scrapy爬虫的搭建过程(理论篇)
1. 概述
- Scrapy是一个纯Python实现的,为了爬取网站数据、提取结构化数据而编写的应用框架,用途非常广泛。只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页的内容以及各种图片,非常方便。
- Scrapy 使用了 Twisted (其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。
- scrapy官方文档中文版: http://scrapy-chs.readthedocs.io/zh_CN/latest/
- 环境安装:http://blog.csdn.net/zwq912318834/article/details/77925220
- 一个很好的测试网站:https://httpbin.org/
2. 环境
- 系统:win7
- Scrapy 1.4.0
- mongodb v3.2
- python 3.6.1
3. 原理
3.1. scrapy框架图
- 绿色箭头:数据流方向。
蓝色框框:需要实现的部分。
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
Spider(爬虫):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),
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
4. 运行流程
- 第一步:在Spiders中,指定好起始url,比如:
# Spider中
start_urls = ['http://bbs.fengniao.com/forum/forum_125_1_lastpost.html']
- 第二步:根据start_urls,生成起始Request,送往 Scheduler 调度器。
- 第三步:调度器会将该Request送往下载中间件(Downloader Middlewares)进行再加工,比如添加user-agent,proxy等。
# Middlewares 中
class HeadersMiddleware:
def process_request(self, request, spider):
# print('Using HeadersMiddleware!')
request.headers['User-Agent'] = random.choice(useragent)
- 第四步:将加工好的Request送往下载器,进行网页下载,返回Response响应体,送往Spiders处理。
- 第五步:Spiders处理 Response 响应体。一般会做两件事:
# Spider中
def parse(self, response):
print(f"######parse: url = {response.url}, status = {response.status}")
print(f"text = {response.text}")
- 5.1. 第一件事:从网页中提取数据,送往 pipelines.py 处理,可以写入文件,存入数据库等。 —— 接着进入 第六步。
# Spider中
def parse(self, response):
print(f"######parse: url = {response.url}, status = {response.status}")
# 拿到所有的文章
articleLst = response.xpath("//ul[@class='txtList']/li")
# 逐条提取数据
for article in articleLst:
articleItem = {}
# 提取文章标题
articleItem['title'] = article.xpath("./h3/a/text()").extract()
# 提取文章链接
articleItem['href'] = article.xpath("./h3/a/@href").extract()
# 提取第一个展示图片的链接
articleItem['firstPic'] = article.xpath("./div[@class='picList']//a//@style").extract()
print(f"articleItem = {articleItem}")
# 提取到数据,转入pipelines.py进行处理
yield articleItem
- 5.2. 第二件事:继续爬取其他页面。 —— 回到 第二步
# Spider中
def parse(self, response):
print(f"######parse: url = {response.url}, status = {response.status}")
# 继续爬取其他链接
# 可以是任何链接,无论是从网页中提取,还是自己构造
for pageNum in range(2, 10):
# 构造这种链接:http://bbs.fengniao.com/forum/forum_125_1_lastpost.html
nextUrl = "http://bbs.fengniao.com/forum/forum_125_" + str(pageNum) + "_lastpost.html"
# 继续爬取网页,构造Request送往调度器
yield scrapy.Request(
url = nextUrl,
callback = self.parse,
errback = self.error,
)
- 第六步:将Spiders提取好的数据送往pipelines管道文件,进行数据存储。
# pipelines中
import pymongo
from scrapy.exceptions import DropItem
class FengniaoPipeline(object):
def open_spider(self, spider):
self.client = pymongo.MongoClient('localhost:27017')
self.db = self.client['fengniao']
self.db_table = self.db['fengniaoArticle']
def process_item(self, item, spider):
print(f"FengniaoPipeline: item = {item}")
try:
insertRes = self.db_table.insert_one(item)
print(f"FengniaoPipeline: insertRes = {insertRes.inserted_id}")
except Exception as e:
print(f"FengniaoPipeline: insertRes(fengniaoArticle) Exception = {e}")
else:
raise DropItem("fengniaoArticle record inserted!")
- 一直到所有的页面都爬取完毕(调度器中不存在任何request了),所有的数据都处理完毕,爬虫结束。
5. 代码生成及结构
5.1. 创建一个scrapy爬虫
# 第一步,进入需要防止爬虫代码的位置,下图中指定目录为:E:\myScrapyCode
scrapy startproject fengniao #创建一个爬虫项目fengniao
cd fengniao #进入到爬虫项目目录
scrapy genspider fengniaoClawer fengniao.com #创建一个具体的爬虫fengniaoClawer, 并初始化域名
5.2. 基础文件结构
fengniaoClawer.py:爬虫主体,定义了如何爬取网站的核心逻辑,包括了爬取的动作,爬取哪些网页,以及如何从网页中提取数据。负责发起第一个url,并处理下载器返回的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)。
items.py:定义提取数据的格式,需要爬取哪些字段。
middlewares.py:下载中间件,可以当作是一个可以自定义扩展下载功能的组件。反反爬虫相关机制基本上就是在这里面设置的。
pipelines.py:Item数据管道,处理Spider传送过来的数据,进行后期处理,例如详细分析、过滤、存储等。
settings.py:配置scrapy各组件的地方。
scrapy.cfg:爬虫项目的部署信息。
main.py:为了方便爬虫运行,创建的文件,这样就不用每次都输入命令了。
from scrapy import cmdline
cmdline.execute('scrapy crawl fengniaoClawer'.split())