教你分分鐘學會用python爬蟲框架Scrapy爬取心目中的女神

本博文將帶領你從入門到精通爬蟲框架Scrapy，最終具備爬取任何網頁的數據的能力。本文以校花網爲例進行爬取，校花網：http://www.xiaohuar.com/，讓你體驗爬取校花的成就感。

 

Scrapy，Python開發的一個快速,高層次的屏幕抓取和web抓取框架，用於抓取web站點並從頁面中提取結構化的數據。Scrapy用途廣泛，可以用於數據挖掘、監測和自動化測試。

Scrapy吸引人的地方在於它是一個框架，任何人都可以根據需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持。

Scratch，是抓取的意思，這個Python的爬蟲框架叫Scrapy，大概也是這個意思吧，就叫它：小刮刮吧。

 

Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下：

 

Scrapy主要包括了以下組件：

• 引擎(Scrapy)
  用來處理整個系統的數據流處理, 觸發事務(框架核心)
• 調度器(Scheduler)
  用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址
• 下載器(Downloader)
  用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)
• 爬蟲(Spiders)
  爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
• 項目管道(Pipeline)
  負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後，將被髮送到項目管道，並經過幾個特定的次序處理數據。
• 下載器中間件(Downloader Middlewares)
  位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
• 爬蟲中間件(Spider Middlewares)
  介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。
• 調度中間件(Scheduler Middewares)
  介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。

Scrapy運行流程大概如下：

1. 引擎從調度器中取出一個鏈接(URL)用於接下來的抓取
2. 引擎把URL封裝成一個請求(Request)傳給下載器
3. 下載器把資源下載下來，並封裝成應答包(Response)
4. 爬蟲解析Response
5. 解析出實體（Item）,則交給實體管道進行進一步的處理
6. 解析出的是鏈接（URL）,則把URL交給調度器等待抓取

一、安裝

　　因爲python3並不能完全支持Scrapy，因此爲了完美運行Scrapy，我們使用python2.7來編寫和運行Scrapy。

1	pip install Scrapy

　　注：windows平臺需要依賴pywin32，請根據自己系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/

　　　　其它可能依賴的安裝包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下載即可

二、基本使用

1、創建項目

運行命令:

1	scrapy startproject p1（your_project_name）

2.自動創建目錄的結果：

文件說明：

• scrapy.cfg  項目的配置信息，主要爲Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
• items.py    設置數據存儲模板，用於結構化數據，如：Django的Model
• pipelines    數據處理行爲，如：一般結構化的數據持久化
• settings.py 配置文件，如：遞歸的層數、併發數，延遲下載等
• spiders      爬蟲目錄，如：創建文件，編寫爬蟲規則

注意：一般創建爬蟲文件時，以網站域名命名

3、編寫爬蟲

在spiders目錄中新建 xiaohuar_spider.py 文件

示例代碼：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy    class XiaoHuarSpider(scrapy.spiders.Spider):     name = "xiaohuar"     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 #爬取時請求的url         body = response.body  #返回的html         unicode_body = response.body_as_unicode()#返回的html unicode編碼

　　備註：

• 1.爬蟲文件需要定義一個類，並繼承scrapy.spiders.Spider
• 2.必須定義name，即爬蟲名，如果沒有name，會報錯。因爲源碼中是這樣定義的：

• 3.編寫函數parse，這裏需要注意的是，該函數名不能改變，因爲Scrapy源碼中默認callback函數的函數名就是parse；
• 4.定義需要爬取的url，放在列表中，因爲可以爬取多個url，Scrapy源碼是一個For循環，從上到下爬取這些url，使用生成器迭代將url發送給下載器下載url的html。源碼截圖：

 

4、運行

進入p1目錄，運行命令

1	scrapy crawl xiaohau --nolog

　　格式：scrapy crawl+爬蟲名  --nolog即不顯示日誌

5.scrapy查詢語法：

　　當我們爬取大量的網頁，如果自己寫正則匹配，會很麻煩，也很浪費時間，令人欣慰的是，scrapy內部支持更簡單的查詢語法，幫助我們去html中查詢我們需要的標籤和標籤內容以及標籤屬性。下面逐一進行介紹：

