爬虫之scrapy框架

解析

　　Scrapy解释

Scrapy是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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

　　Scrapy组件

　　①引擎(Scrapy)

用来处理整个系统的数据流处理, 触发事务(框架核心)

　　②调度器(Scheduler)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 
由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

　　③下载器(Downloader)

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

　　④爬虫(Spiders)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

　　⑤项目管道(Pipeline)

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，
将被发送到项目管道，并经过几个特定的次序处理数据。

　　⑥下载器中间件(Downloader Middlewares)

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

　　⑦爬虫中间件(Spider Middlewares)

介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

　　⑧调度中间件(Scheduler Middewares)

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

　　Scrapy运行流程

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取

2. 引擎把URL封装成一个请求(Request)传给下载器

3. 下载器把资源下载下来，并封装成应答包(Response)

4. 爬虫解析Response

5. 解析出实体（Item）,则交给实体管道进行进一步的处理

6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

安装

在python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。

pip install Scrapy

　

　　注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

　　　　其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi

依赖包下载：http://pan.baidu.com/s/1eSdVdx4

使用

　　创建项目

运行命令:

scrapy startproject fuck  # fuck这是我起的项目名

项目创建后会自动创建几个目录

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）

• items.py    设置数据存储模板，用于结构化数据，如：Django的Model

• pipelines    数据处理行为，如：一般结构化的数据持久化

• settings.py 配置文件，如：递归的层数、并发数，延迟下载等

• spiders      爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

　　编写爬虫

在spiders目录中新建一系列的定义规则的 xxx.py 文件（文件名自己写）；

示例代码：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s1"
    # allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/hua/",
    ]

    def parse(self, response):
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())

        current_url = response.url  # 爬取时请求的url
        body = response.body  # 返回的html
        unicode_body = response.body_as_unicode()  # 返回的html unicode编码
        print body

注意：

• 1.爬虫文件需要定义一个类，并继承scrapy.spiders.Spider

• 2.必须定义name，即爬虫名，如果没有name，会报错。

• 3.编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；

• 4.定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html

　　运行

在PyCharm中有相当方便的地方，很好的解决了我们多余的操作。

运行命令：

scrapy crawl s1 --nolog  # s1是项目名，见上面的代码s1在哪。

格式：scrapy crawl  项目名  --nolog      nolog意思是不显示日志

　　Scrapy查询

Scrapy内部支持更简单的查询语法，帮助我们在html中查询我们需要的标签和标签内容以及标签属性。

下面以div标签为例：

//div  表示查询某个标签的所有div标签
/div   表示查询某个标签的儿子
//div[@class='item_list']   表示找到所有的div下属性为class='item_list'的
//div[@class='item_list']/div  表示找到这个div的所有儿子
//div[@class='item_list']//span  表示找在这个div下的子子孙孙中的所有span标签
//div[@class='item_list']//a/text()  表示找在这个div下的子子孙孙中的所有a标签并获得所有a标签的内容
//div[@class='item_list']//img/@src  表示找在这个div下的子子孙孙中的所有img标签并获得所有img标签的src属性

示例：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去

        hxs = HtmlXPathSelector(response)  # 创建查询对象

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到所有的div
            for i in range(len(items)):
                # 查询所有img标签的src属性，即获取校花图片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                # 获取span的文本内容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract()
                # 获取a的文本内容，即学校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                if srcs and names and schools:  # 拿到第一个学校的校花图片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接绝对路径；就是要爬的url的地址

                    # 文件名，以自己的名字命名；因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下载图片的路径；E:\\picture是我本地存放路径
                    urllib.urlretrieve(ab_src, file_path)

　　递归访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
import re
import urllib
import os

class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "xiaohuar"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.xiaohuar.com/list-1-1.html",
    ]

    def parse(self, response):
        # 分析页面
        # 找到页面中符合规则的内容（校花图片），保存
        # 找到所有的a标签，再访问其他a标签，一层一层的搞下去

        hxs = HtmlXPathSelector(response)  # 创建查询对象

        # 如果url是 http://www.xiaohuar.com/list-1-\d+.html
        if re.match('http://www.xiaohuar.com/list-1-\d+.html', response.url):
            items = hxs.select('//div[@class="item_list infinite_scroll"]/div')  # //表示找到所有的div
            for i in range(len(items)):
                # 查询所有img标签的src属性，即获取校花图片地址
                srcs = hxs.select('//div[@class="item_list infinite_scroll"]'
                                  '/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
                # 获取span的文本内容，即校花姓名
                names = hxs.select('//div[@class="item_list infinite_scroll"]'
                                   '/div[%d]//div[@class="img"]/span/text()' % i).extract()
                # 获取a的文本内容，即学校名
                schools = hxs.select('//div[@class="item_list infinite_scroll"]'
                                     '/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
                if srcs and names and schools:  # 拿到第一个学校的校花图片和名字
                    print names[0], schools[0], srcs[0]
                if srcs:
                    ab_src = "http://www.xiaohuar.com" + srcs[0]  # 拼接绝对路径；就是要爬的url的地址

                    # 文件名，以自己的名字命名；因为python27默认编码格式是unicode编码，因此我们需要编码成utf-8
                    file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))
                    file_path = os.path.join("E:\\picture", file_name)  # 存放下载图片的路径
                    urllib.urlretrieve(ab_src, file_path)

        # 获取所有的url，继续访问，并在其中寻找相同的url
        all_urls = hxs.select('//a/@href').extract()
        for url in all_urls:
            if url.startswith('http://www.xiaohuar.com/list-1-'):
                yield Request(url, callback=self.parse)  # 递归的找下去

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。

以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

　　正则选择

语法规则：Selector(response=response查询对象).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()，

