Scrapy是用纯Python实现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，用途非常广泛。

  • 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

  • Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy架构图(绿线是数据流向)：

  • Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

  • Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

  • Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

  • Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

  • Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

    • process_item()   PS:该函数必须返回item实例，供后续管道使用

  • Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

  • Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy的运作流程

代码写好，程序开始运行...

  1. 引擎：Hi！Spider, 你要处理哪一个网站？

  2. Spider：老大要我处理xxxx.com。

  3. 引擎：你把第一个需要处理的URL给我吧。

  4. Spider：给你，第一个URL是xxxxxxx.com。

  5. 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

  6. 调度器：好的，正在处理你等一下。

  7. 引擎：Hi！调度器，把你处理好的request请求给我。

  8. 调度器：给你，这是我处理好的request

  9. 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

  10. 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

  11. 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

  12. Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

  13. 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

  14. 管道``调度器：好的，现在就做！

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的URL，Scrapy也会重新下载。）

制作 Scrapy 爬虫 一共需要4步：

  • 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
  • 明确目标 （编写items.py）：明确你想要抓取的目标
  • 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
  • 存储内容 （pipelines.py）：设计管道存储爬取内容

Scrapy的安装介绍

Scrapy框架官方网址：http://doc.scrapy.org/en/latest

Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安装方式

  • Python 2 / 3
  • 升级pip版本：
  • pip install --upgrade pip
  • 通过pip 安装 Scrapy 框架
  • pip install Scrapy

Ubuntu 需要9.10或以上版本安装方式

  • Python 2 / 3
  • 安装非Python的依赖 sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
  • 通过pip 安装 Scrapy 框架 sudo pip install scrapy
具体Scrapy安装流程参考：http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 里面有各个平台的安装方法

爬虫的开发流程

一. 新建项目(scrapy startproject)

  • 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：
scrapy startproject mySpider
  • 其中， mySpider 为项目名称，可以看到将会创建一个 mySpider 文件夹，目录结构大致如下：

下面来简单介绍一下各个主要文件的作用：

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

　　

二、明确目标(mySpider/items.py)

我们打算抓取：http://www.XXXX.cn/channel/网站里的所有xxx.xxx.xxx信息

  1. 打开mySpider目录下的items.py

  2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

  3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item。

  4. 接下来，创建一个ItcastItem 类，和构建item模型（model）。

  5.  模板实例存储数据比字典更安全

三、制作爬虫 （spiders/xxxSpider.py）

爬虫功能要分两步：

1. 爬数据

  • 在当前目录下输入命令，将在mySpider/spider目录下创建一个名为xxx的爬虫，并指定爬取域的范围：
scrapy genspider xxx "xxx.cn"
其实也可以由我们自行创建xxx.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

  • name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

  • allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

  • start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

  • parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

    1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
    2. 生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url
start_urls = ("http://www.baidu.com",)
修改parse()方法

然后运行一下看看，在mySpider目录下执行：

scrapy crawl xxx

2. 取数据

利用scrapy封装好的response.xpath() 用法和xpath的方法一样

3.保存数据

scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，，命令如下：
# json格式，默认为Unicode编码
scrapy crawl xxx -o teachers.json

# json lines格式，默认为Unicode编码
scrapy crawl xxx -o teachers.jsonl

# csv 逗号表达式，可用Excel打开
scrapy crawl xxx -o teachers.csv

# xml格式
scrapy crawl xxx -o teachers.xml

案例

# -*- coding: utf-8 -*-
import scrapy
import time

from Tencent.items import TencentItem


class TencentSpider(scrapy.Spider):
    name = 'tencent'
    allowed_domains = ['tencent.com']
    start_urls = ['http://hr.tencent.com/position.php']

    def parse(self, response):
        host = "http://hr.tencent.com/"
        #　提取数据　有效数据及下一页的url
        tr_list = response.xpath("//tr[contains(@class, 'odd')]|//tr[contains(@class, 'even')]")
        for tr in tr_list:
            # 创建实例模型
            item = TencentItem()
            # 遍历每个信息获取相关数据
            item['href'] = host+tr.xpath('./td[1]/a/@href').extract_first()
            item['name'] = tr.xpath('./td[1]/a/text()').extract_first()
            item['genre'] = tr.xpath('./td[2]/text()').extract_first()
            item['number'] = tr.xpath('./td[3]/text()').extract_first()
            item['address'] = tr.xpath('./td[4]/text()').extract_first()
            item['pub_date'] = tr.xpath('./td[5]/text()').extract_first()
            # 将数据返回给引擎
            yield item
        # 获取发送下一页
        next_page = host + response.xpath("//a[@id='next']/@href").extract()[0]
        # 发送下一页请求,并指定运行的函数
        yield scrapy.Request(next_page, callback=self.parse)
tencent招聘tencentCode
import scrapy


class TencentItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    href = scrapy.Field()
    name = scrapy.Field()
    genre = scrapy.Field()  # 类型
    number = scrapy.Field()
    address = scrapy.Field()
    pub_date = scrapy.Field()
itemsCode
import json


class TencentPipeline(object):
    def open_spider(self, spider):
        # 打开文件
        self.file = open('centent.json', 'w')
        # 先
        self.file.write('[')
    def process_item(self, item, spider):
        # 将item模型对象转为dict
        item_dict = dict(item)
        # 将dict转为json
        item_json = json.dumps(item_dict, ensure_ascii=False, indent=2)
        # 写入
        self.file.write(item_json+',\n')
        return item

    def close_spider(self, spider):
        # 后
        self.file.write(']')
        # 关
        self.file.close()
pipelinesCode