• 查詢子子孫孫中的某個標籤(以div標籤爲例)：//div
• 查詢兒子中的某個標籤(以div標籤爲例)：/div
• 查詢標籤中帶有某個class屬性的標籤：//div[@class='c1']即子子孫孫中標籤是div且class=‘c1’的標籤
• 查詢標籤中帶有某個class=‘c1’並且自定義屬性name=‘alex’的標籤：//div[@class='c1'][@name='alex']
• 查詢某個標籤的文本內容：//div/span/text() 即查詢子子孫孫中div下面的span標籤中的文本內容
• 查詢某個屬性的值（例如查詢a標籤的href屬性）：//a/@href

示例代碼：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

def parse(self, response):        # 分析頁面        # 找到頁面中符合規則的內容（校花圖片），保存        # 找到所有的a標籤，再訪問其他a標籤，一層一層的搞下去          hxs = HtmlXPathSelector(response)#創建查詢對象          # 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): #如果url能夠匹配到需要爬取的url，即本站url            items = hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填寫查詢目標，按scrapy查詢語法書寫            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()#查詢所有img標籤的src屬性，即獲取校花圖片地址                name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #獲取span的文本內容，即校花姓名                school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花學校                if src:                    ab_src = "http://www.xiaohuar.com" + src[0]#相對路徑拼接                    file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名，因爲python27默認編碼格式是unicode編碼，因此我們需要編碼成utf-8                    file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)                    urllib.urlretrieve(ab_src, file_path)

　注：urllib.urlretrieve(ab_src, file_path) ，接收文件路徑和需要保存的路徑，會自動去文件路徑下載並保存到我們指定的本地路徑。

5.遞歸爬取網頁

　　上述代碼僅僅實現了一個url的爬取，如果該url的爬取的內容中包含了其他url，而我們也想對其進行爬取，那麼如何實現遞歸爬取網頁呢？

 示例代碼：

1 2 3 4 5

# 獲取所有的url，繼續訪問，並在其中尋找相同的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)

　　即通過yield生成器向每一個url發送request請求，並執行返回函數parse，從而遞歸獲取校花圖片和校花姓名學校等信息。

注：可以修改settings.py 中的配置文件，以此來指定“遞歸”的層數，如： DEPTH_LIMIT = 1

6.scrapy查詢語法中的正則：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

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)

　　語法規則：Selector(response=response查詢對象).xpath('//li[re:test(@class, "item-\d*")]//@href').extract()，即根據re正則匹配，test即匹配，屬性名是class，匹配的正則表達式是"item-\d*"，然後獲取該標籤的href屬性。

 

 

更多選擇器規則：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html

7、格式化處理

　　上述實例只是簡單的圖片處理，所以在parse方法中直接處理。如果對於想要獲取更多的數據（獲取頁面的價格、商品名稱、QQ等），則可以利用Scrapy的items將數據格式化，然後統一交由pipelines來處理。即不同功能用不同文件實現。

 items：即用戶需要爬取哪些數據，是用來格式化數據，並告訴pipelines哪些數據需要保存。

示例items.py文件：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

# -*- 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()

　即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。

上述定義模板，以後對於從請求的源碼中獲取的數據同樣按照此結構來獲取，所以在spider中需要有一下操作：

 

上述代碼中：對url進行md5加密的目的是避免url過長，也方便保存在緩存或數據庫中。

此處代碼的關鍵在於：

• 將獲取的數據封裝在了Item對象中
• yield Item對象 （一旦parse中執行yield Item對象，則自動將該對象交個pipelines的類來處理）

 

上述代碼中多個類的目的是，可以同時保存在文件和數據庫中，保存的優先級可以在配置文件settings中定義。

1 2 3 4 5

ITEM_PIPELINES = {     'beauty.pipelines.DBPipeline': 300,     'beauty.pipelines.JsonPipeline': 100, } # 每行後面的整型值，確定了他們運行的順序，item按數字從低到高的順序，通過pipeline，通常將這些數字定義在0-1000範圍內。

　　總結：本文對python爬蟲框架Scrapy做了詳細分析和實例講解，如果本文對您有參考價值，歡迎幫博主點下文章下方的推薦，謝謝！

Ref: http://www.cnblogs.com/wanghzh/p/5824181.html