爬虫框架-scrapy的使用

Scrapy

• Scrapy是纯python实现的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。
• Scrapy使用了Twisted异步网络框架来处理网络通讯，可以加快我们的下载速度，并且包含了各种中间件接口，可以灵活的完成各种需求

1、安装

sudo pip3 install scrapy

2、认识scrapy框架

• 2.1 scrapy架构图

• 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，入队列，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.

• 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）：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）

• 2.2 Scrapy运行的大体流程：

1.引擎从spider拿到第一个需要处理的URL，并将request请求交给调度器。

2.调度器拿到request请求后，按照一定的方式进行整理排列，入队列，并将处理好的request请求返回给引擎。

3.引擎通知下载器，按照下载中间件的设置去下载这个request请求。

4.下载器下载request请求，并将获取到的response按照下载中间件进行处理，然后后交还给引擎，由引擎交给spider来处理。对于下载失败的request，引擎会通知调度器进行记录，待会重新下载。

5.spider拿到response，并调用回调函数（默认调用parse函数）去进行处理，并将提取到的Item数据和需要跟进的URL交给引擎。

6.引擎将item数据交给管道进行处理，将需要跟进的URL交给调度器，然后开始循环，直到调度器中不存在任何request，整个程序才会终止。

• 2.3 制作scrapy爬虫步骤：

1.创建项目：通过（scrapy startproject 项目名）来创建一个项目

2.明确目标：编写items.py文件，定义提取的Item

3.制作爬虫：编写spiders/xx.py文件，爬取网站并提取Item

4.存储内容：编写pipelines.py文件，设计管道来存储提取到的Item(即数据)

3、入门教程

• 3.1 创建项目

  • 在开始爬虫之前，第一步需要创建一个项目。先进入打算存储代码的目录，运行以下命令：

    scrapy startproject myProject

  • 其中myProject为项目名，运行上述命令后，在当前目录下会创建一个myProject目录，该目录包含以下内容：

    .
    ├── myProject
    │   ├── __init__.py
    │   ├── items.py
    │   ├── middlewares.py
    │   ├── pipelines.py
    │   ├── settings.py
    │   └── spiders
    │       └── __init__.py
    └── scrapy.cfg

scrapy.cfg：项目的配置文件

myProject/items.py：项目中的目标文件

myProject/middlewares.py：项目中的中间件文件

myProject/pipelines.py：项目中的管道文件

myProject/settings.py：项目中的设置文件

myProject/spiders：放置spider代码的目录

• 3.2 明确目标（定义Item）

• 我们打算抓取网站http://www.itcast.cn/channel/teacher.shtml#ajavaee里所有老师的姓名、职称、入职时间和个人简介：
  • 首先打开myProject/items.py文件
  • Item是保存爬取到的数据的容器，其使用方法和python字典类似
  • 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（类似于ORM的映射关系）
  • 创建一个MyprojectItem 类，和构建item模型（model）

    import scrapy
    
    class MyprojectItem(scrapy.Item):
        name = scrapy.Field()
        title = scrapy.Field()
        hiredate = scrapy.Field()
        profile = scrapy.Field()
    

• 3.3 制作爬虫

  • 在项目根目录下输入以下命令，可以在myProject/spiders目录下创建一个名为itcast的爬虫(itcast.py)，并且指定爬虫作用域的范围itcast.cn：

    scrapy genspider itcast itcast.cn　

  • 打开itcast.py，默认添上了以下内容：

    import scrapy
    
    class ItcastSpider(scrapy.Spider):
        name = 'itcast'
        allowed_domains = ['itcast.cn']
        start_urls = ['http://itcast.cn/']
    
        def parse(self, response):
            pass

  • 要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了3个强制的属性和1个方法。

    • name：这个爬虫的识别名称，必须是唯一的

    • allow_domains：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列表。因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始URL返回的数据中提取。

    • parse(self, response)：Request对象默认的回调解析方法。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，该方法负责解析返回的数据(response.body)，提取数据(生成item)以及生成需要进一步处理的URL的Request对象

