爬虫（9） - Scrapy框架(1) | Scrapy 异步网络爬虫框架

什么是Scrapy

• 基于Twisted的异步处理框架
• 纯python实现的爬虫框架
• 基本结构：5+2框架，5个组件，2个中间件

5个组件：

• Scrapy Engine：引擎，负责其他部件通信 进行信号和数据传递；负责Scheduler、Downloader、Spiders、Item Pipeline中间的通讯信号和数据的传递，此组件相当于爬虫的“大脑”，是整个爬虫的调度中心
• Scheduler：调度器，将request请求排列入队，当引擎需要交还给引擎，通过引擎将请求传递给Downloader；简单地说就是一个队列，负责接收引擎发送过来的 request请求，然后将请求排队，当引擎需要请求数据的时候，就将请求队列中的数据交给引擎。初始的爬取URL和后续在页面中获取的待爬取的URL将放入调度器中，等待爬取，同时调度器会自动去除重复的URL（如果特定的URL不需要去重也可以通过设置实现，如post请求的URL）
• Downloader：下载器，将引擎engine发送的request进行接收，并将response结果交还给引擎engine，再由引擎传递给Spiders处理
• Spiders：解析器，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)；同时也是入口URL的地方
• Item Pipeline：数据管道，就是我们封装去重类、存储类的地方，负责处理 Spiders中获取到的数据并且进行后期的处理，过滤或者存储等等。当页面被爬虫解析所需的数据存入Item后，将被发送到项目管道(Pipeline)，并经过几个特定的次序处理数据，最后存入本地文件或存入数据库

2个中间件：

• Downloader Middlewares：下载中间件，可以当做是一个可自定义扩展下载功能的组件，是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。通过设置下载器中间件可以实现爬虫自动更换user-agent、IP等功能。
• Spider Middlewares：爬虫中间件，Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。自定义扩展、引擎和Spider之间通信功能的组件，通过插入自定义代码来扩展Scrapy功能。

Scrapy操作文档(中文的)：https://www.osgeo.cn/scrapy/topics/spider-middleware.html

Scrapy框架的安装

cmd窗口，pip进行安装

pip install scrapy

Scrapy框架安装时常见的问题

找不到win32api模块----windows系统中常见

pip install pypiwin32

创建Scrapy爬虫项目

新建项目

scrapy startproject xxx项目名称

实例:

scrapy startproject tubatu_scrapy_project

项目目录

scrapy.cfg：项目的配置文件，定义了项目配置文件的路径等配置信息

• 【settings】：定义了项目的配置文件的路径，即./tubatu_scrapy_project/settings文件
• 【deploy】：部署信息

• items.py：就是我们定义item数据结构的地方；也就是说我们想要抓取哪些字段，所有的item定义都可以放到这个文件中
• pipelines.py：项目的管道文件，就是我们说的数据处理管道文件；用于编写数据存储，清洗等逻辑，比如将数据存储到json文件，就可以在这边编写逻辑
• settings.py：项目的设置文件，可以定义项目的全局设置，比如设置爬虫的 USER_AGENT ，就可以在这里设置；常用配置项如下：
  • ROBOTSTXT_OBEY ：是否遵循ROBTS协议，一般设置为False
  • CONCURRENT_REQUESTS ：并发量，默认是32个并发
  • COOKIES_ENABLED ：是否启用cookies，默认是False
  • DOWNLOAD_DELAY ：下载延迟
  • DEFAULT_REQUEST_HEADERS ：默认请求头
  • SPIDER_MIDDLEWARES ：是否启用spider中间件
  • DOWNLOADER_MIDDLEWARES ：是否启用downloader中间件
  • 其他详见链接
• spiders目录：包含每个爬虫的实现，我们的解析规则写在这个目录下，即爬虫的解析器写在这个目录下
• middlewares.py：定义了 SpiderMiddleware和DownloaderMiddleware 中间件的规则；自定义请求、自定义其他数据处理方式、代理访问等

自动生成spiders模板文件

cd到spiders目录下，输出如下命令，生成爬虫文件：

scrapy genspider 文件名 爬取的地址

运行爬虫

方式一：cmd启动

cd到spiders目录下，执行如下命令，启动爬虫：

scrapy crawl 爬虫名

方式二：py文件启动

在项目下创建main.py文件，创建启动脚本，执行main.py启动文件，代码示例如下：

code-爬虫文件

import scrapy
 
class TubatuSpider(scrapy.Spider):
    #名称不能重复
    name = 'tubatu'
    #允许爬虫去抓取的域名
    allowed_domains = ['xiaoguotu.to8to.com']
    #项目启动之后要启动的爬虫文件
    start_urls = ['https://xiaoguotu.to8to.com/pic_space1?page=1']
 