Scrapy Shell

Scrapy终端是一个交互终端，我们可以在未启动spider的情况下尝试及调试代码，也可以用来测试XPath或CSS表达式，查看他们的工作方式，方便我们爬取的网页中提取的数据。

Selectors选择器

Scrapy Selectors 内置 XPath 和 CSS Selector 表达式机制

Selector有四个基本的方法，最常用的还是xpath:

  • xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表
  • extract(): 序列化该节点为字符串并返回list
  • css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表，语法同 BeautifulSoup4
  • re(): 根据传入的正则表达式对数据进行提取，返回字符串list列表

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

进入shell默认会返回response对象和resquest对象　用dir(response)查看所有的操作属性及方法

scrapy shell -s USER_AGENT=‘Mozilla/5.0’ "http://hr.tencent.com/position.php?&start=0#a"  # 启动shell并添加　用户头－－伪装

Spider

Spider类定义了如何爬取某个(或某些)网站。包括了爬取的动作(例如:是否跟进链接)以及如何从网页的内容中提取结构化数据(爬取item)。 换句话说，Spider就是您定义爬取的动作及分析某个网页(或者是有些网页)的地方。

class scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。

主要用到的函数及调用顺序为：

__init__() : 初始化爬虫名字和start_urls列表

start_requests() 调用make_requests_from url():生成Requests对象交给Scrapy下载并返回response

parse() : 解析response，并返回Item或Requests（需指定回调函数）。Item传给Item pipline持久化 ， 而Requests交由Scrapy下载，并由指定的回调函数处理（默认parse())，一直进行循环，直到处理完所有的数据为止。

#所有爬虫的基类，用户定义的爬虫必须从这个类继承
class Spider(object_ref):

    #定义spider名字的字符串(string)。spider的名字定义了Scrapy如何定位(并初始化)spider，所以其必须是唯一的。
    #name是spider最重要的属性，而且是必须的。
    #一般做法是以该网站(domain)(加或不加 后缀 )来命名spider。 例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite
    name = None

    #初始化，提取爬虫名字，start_ruls
    def __init__(self, name=None, **kwargs):
        if name is not None:
            self.name = name
        # 如果爬虫没有名字，中断后续操作则报错
        elif not getattr(self, 'name', None):
            raise ValueError("%s must have a name" % type(self).__name__)

        # python 对象或类型通过内置成员__dict__来存储成员信息
        self.__dict__.update(kwargs)

        #URL列表。当没有指定的URL时，spider将从该列表中开始进行爬取。 因此，第一个被获取到的页面的URL将是该列表之一。 后续的URL将会从获取到的数据中提取。
        if not hasattr(self, 'start_urls'):
            self.start_urls = []

    # 打印Scrapy执行后的log信息
    def log(self, message, level=log.DEBUG, **kw):
        log.msg(message, spider=self, level=level, **kw)

    # 判断对象object的属性是否存在，不存在做断言处理
    def set_crawler(self, crawler):
        assert not hasattr(self, '_crawler'), "Spider already bounded to %s" % crawler
        self._crawler = crawler

    @property
    def crawler(self):
        assert hasattr(self, '_crawler'), "Spider not bounded to any crawler"
        return self._crawler

    @property
    def settings(self):
        return self.crawler.settings

    #该方法将读取start_urls内的地址，并为每一个地址生成一个Request对象，交给Scrapy下载并返回Response
    #该方法仅调用一次
    def start_requests(self):
        for url in self.start_urls:
            yield self.make_requests_from_url(url)

    #start_requests()中调用，实际生成Request的函数。
    #Request对象默认的回调函数为parse()，提交的方式为get
    def make_requests_from_url(self, url):
        return Request(url, dont_filter=True)

    #默认的Request对象回调函数，处理返回的response。
    #生成Item或者Request对象。用户必须实现这个类
    def parse(self, response):
        raise NotImplementedError

    @classmethod
    def handles_request(cls, request):
        return url_is_from_spider(request.url, cls)

    def __str__(self):
        return "<%s %r at 0x%0x>" % (type(self).__name__, self.name, id(self))

    __repr__ = __str__
Spider_source_Code

主要属性和方法

  • name

    定义spider名字的字符串。

    例如，如果spider爬取 mywebsite.com ，该spider通常会被命名为 mywebsite

  • allowed_domains

    包含了spider允许爬取的域名(domain)的列表，可选。

  • start_urls

    初始URL元祖/列表。当没有制定特定的URL时，spider将从该列表中开始进行爬取。

  • start_requests(self)

    该方法必须返回一个可迭代对象(iterable)。该对象包含了spider用于爬取（默认实现是使用 start_urls 的url）的第一个Request。

    当spider启动爬取并且未指定start_urls时，该方法被调用。

  • parse(self, response)

    当请求url返回网页没有指定回调函数时，默认的Request对象回调函数。用来处理网页返回的response，以及生成Item或者Request对象。

  • log(self, message[, level, component])

    使用 scrapy.log.msg() 方法记录(log)message。 更多数据请参见 logging

案

posted @ 2017-08-18 16:36  凯哥吧  阅读(227)  评论(0)    收藏  举报