Python：Scrapy（三） 进阶：额外的一些类ItemLoader与CrawlSpider，使用原理及总结

学习自：Python Scrapy 爬虫框架实例（一） - Blue·Sky - 博客园

这一节是对前两节内容的补充，涉及内容为一些额外的类与方法，来对原代码进行改进

原代码：这里并没有用前两节的代码，而是用了另一个爬虫的代码，作用是爬取千图网的图片信息。该爬虫的基本信息：

项目名：AdilCrawler

爬虫名：thousandPic

网址：www.58pic.com

开始爬取的网址：https://www.58pic.com/c/

Item类：AdilcrawlerItem

xpath表达式：

Author：/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()
Name：/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()

# -*- coding: utf-8 -*-
import scrapy
# 这里使用 import 或是 下面from 的方式都行，关键要看 当前项目在pycharm的打开方式，是否是作为一个项目打开的，建议使用这一种方式。
import AdilCrawler.items as items
 
class ThousandpicSpider(scrapy.Spider):
    name = 'thousandPic'
    allowed_domains = ['www.58pic.com']
    start_urls = ['https://www.58pic.com/c/']
 
    def parse(self, response):
 
        item = items.AdilcrawlerItem()
        author = response.xpath('/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()').extract()
        theme = response.xpath('/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()').extract()
        item['author'] = author
        item['theme']  = theme
        return item

补充内容

1、日志打印，写在parse方法下：

def parse(self,response):
    ...
    self.log(author)
    ...

2、ItemLoader类：代替extract()、xpath()方法

1）从scrapy.loader导入ItemLoader

from scrapy.loader import ItemLoader

2）优化，写在spider.py文件

用add_xpath方法，代替XPath提取语句：xpath(xxx).extract()

import scrapy
from AdilCrawler.items import AdilcrawlerItem
from scrapy.loader import ItemLoader
 
class ThousandpicoptimizeSpider(scrapy.Spider):
    name = 'thousandPicOptimize'
    allowed_domains = ['www.58pic.com']
    start_urls = ['http://www.58pic.com/c/']
 
    def parse(self, response):
        i = ItemLoader(item = AdilcrawlerItem(),response = response )
        i.add_xpath('author','/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()')
        i.add_xpath('theme','/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()')
        return i.load_item()

相当于：

        i = items.AdilcrawerItem()
        author = response.xpath('/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()').extract()
        theme = response.xpath('/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()').extract()
        i['author'] = author
        i['theme'] = theme
        yield i

     ↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

        i = ItemLoader(item = AdilcrawlerItem(),response = response )
　　　　　i.add_xpath('author','/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()')
　　　　 i.add_xpath('theme','/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()')
        yield i.load_item()     

3）修改pipelines.py，目的是将爬取到的内容保存到文件中；

Spider中爬取到的内容都会以参数item的形式传入pipelines.py文件中的相关方法，比如process_item，（这一点很重要，且对所有类型的爬虫都适用）

import json
 
class AdilcrawlerPipeline(object):
    def __init__(self):
        self.filename = open('thousandPic.json','w')
    def process_item(self, item, spider):
        #  ensure_ascii=False 可以解决 json 文件中 乱码的问题。
        text = json.dumps(dict(item), ensure_ascii=False) + ',\n'   #  这里是一个字典一个字典存储的，后面加个 ',\n' 以便分隔和换行。
        self.filename.write(text)
　　　   return item
def close_spider(self,spider):
        self.filename.close()

至于json序列化保存的方法，可以参考序列化 pickle JSON - ShineLe - 博客园

4）修改settings.py

ITEM_PIPELINES = {
    'AdilCrawler.pipelines.AdilcrawlerPipeline': 300,
}
# 加入后，相当于开启pipeline，此时在执行爬虫，会执行对应的pipelines下的类，并执行该类相关的方法，比如这里上面的保存数据功能。

5）执行；由于在pipelines.py中已经写了文件保存方法，故此处不用-o参数输出为文件

scrapy crawl thousandPicOptimize

3、CrawlSpider类：翻页抓取

1）使用crawl模板创建一个CrawlSpider PicSpi（CrawlSpider的生成，与普通Spider不同）

scrapy genspider -t crawl PicSpi www.58pic.com

2）items.py：与之前相同；

import scrapy
class PicsItem(scrapy.Item):
    authod=scrapy.Field() #作者
    theme=scrapy.Field()  #主题

pipelines.py同2

3）Spider文件PicSpi.py

需要用到另外三个类：LinkExtractor、CrawlSpider、Rule

from scrapy.linkextractors import LinkExtractor
from scrapy.spider import CrawlSpider,Rule

完整代码：

# 导入链接规则匹配类，用来提取符合规则的链接
from scrapy.linkextractors import LinkExtractor
# 导入CrawlSpider类和Rule　　　　　　　　　　　　　　（①）
from scrapy.spiders import CrawlSpider, Rule
import AdilCrawler.items as items
 
class ThousandpicpagingSpider(CrawlSpider):
    name = 'thousandPicPaging'
    allowed_domains = ['www.58pic.com']
    start_urls = ['https://www.58pic.com/c/']
 
    # Response中的链接提取规则，返回符合规则的链接匹配对象的List
    # 根据翻页链接地址 http://www.58pic.com/c/1-0-0-03.html 找到相应的正则表达式
    # 不能使用restrict_xpath，否则正则将失效
　　 #(②)
    page_link = LinkExtractor(allow='https://www.58pic.com/c/\S-\S-\S-\S\S.html', allow_domains='www.58pic.com')
　　 #(③)
    rules = (
        Rule(page_link, callback='parse_item', follow=True),  # 此处的 ','不能省略
    )
 