  • 修改start_urls为第一个需要爬取的URL：

    start_urls = ['http://www.itcast.cn/channel/teacher.shtml#ajavaee']

  • 修改parse方法提取Item：

    def parse(self, response):
        for teacher in response.xpath("//ul[@class='clears']/li/div[@class='main_mask']"):
            #将提取到到的数据封装到一个MyprojectItem对象中
            item = MyprojectItem()
            #利用xpath返回该表达式所对应的所有节点的selector list列表
            #调用extract方法序列化每个节点为Unicode字符串并返回list
            name = teacher.xpath('h2/text()').extract()[0]
            title = teacher.xpath('h2/span/text()').extract()[0]
            hiredate = teacher.xpath('h3/text()').extract()[0].split('：')[-1]
            profile = teacher.xpath('p/text()').extract()[0]
            item['name'] = name
            item['title'] = title
            item['hiredate'] = hiredate
            item['profile'] = profile
            # 使用yield将获取的数据交给pipelines，如果使用return,则数据不会经过pipelines
            yield item

• 3.4 存储内容

  • Feed输出

    • 如果仅仅想要保存item，可以不需要实现任何的pipeline，而是使用自带的Feed输出(Feed export)。主要有以下4种方式，通过-o指定输出文件格式：

      # json格式，默认为Unicode编码
      scrapy crawl itcast -o itcast.json
      # json lines格式，默认为Unicode编码
      scrapy crawl itcast -o itcast.jsonl
      #csv 逗号表达式，可用Excel打开
      scrapy crawl itcast -o itcast.csv
      # xml格式
      scrapy crawl itcast -o itcast.xml

      执行这些命令后，将会对爬取的数据进行序列化，并生成文件。

  • 编写Item Pipeline（通用）：

  • 每个Item Pipeline都是实现了简单方法的Python类，他们接收到Item并通过它执行一些行为，同时也决定此Item是丢弃还是被后续pipeline继续处理。
  • 每个item pipeline组件必须实现process_item（self,item,spider）方法：
    • 这个方法必须返回一个Item (或任何继承类)对象， 或是抛出 DropItem异常。
    • 参数是被爬取的item和爬取该item的spider
    • spider程序每yield一个item，该方法就会被调用一次
  • 同时还可以实现以下方法：
    • open_spider(self,spider)：开启spider的时候调用，只执行1次
    • close_spider(self,spider)：关闭spider的时候调用，只执行1次

  • item写入json文件：

    import json
    from itemadapter import ItemAdapter
    
    class MyprojectPipeline:
        def open_spider(self,spider):
            '''可选实现，开启spider时调用该方法'''
            self.f = open('itcast.json','w')
    
        def process_item(self, item, spider):
            '''必须实现，被抛弃的item将不会被后续的pipeline组件所处理'''
            self.f.write(json.dumps(dict(item),ensure_ascii=False)+'\n')
            return item
    
        def close_spider(self,spider):
            '''可选实现，关闭spider时调用该方法'''
            self.f.close()

  • 启用Item Pipeline组件

    ITEM_PIPELINES = {
       'myProject.pipelines.MyprojectPipeline': 300,
    }

    在settings.py文件里添加以上配置（可以取消原有的注释），后面的数字确定了item通过pipeline的顺序，通常定义在0-1000范围内，数值越低，组件的优先级越高

  • 启动爬虫

    scrapy crawl itcast

    查看当前目录下是否生成了itcast.json文件

4、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。

• 启动scrapy shell

  scrapy shell <url>

  命令行启动，url是要爬取的网页的地址

• 常见可用对象response

• response.status：状态码
• response.url：当前页面url
• response.body：响应体（bytes类型）
• response.text：响应文本（str类型）
• response.json()：如果响应体的是json，则直接转换成python的dict类型
• response.headers：响应头
• response.selector：返回Selector对象，之后就可以调用xpath和css等方法，也可以简写成response.xpath()和response.css()

• selector选择器

  • 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Unicode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Unicode字符串list列表

