网页爬虫--scrapy入门

本篇从实际出发，展示如何用网页爬虫。并介绍一个流行的爬虫框架~

---

1. 网页爬虫的过程

所谓网页爬虫，就是模拟浏览器的行为访问网站，从而获得网页信息的程序。正因为是程序，所以获得网页的速度可以轻易超过单身多年的手速：)。通常适用于需要大量网页信息的场合。

爬取网页的流程为：访问初始url -> 获得返回的网页，从这个网页中得到新的url并放入待爬队列 -> 访问新的url-> ...依次循环。整体上来看就是一个广度优先的过程，当然，新的url也不一定非要从返回的网页中获得。

一个简单的网页爬虫应该包括以下部分：

1. 一个url队列。我们的爬虫从这个队列中读取url，并将新的url放入这个队列。这里最重要的是判重。简单的哈希就能达到判重的目的，但是为了节约空间（url的数量往往很多），一般使用bloomfilter的思想。bloomfilter与普通的哈希算法最大的不同就是bloomfilter只需要一个bit来表示某个元素是否存在，所以能节约空间。bloomfilter有一个小缺点，即准确率并不是百分百：判断一个元素是不是已经存在时，已有的有很小的可能会判断为不存在，但是没有的元素一定会判断为不存在。
2. 网页爬取模块。需要能模拟浏览器发送请求。
3. 网页分析模块。爬下来的是网页源码，可以用正则或者其他方法提取我们需要的信息。
4. 新的url生成模块。生成新的url，放入队列。

那么，最简单的爬虫就可以这么写：

import Queue

start_url = "http://www.cnblogs.com/rubinorth"
url_queue = Queue.Queue()  # url队列
url_queue.put(start_url) 

bloomfilter.put(start_url)
#### 一直循环到队列为空 ####
while(True):
    if url_queue.size() > 0:
        current_url = url_queue.get()  # 队首的url
        page = crawl(current_url)  # crawl为网页爬取模块，page是爬到的网页源代码
        next_urls = deal_page(page)  # deal_page为网页分析模块，next_urls是新的一些url

        for next_url in next_urls:
            if not bloomfilter.has(next_url):  # 判重
                bloomfilter.put(next_url)
                url_queue.put(next_url)
    else:
        break

---

2. 为什么选用scrapy

scrapy是目前一个比较流行的爬虫框架，其基本原理与上面的爬虫是一样的，但是它提供了很多便利的功能。

首先，先简要介绍一下scrapy各个模块之间的关系和整个框架运行的流程。是时候祭出那张scrapy的经典图了：

从这张图上看，scrapy包含了以下模块：

1. scrapy engine，主引擎。在处理数据流时负责管理整个系统，同时各种事件的触发也由其负责。
2. spider，即我们的爬虫。主要的爬虫代码都在这部分中，包括发起请求，处理返回的网页等等。
3. spider middleware，spider中间件。中间件的一种，主要工作对spider发送的request做一些处理。
4. scheduler，调度器。上面说到的url队列就是调度器在管理，一方面接收spider发送的request请求，放入队列中；另一方面会从队首取出request交由downloader去下载网页。
5. downloader，下载器。将网页的html源码下载下来供之后的网页分析和信息提取。
6. downloader middleware，下载器中间件。中间件的一种，在下在网页之前和之后都会运行，可以用来设置发送请求的header，cookies，代理ip以及处理一些错误返回的情况。
7. item pipeline， 管道。一个网页被爬取下来并解析之后，其后续的信息存储之类的工作在pipeline中进行。当然也可以直接在spider中完成这些工作，但在pipeline中完成则显得整个项目结构清晰。

上面列出的里面spider，pipeline需要自己写，两种middleware需要的话可以自己添加自己写的。

光介绍给人感觉比较空洞，那下面就让我们来使用scrapy实现一个简单的爬虫吧。

---

3. scrapy实现爬虫

scrapy createproject cnblog_project

使用上面的命令创建一个scrapy工程之后，首先我们要写的是spider。

class CnblogSpider(Spider):
    name = 'cnblog_spider'  # 爬虫名字
    allowed_domain = ['cnblogs.com']  # 允许的domain

    def __init__(self):
        self.start_urls = ['http://www.cnblogs.com/rubinorth']

    def start_requests(self):
        return [Request(url, callback=self.parse_page) for url in self.start_urls]

    # 分析爬取的页面并构造下一个页面的请求
    def parse_page(self, response):
        logging.info("parse : " + response.url)

        sel = Selector(response)
        item = CnblogItem()

        # 提取页面内容
        item['name'] = sel.xpath("//a[@id='Header1_HeaderTitle']/text()").extract()[0]
        yield item
        # 下一个页面的请求
        new_url = get_new_url(response.body)  # 根据源码分析出新的链接，需自己实现
        yield Request(new_url, callback=self.parse_page)

上面是一个简单的爬虫，start_urls是初始的url集合（上面只有一个），start_requests则根据start_urls构造Request，并交给调度器。parse_page中，response是返回的页面的源码；CnblogItem是scrapy提供的item组件，方便结构化地提取源码中的数据，而yield item则会将这个item交给管道；yield Request(new_url, callback=self.parse_page)则会发送一个新的Request，发起下一轮的爬取。
items.py中只要这么写：

class CnblogItem(scrapy.Item):
    name = scrapy.Field()

接着，我们需要写pipelines.py

class CnblogPipeline(object):
    def process_item(self, item, spider):
        print item['name']
        return item

每个pipeline都必须有process_item这个方法。上面我们只是简单地打印出了name。return item是考虑到可能有多个pipeline（return了之后可以让其他pipeline处理）。
最后，只需要修改settings.py即可：

...
ITEM_PIPELINES = {
   'yelp_project.pipelines.CnblogPipeline': 304,
}
...

需要在setting中打开自己的pipeline。
好了，一个简单的爬虫就这么写完了。注意我们并没有用到中间件，也不需要写自己的中间件。
最后， 命令行运行：

scrapy crawl cnblog_spider

---

参考资料

如何入门python爬虫

转载请注明出处：http://www.cnblogs.com/rubinorth/