    # 方法parse_start_url是为了解决parse_item()不能抓取第一页数据的问题
    # 原因是第一页的正则表达式形式与之后若干页不同
    # 该方法是CrawlSpider类下的方法，这里重写一下即可
　　#(④)
    def parse_start_url(self, response):
        i = items.AdilcrawerItem()
        author = response.xpath('/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()').extract()
        theme = response.xpath('/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()').extract()
        i['author'] = author
        i['theme'] = theme
        yield i
　　#(⑤)
    def parse_item(self, response):
        i = items.AdilcrawerItem()
        author = response.xpath('/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()').extract()
        theme = response.xpath('/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()').extract()
        i['author'] = author
        i['theme'] = theme
        yield i

对这段代码的说明：

①：库的导入，这一部分的内容是在通过指令生成CrawlSpider的时候自动生成的

②：得到每一页的链接

page_link = LinkExtractor(allow='https://www.58pic.com/c/\S-\S-\S-\S\S.html', allow_domains='www.58pic.com')

LInkExtractor构建链接时，需要参数allow与allow_domains，参数allow是各页URL的完整正则表达式，allow_domains是限定访问的范围；这样page_link便保存了访问每一页的方法。

③：根据每页链接构建访问规则

    rules = (
        Rule(page_link, callback='parse_item', follow=True),  # 此处的 ','不能省略
    )

a、用Rule方法，参数有三项：page_link、callback、follow，作用分别是：

page_link：②中构建的链接，由于是正则表达式，所以是一系列的链接

callback：对这些链接进行处理的函数，需要在之后补充在同一个类中

follow：是否根据链接自动进行下去

b、最后，必须加,逗号，以表明这是一个Tuple元组

④：访问第一页（针对第一页URL不与正则表达式相匹配的情况）：parse_start_url

⑤：访问其他页（代码相同，只是方法名不同）：parse_item

        i = items.AdilcrawerItem()
        author = response.xpath('/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()').extract()
        theme = response.xpath('/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()').extract()
        i['author'] = author
        i['theme'] = theme
        yield i

代码内容与普通情况下的要素提取相同

4）运行；运行方法倒是相同

scrapy crawl thousandPicPaging

4、综合，将2、3结合起来，同时使用ItemLoader、CrawlSpider

import scrapy
from scrapy.loader import ItemLoader
from scrapy.spiders import CrawlSpider,Rule
import AdilCrawler.items as items
 
class ThousandpicpagingopSpider(CrawlSpider):
    name='thousandPicPagingOp'
    allowed_domains = ['www.58pic.com']
    start_urls = ['http://www.58pic.com/c/']
 
    page_link=LinkExtractor(allow='http://www.58pic.com/c/\S-\S-\S-\S\S.html',allow_domains='www.58pic.com')
    rules=(
                Rule(page_link,callback='parse_item',follow=True),
)
 
    def parse_start_url(self,response):
        i=ItemLoader(item=items.AdilcrawlerItem(),response=response)
        i.add_xpath('author','/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()')
　　　　 i.add_xpath('theme','/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()')
        yield  i.load_item()
 
    def parse_item(self, response):
        i = ItemLoader(item = items.AdilcrawlerItem(),response = response )
        i.add_xpath('author','/html/body/div[4]/div[3]/div/a/p[2]/span/span[2]/text()')
        i.add_xpath('theme','/html/body/div[4]/div[3]/div/a/p[1]/span[1]/text()')
 
        yield  i.load_item()

5、总结

用CrawlSpider和ItemLoader写一个可以自动翻页的爬虫的一般流程及文件配置。

1）创建项目与爬虫

scrapy startproject XXX
scrapy genspider -t crawl xxxS url

2）items.py

import scrapy
 
class xxxItem(scrapy.Item):
    attr1=scrapy.Field()
    attr2=scrapy.Field()
    ...
    attrn=scrapy.Field()

3）pipelines.py

import json
 
class xxxPipeline(object):
    def __init__(self):
        self.filename = open('xxx.json','w') #保存文件
 
    def process_item(self,item,spider):
        #  ensure_ascii=False 可以解决 json 文件中 乱码的问题。
        text = json.dumps(dict(item), ensure_ascii=False)
        self.filename.write(text)
        return item
    def close_spider(self,spider):
        self.filename.close()

4）settings.py

BOT_NAME =
SPIDER_MODULES =
NEWSPIDER_MODULE =
ROBOTSTXT_OBEY = False
ITEM_PIPELINES = {
    'XXX.pipelines.xxxPipeline': 300,
}

5）spider.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.loader import ItemLoader
from scrapy.spiders import CrawlSpider, Rule
import XXX.items as items
 
class XXXSpider(CrawlSpider):
    name = 'xxxS'
    allowed_domains = ['url']
    start_urls = ['url']
 
    page_link = LinkExtractor(allow='url regex', allow_domains='url')
    rules = (
        Rule(page_link, callback='parse_item', follow=True),
    )
 
    #处理首页
    def parse_start_url(self, response):
        i = ItemLoader(item = items.XXXItem(),response = response )
        i.add_xpath('attr1','attr1 xpath')
        i.add_xpath('attr2','attr2 xpath')
        yield  i.load_item()
 
    # 处理其他页
    def parse_item(self, response):
        i = ItemLoader(item = items.XXXItem(),response = response )
        i.add_xpath('attr1','attr1 xpath')
        i.add_xpath('attr2','attr2 xpath')
        yield  i.load_item()

6）运行爬虫

scrapy crawl xxxS