5、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)。

• scrapy.Spider是最基本的类，所有编写的爬虫必须继承这个类。

  import scrapy
  
  class XxSpider(scrapy.Spider):
      pass

• 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(self)：调用make_requests_from_url()生成Requests对象交给Scrapy下载并返回response
  • parse(self,response)：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。
• 其他方法
  • log(self, message, level=log.DEBUG)
    • message：字符串类型，写入的log信息
    • level：log等级，有CRITICAL、 ERROR、WARNING、INFO、DEBUG这5种，默认等级为DEBUG

6、CrwalSpider

• 快速创建CrawlSpider模板：

  scrapy genspider -t crawl 爬虫名 爬虫域

• scrapy.spiders.CrwalSpider是编写的爬虫所必须继承的类

  from scrapy.spiders import CrawlSpider
  
  class XxSpider(CrawlSpider):
       pass

  CrawlSpider类继承于Spider类，它定义了一些规则(rule)来提供跟进link的方便的机制，从爬取的网页中获取link并继续爬取的工作更适合。

• LinkExtractor

  • class scrapy.spiders.LinkExtractor

  • 每个LinkExtractor对象有唯一的公共方法是 extract_links()，它接收一个Response对象，并返回一个 scrapy.link.Link 对象。根据不同的response调用多次来提取链接

  • 主要参数：

    • allow：满足括号中“正则表达式”的值会被提取，如果为空，则全部匹配。

    • deny：与这个正则表达式(或正则表达式列表)匹配的URL一定不提取。

    • allow_domains：会被提取的链接的domains。

    • deny_domains：一定不会被提取链接的domains。

    • restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。

• rules

  • class scrapy.spiders.Rule

  • 在rules中包含一个或多个Rule对象，每个Rule对爬取网站的动作定义了特定操作。如果多个rule匹配了相同的链接，第一个会被使用。
  • Rule对象主要参数：
    • link_extractor：是一个Link Extractor对象，用于定义需要提取的链接
    • callback：从link_extractor中每获取到链接时，该回调函数接受一个response作为其第一个参数。注意：字符串类型，避免使用'parse'
    • follow：布尔类型，指定了根据该规则从response提取的链接是否需要跟进。 如果callback为None，follow 默认设置为True ，否则默认为False。
    • process_links：指定函数，从link_extractor中获取到链接列表时将会调用该函数，主要用来过滤。
    • process_requests：指定函数， 该规则提取到每个request时都会调用该函数，用来过滤request。

• CrawSpider爬虫示例

  • 以阳光热线问政平台http://wz.sun0769.com/political/index/politicsNewest?id=1为例，爬取投诉帖子的编号、帖子的标题，帖子的处理状态和帖子里的内容。

    import scrapy
    from scrapy.linkextractors import LinkExtractor
    from scrapy.spiders import CrawlSpider, Rule
    from myProject.items import MyprojectItem
    
    class SunSpider(CrawlSpider):
        name = 'sun'
        allowed_domains = ['wz.sun0769.com']
        start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']
    
        rules = (
            Rule(LinkExtractor(allow=r'id=\d+&page=\d+')),#每一页的匹配规则，callback为None，默认跟进
            Rule(LinkExtractor(allow=r'politics/index\?id=\d+'), callback='parse_item'),#每个帖子的匹配规则，设置了callback，默认不跟进
        )
    
        def parse_item(self, response):
            item = MyprojectItem()
            title = response.xpath('//div[@class="mr-three"]/p[@class="focus-details"]/text()').extract()[0] #帖子标题
            status = response.xpath('//div[@class="focus-date clear focus-date-list"]/span[3]/text()').extract()[0].split()[1] #处理状态
            number = response.xpath('//div[@class="focus-date clear focus-date-list"]/span[4]/text()').extract()[0].split('：')[-1] #帖子编号
            content = response.xpath('//div[@class="details-box"]/pre/text()').extract()[0] #帖子内容
            item['title'] = title
            item['status'] = status
            item['number'] = number
            item['content'] = content
    
            yield item

7、logging功能

Scrapy提供了log功能，通过在setting.py中进行设置，可以被用来配置logging

• 设置

  • LOG_ENABLED：默认: True，启用logging
  • LOG_ENCODING：默认: 'utf-8'，logging使用的编码
  • LOG_FILE：默认:：None，在当前目录里创建logging输出文件的文件名
  • LOG_LEVEL：默认：'DEBUG'，有'CRITICAL'（严重错误）、'ERROR'（一般错误）、'WARNING'（警告信息）、'INFO'（一般信息）、'DEBUG'（调试信息）这5种等级
  • LOG_STDOUT：默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。