即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是"item-\d*"，然后获取该标签的href属性。

 from scrapy.selector import Selector
 from scrapy.http import HtmlResponse
 html = """<!DOCTYPE html>
 <html>
 <head lang="en">
     <meta charset="UTF-8">
     <title></title>
 </head>
 <body>
     <li class="item-"><a href="link.html">first item</a></li>
     <li class="item-0"><a href="link1.html">first item</a></li>
     <li class="item-1"><a href="link2.html">second item</a></li>
 </body>
 </html>
 """
 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8')
 ret = Selector(response=response).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()
 print(ret)

正则选择器

 #!/usr/bin/env python
 # -*- coding:utf-8 -*-

 import scrapy
 import hashlib
 from tutorial.items import JinLuoSiItem
 from scrapy.http import Request
 from scrapy.selector import HtmlXPathSelector

 class JinLuoSiSpider(scrapy.spiders.Spider):
     count = 0
     url_set = set()

     name = "jluosi"
     domain = 'http://www.jluosi.com'
     allowed_domains = ["jluosi.com"]

     start_urls = [
         "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==",
     ]

     def parse(self, response):
         md5_obj = hashlib.md5()
         md5_obj.update(response.url)
         md5_url = md5_obj.hexdigest()
         if md5_url in JinLuoSiSpider.url_set:
             pass
         else:
             JinLuoSiSpider.url_set.add(md5_url)
             hxs = HtmlXPathSelector(response)
             if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
                 item = JinLuoSiItem()
                 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract()
                 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract()
                 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>\d*)&')
                 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract()

                 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract()

                 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract()
                 product_list = []
                 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr')
                 for i in range(2,len(product_tr)):
                     temp = {
                         'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(),
                         'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(),
                     }
                     product_list.append(temp)

                 item['product_list'] = product_list
                 yield item

             current_page_urls = hxs.select('//a/@href').extract()
             for i in range(len(current_page_urls)):
                 url = current_page_urls[i]
                 if url.startswith('http://www.jluosi.com'):
                     url_ab = url
                     yield Request(url_ab, callback=self.parse)

选择器规则--Demo

def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)

获取响应--Cookies

更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

　　格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class JieYiCaiItem(scrapy.Item):

    company = scrapy.Field()
    title = scrapy.Field()
    qq = scrapy.Field()
    info = scrapy.Field()
    more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

 #!/usr/bin/env python
 # -*- coding:utf-8 -*-

 import scrapy
 import hashlib
 from beauty.items import JieYiCaiItem
 from scrapy.http import Request
 from scrapy.selector import HtmlXPathSelector
 from scrapy.spiders import CrawlSpider, Rule
 from scrapy.linkextractors import LinkExtractor

 class JieYiCaiSpider(scrapy.spiders.Spider):
     count = 0
     url_set = set()

     name = "jieyicai"
     domain = 'http://www.jieyicai.com'
     allowed_domains = ["jieyicai.com"]

     start_urls = [
         "http://www.jieyicai.com",
     ]

     rules = [
         #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换)
         #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=\d+'))),
         #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换)
         #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=\d+')), callback="parse"),
     ]

     def parse(self, response):
         md5_obj = hashlib.md5()
         md5_obj.update(response.url)
         md5_url = md5_obj.hexdigest()
         if md5_url in JieYiCaiSpider.url_set:
             pass
         else:
             JieYiCaiSpider.url_set.add(md5_url)

             hxs = HtmlXPathSelector(response)
             if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
                 item = JieYiCaiItem()
                 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract()
                 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>\d*)&')
                 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract()
                 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract()
                 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract()
                 yield item

             current_page_urls = hxs.select('//a/@href').extract()
             for i in range(len(current_page_urls)):
                 url = current_page_urls[i]
                 if url.startswith('/'):
                     url_ab = JieYiCaiSpider.domain + url
                     yield Request(url_ab, callback=self.parse)

spider

此处代码的关键在于：

• 将获取的数据封装在了Item对象中
• yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

 # -*- coding: utf-8 -*-

 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

 import json
 from twisted.enterprise import adbapi
 import MySQLdb.cursors
 import re

 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}')
 phone_re = re.compile(r'(\d+-\d+|\d+)')

 class JsonPipeline(object):

     def __init__(self):
         self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb')

     def process_item(self, item, spider):
         line = "%s  %s\n" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
         self.file.write(line)
         return item

 class DBPipeline(object):

     def __init__(self):
         self.db_pool = adbapi.ConnectionPool('MySQLdb',
                                              db='DbCenter',
                                              user='root',
                                              passwd='',
                                              cursorclass=MySQLdb.cursors.DictCursor,
                                              use_unicode=True)

     def process_item(self, item, spider):
         query = self.db_pool.runInteraction(self._conditional_insert, item)
         query.addErrback(self.handle_error)
         return item

     def _conditional_insert(self, tx, item):
         tx.execute("select nid from company where company = %s", (item['company'][0], ))
         result = tx.fetchone()
         if result:
             pass
         else:
             phone_obj = phone_re.search(item['info'][0].strip())
             phone = phone_obj.group() if phone_obj else ' '

             mobile_obj = mobile_re.search(item['info'][1].strip())
             mobile = mobile_obj.group() if mobile_obj else ' '

             values = (
                 item['company'][0],
                 item['qq'][0],
                 phone,
                 mobile,
                 item['info'][2].strip(),
                 item['more'][0])
             tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values)

     def handle_error(self, e):
         print 'error',e

 pipelines

pipelines

上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。

ITEM_PIPELINES = {
    'beauty.pipelines.DBPipeline': 300,
    'beauty.pipelines.JsonPipeline': 100,
}
# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

　　

更多详见：http://www.cnblogs.com/wupeiqi/articles/5354900.html