    #默认的解析方法
    def parse(self, response):
        print(response.text)

code-启动文件

from scrapy import cmdline
 
#在我们scrapy项目里面，为了方便运行scrapy的项目的时候创建的文件
#使用cmdlie.execute()方法执行爬虫启动命令：scrapy crawl 爬虫名
cmdline.execute("scrapy crawl tubatu".split())  #execute方法需要运行的每一个命令为单独的一个字符串，如：cmdline.execute(['scrapy', 'crawl', 'tubatu'])，所以如果命令为一整个字符串时，需要split( )进行分割；#

code-运行结果

示例项目

爬取土巴兔装修网站信息。将爬取到的数据存入到本地MongoDB数据库中；

下图为项目机构，标蓝的文件就是此次code的代码

tubatu.py

 1 import scrapy
 2 from tubatu_scrapy_project.items import TubatuScrapyProjectItem
 3 import re
 4
 5 class TubatuSpider(scrapy.Spider):
 6
 7     #名称不能重复
 8     name = 'tubatu'
 9     #允许爬虫去抓取的域名,超过这个目录就不允许抓取
10     allowed_domains = ['xiaoguotu.to8to.com','wx.to8to.com','sz.to8to.com']
11     #项目启动之后要启动的爬虫文件
12     start_urls = ['https://xiaoguotu.to8to.com/pic_space1?page=1']
13
14
15     #默认的解析方法
16     def parse(self, response):
17         # response后面可以直接使用xpath方法
18         # response就是一个Html对象
19         pic_item_list = response.xpath("//div[@class='item']")
20         for item in pic_item_list[1:]:
21             info = {}
22             # 这里有一个点不要丢了，是说明在当前Item下面再次使用xpath
23             # 返回的不仅仅是xpath定位中的text()内容，需要再过滤；返回如：[<Selector xpath='.//div/a/text()' data='0元搞定设计方案，限名额领取'>] <class 'scrapy.selector.unified.SelectorList'>
24             # content_name = item.xpath('.//div/a/text()')
25
26             #使用extract()方法获取item返回的data信息，返回的是列表
27             # content_name = item.xpath('.//div/a/text()').extract()
28
29             #使用extract_first()方法获取名称，数据;返回的是str类型
30             #获取项目的名称，项目的数据
31             info['content_name'] = item.xpath(".//a[@target='_blank']/@data-content_title").extract_first()
32
33             #获取项目的URL
34             info['content_url'] = "https:"+ item.xpath(".//a[@target='_blank']/@href").extract_first()
35
36             #项目id
37             content_id_search = re.compile(r"(\d+)\.html")
38             info['content_id'] = str(content_id_search.search(info['content_url']).group(1))
39
40             #使用yield来发送异步请求，使用的是scrapy.Request()方法进行发送，这个方法可以传cookie等，可以进到这个方法里面查看
41             #回调函数callback，只写方法名称，不要调用方法
42             yield scrapy.Request(url=info['content_url'],callback=self.handle_pic_parse,meta=info)
43
44         if response.xpath("//a[@id='nextpageid']"):
45             now_page = int(response.xpath("//div[@class='pages']/strong/text()").extract_first())
46             next_page_url="https://xiaoguotu.to8to.com/pic_space1?page=%d" %(now_page+1)
47             yield scrapy.Request(url=next_page_url,callback=self.parse)
48
49
50     def handle_pic_parse(self,response):
51         tu_batu_info = TubatuScrapyProjectItem()
52         #图片的地址
53         tu_batu_info["pic_url"]=response.xpath("//div[@class='img_div_tag']/img/@src").extract_first()
54         #昵称
55         tu_batu_info["nick_name"]=response.xpath("//p/i[@id='nick']/text()").extract_first()
56         #图片的名称
57         tu_batu_info["pic_name"]=response.xpath("//div[@class='pic_author']/h1/text()").extract_first()
58         #项目的名称
59         tu_batu_info["content_name"]=response.request.meta['content_name']
60         # 项目id
61         tu_batu_info["content_id"]=response.request.meta['content_id']
62         #项目的URL
63         tu_batu_info["content_url"]=response.request.meta['content_url']
64         #yield到piplines，我们通过settings.py里面启用，如果不启用，将无法使用
65         yield tu_batu_info

items.py

 1 # Define here the models for your scraped items
 2 #
 3 # See documentation in:
 4 # https://docs.scrapy.org/en/latest/topics/items.html
 5
 6 import scrapy
 7
 8
 9 class TubatuScrapyProjectItem(scrapy.Item):
10     # define the fields for your item here like:
11     # name = scrapy.Field()
12
13     #装修名称
14     content_name=scrapy.Field()
15     #装修id
16     content_id = scrapy.Field()
17     #请求url
18     content_url=scrapy.Field()
19     #昵称
20     nick_name=scrapy.Field()
21     #图片的url
22     pic_url=scrapy.Field()
23     #图片的名称
24     pic_name=scrapy.Field()

piplines.py

 1 # Define your item pipelines here
 2 #
 3 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 4 # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
 5
 6
 7 # useful for handling different item types with a single interface
 8 from itemadapter import ItemAdapter
 9
10 from pymongo import MongoClient
11
12 class TubatuScrapyProjectPipeline:
13
14     def __init__(self):
15         client = MongoClient(host="localhost",
16                              port=27017,
17                              username="admin",
18                              password="123456")
19         mydb=client['db_tubatu']
20         self.mycollection = mydb['collection_tubatu']
21
22     def process_item(self, item, spider):
23         data = dict(item)
24         self.mycollection.insert_one(data)
25         return item

settings.py

main.py

1 from scrapy import cmdline
2
3 #在我们scrapy项目里面，为了方便运行scrapy的项目的时候创建的文件
4 #使用cmdlie.execute()方法执行爬虫启动命令：scrapy crawl 爬虫名
5 cmdline.execute("scrapy crawl tubatu".split())  #execute方法需要运行的每一个命令为单独的一个字符串，如：cmdline.execute(['scrapy', 'crawl', 'tubatu'])，所以如果命令为一整个字符串时，需要split( )进行分割；#