• 示例：

  #在settings.py中任意位置添上以下两句，终端上会清爽很多
  LOG_FILE = "xxx.log"
  LOG_LEVEL = "INFO"

8、Request对象

• GET请求

  • 可以使用yield scrapy.Request（url，callback）方法来发送请求
  • Request对象初始化方法传入参数如下：

    class Request(object_ref):
    
        def __init__(self, url, callback=None, method='GET', headers=None, body=None,
                     cookies=None, meta=None, encoding='utf-8', priority=0,
                     dont_filter=False, errback=None, flags=None, cb_kwargs=None):
            pass

  • 主要参数：
    • url：需要请求并进行下一步处理的url
    • callback：指定该请求返回的Response，由哪个函数来处理
    • method：默认'GET'，一般不需要指定，可以是‘POST’,'PUT'等
    • headrs：请求时包含的头文件，一般不需要
    • meta：比较常用，在不同的request之间传递数据用的，dict类型
    • encoding：使用默认的‘utf-8’就行
    • dont_filter：表明该请求不由调度器过滤，可以发送重复请求，默认为False
    • errback：指定错误处理函数

• POST请求

  • 可以使用scrapy.FormRequest(url, formdata, callback)方法进行发送
  • 如果希望程序执行一开始就发送POST请求，可以重写Spider类的start_requests(self)方法，并且不再调用start_urls里的url。
  • 如果想要预填充或重写像用户名、用户密码这些表单字段， 可以使用 scrapy.FormRequest.from_response(response, formdata, callback) 方法实现。

9、Downloader Middlewares(下载中间件)

• 下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件，可以有多个下载中间件被加载运行。
  • 当引擎传递请求给下载器的过程中，下载中间件可以对请求进行处理 （例如增加http header信息，增加proxy信息等）；
  • 在下载器完成http请求，传递响应给引擎的过程中， 下载中间件可以对响应进行处理（例如进行gzip的解压等）
• 要激活下载器中间件组件，将其加入到settings.py中的DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict)，键为中间件类的路径，值为其中间件的顺序(order)。例如：

  DOWNLOADER_MIDDLEWARES = {
     'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
  }

• 中间件组件是一个定义了以下一个或多个方法的Python类：

  • process_request(self, request, spider):当每个request通过下载中间件时，该方法被调用。

  • process_response(self, request, response, spider):当下载器完成http请求，传递响应给引擎的时候调用

• 示例：（使用随机User-Agent和代理IP）
  • middlewares.py文件

    import random
    import json
    import redis
    
    from scrapy import signals
    from itemadapter import is_item, ItemAdapter
    from myProject.settings import USER_AGENTS
    
    class MyprojectDownloaderMiddleware:
        def __init__(self):
            self.r = redis.StrictRedis(host='localhost') #创建redis连接客户端，用于取里面存储的动态获取的代理ip
    
        def process_request(self, request, spider):
            user_agent = random.choice(USER_AGENTS) #取随机user-Agent
            proxy_list = json.loads(self.r.get('proxy_list').decode())
            proxy = random.choice(proxy_list) #取随机ip
            request.headers.setdefault("User-Agent",user_agent) #设置user-agent
            request.meta['proxy'] ='http://'+proxy['ip']+':'+str(proxy['port']) #使用代理ip

  • 修改settings.py文件配置

    #禁用cookies
    COOKIES_ENABLED = False
    
    #设置下载延迟
    DOWNLOAD_DELAY = 3
    
    #添加自己写的下载中间件类
    DOWNLOADER_MIDDLEWARES = {
       'myProject.middlewares.MyprojectDownloaderMiddleware': 543,
    }
    
    #添加USER-AGENTS
    USER_AGENTS = [
        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
        "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
        "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
        "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
        "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
        ]