python之路 - 爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

Scrapy

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主要包括了以下组件：

 　　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)

　　 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

　　 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)

　　 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

　　 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。

　　 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。

　　 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。

　　 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运行流程大概如下：　

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

1 pip install Scrapy

自动创建目录：

project_name/

   scrapy.cfg

   project_name/

       __init__.py

       items.py

       pipelines.py

       settings.py

       spiders/

           __init__.py

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

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

#!/usr/bin/env python

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

import scrapy

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "nnnnn"  # 命名

    # allowed_domains = ["xiaohuar.com"]

    start_urls = [ # 起始url 内部是for循环

        "http://www.xiaohuar.com/hua/",

    ]

                    #response 里面封装着所有返回的数据

    def parse(self, response):  # 回调函数

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

        current_url = response.url # 当前请求的url

        body = response.body # 当前返回的内容

        unicode_body = response.body_as_unicode() # 编码

        print body

3、运行

进入project_name目录，运行命令

scrapy crawl spider_name --nolog

4、递归的访问

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)

        # 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')

            for i in range(len(items)):

                src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()

                name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()

                school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()

                if src:

                    ab_src = "http://www.xiaohuar.com" + src[0]

                    file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8'))

                    file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)

                    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)

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。

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 深度

两种定义查找的方式：

1, 即将过期的

 from scrapy.selector import HtmlXPathSelector

                hxs = HtmlXPathSelector(response)  # 即将过期了

                items = hxs.select('//div[@class="item_list infinite_scroll"]/div')

2，建议使用

from scrapy.selector import Selector # 推荐使用这一种

                ret = Selector(response=response).xpath('//div[@class="item_listinfinite_scroll"]/div')

3，选择器规则

selector：

        // 子子孙孙

        / 孩子

        //div[@class='c1'][@id='i1']  属性选择器

        //div//img/@src  获取src属性

         //div//a[1]  索引 第一个

        //div//a[1]//text()  内容

        ----- obj.extract() 真实的内容

        ===== 正则表达式

        //.select('div//a[1]').re('昵称：(\w+)')

         <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>

         '//li[re:test(@class, "item-\d*")]//@href'

问题实例：　

重复url 不访问

        url加密 -》  集合set

            nid  加密值(索引) 原来的的值

            new_url ==> 加密 

如何递归

        DEPTH_LIMIT = 1 深度

        from scrapy.selector import Selector

            url_list = Selector(response=response).xpath('//a/#href')

            for url in url_list:  #  DEPTH_LIMIT = 1 深度

                    yield scrapy.Request(url=url,callback=self.parse)

内容格式化

spider url规则把自己的保存功能拆分到 pipelines 通过契约 items

1，yiled request() 交给下载器

#!/usr/bin/python

# -*- coding: UTF-8 -*-

#!/usr/bin/env python

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

import scrapy

import urllib

import os

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "s2"  # 命名

    # allowed_domains = ["xiaohuar.com"]

    start_urls = [ # 起始url 内部是for循环

        "http://www.xiaohuar.com/hua/",

    ]

    def parse(self, response):  # 回调函数

        current_url = response.url # 当前请求的url

        body = response.body # 当前返回的内容

        unicode_body = response.body_as_unicode() # 编码

        # 去body中获取所有url

        from scrapy.selector import Selector

        url_list = Selector(response=response).xpath('//a/#href')

        for url in url_list:  #  DEPTH_LIMIT = 1 深度

            yield scrapy.Request(url=url,callback=self.parse)

2, yiled item() 交给 pipeline

#!/usr/bin/env python

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

import scrapy

import urllib

import os

class XiaoHuarSpider(scrapy.spiders.Spider):

    name = "s2"  # 命名

    # allowed_domains = ["xiaohuar.com"]

    start_urls = [ # 起始url 内部是for循环

        "http://www.xiaohuar.com/hua/",

    ]

                    #response 里面封装着所有返回的数据

    def parse(self, response):  # 回调函数

        # print(response, type(response))

        # from scrapy.http.response.html import HtmlResponse

        # print(response.body_as_unicode())

        current_url = response.url # 当前请求的url

        from scrapy.selector import HtmlXPathSelector

        hxs = HtmlXPathSelector(response)  # 即将过期了

        items = hxs.select('//div[@class="item_list infinite_scroll"]/div')

        for i in range(len(items)):  # extract()  拿里面真实的东西

            srcs = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()

            names = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()

            schools = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()

            print names,srcs,schools

            if srcs and names and schools:

                print names[0],schools[0],srcs[0]

                try:

                    from spider1 import items

                    obj = items.Spider1Item()

                    obj['name'] = names[0]

                    obj['src'] = srcs[0]

                    obj['school'] = schools[0]

                    yield obj

                except Exception as e:

                    print e

# ret = [/uhdsjdnsd]

# print ret  uicod的表示

# print ret[0] 字符串

items 契约

# -*- 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 Spider1Item(scrapy.Item):

    # define the fields for your item here like:

    # name = scrapy.Field()

    name = scrapy.Field()

    src = scrapy.Field()

    school = scrapy.Field()

pipeline 保存

# -*- 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

class Spider1Pipeline(object):

    def process_item(self, item, spider):

        ab_src = "http://www.xiaohuar.com" + item['src']  # 前缀

        file_name = item['name'].encode('utf-8') + '.jpg'

        import os

        import urllib

        file_path = os.path.join('D:\\',file_name)

        # file_name = "%s_%s.jpg" % (schools[0].encode('utf-8'), names[0].encode('utf-8'))

        # file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)

        urllib.urlretrieve(ab_src, file_path) # 保存 地址和 路劲

        return item

生命流程图
　　