往期內容提要:
- [Python爬蟲] 一、爬蟲原理之HTTP和HTTPS的請求與響應
- [Python爬蟲] 二、爬蟲原理之定義、分類、流程與編碼格式
- [Python爬蟲] 三、數據抓取之Requests HTTP 庫
- [Python爬蟲] 四、數據抓取之HTTP/HTTPS抓包工具Fiddler
- [Python爬蟲] 五、數據提取之正則表達式re模塊
- [Python爬蟲] 六、數據提取之XPath與lxml類庫
- [Python爬蟲] 七、結構化數據提取之JSON與JsonPATH
- [Python爬蟲] 八、動態HTML處理之Selenium與PhantomJS
- [Python爬蟲] 九、機器視覺與機器圖像識別之Tesseract
一、Scrapy介紹
Scrapy是一個爲了爬取網站數據,提取結構性數據而編寫的應用框架,我們只需要實現少量的代碼,就能夠快速的抓取。
這是因爲 Scrapy 使用了 Twisted['twɪstɪd]異步網絡框架,可以加快我們的下載速度。
- 異步:調用在發出之後,這個調用就直接返回,不管有無結果
- 非阻塞:關注的是程序在等待調用結果(消息,返回值)時的狀態,指在不能立刻得到結果之前,該調用不會阻塞當前線程。
二、Scrapy的安裝介紹
Scrapy框架官方網址:http://doc.scrapy.org/en/latest
Scrapy中文維護站點:http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
(1) Windows 安裝方式
- Python 2 / 3
- 升級pip版本:
pip install --upgrade pip
- 通過pip 安裝 Scrapy 框架
pip install Scrapy
(2) Ubuntu 需要9.10或以上版本安裝方式
- Python 2 / 3
- 安裝非Python的依賴
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
- 通過pip 安裝 Scrapy 框架
sudo pip install scrapy
安裝後,只要在命令終端輸入 scrapy,提示類似以下結果,代表已經安裝成功
具體Scrapy安裝流程參考:http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes 裏面有各個平臺的安裝方法
三、操作案例
學習目標:
- 創建一個Scrapy項目
- 定義提取的結構化數據(Item)
- 編寫爬取網站的 Spider 並提取出結構化數據(Item)
- 編寫 Item Pipelines 來存儲提取到的Item(即結構化數據)
(1) 新建項目(scrapy startproject)
- 在開始爬取之前,必須創建一個新的Scrapy項目。進入自定義的項目目錄中,運行下列命令:
scrapy startproject mySpider
- 其中, mySpider 爲項目名稱,可以看到將會創建一個 mySpider 文件夾,目錄結構大致如下:
.
└── mySpider
├── mySpide
│ ├── __init__.py
│ ├── items.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ └── __init__.py
└── scrapy.cfg
下面來簡單介紹一下各個主要文件的作用:
- scrapy.cfg :項目的配置文件
- mySpider/ :項目的Python模塊,將會從這裏引用代碼
1.mySpider/items.py :項目的目標文件
2.mySpider/pipelines.py :項目的管道文件
3.mySpider/settings.py :項目的設置文件
4.mySpider/spiders/ :存儲爬蟲代碼目錄
(2) 明確目標(mySpider/items.py)
我們打算抓取:http://www.itcast.cn/channel/teacher.shtml 網站裏的所有講師的姓名、職稱和個人信息。
打開mySpider目錄下的items.py
Item 定義結構化數據字段,用來保存爬取到的數據,有點像Python中的dict,但是提供了一些額外的保護減少錯誤。
可以通過創建一個 scrapy.Item 類, 並且定義類型爲 scrapy.Field的類屬性來定義一個Item。
接下來,創建一個ItcastItem 類,和構建item模型(model)。
import scrapy
class ItcastItem(scrapy.Item):
name = scrapy.Field()
level = scrapy.Field()
info = scrapy.Field()
(3) 製作爬蟲
爬蟲功能要分三步:
- 爬數據
scrapy genspider itcast "itcast.cn”- 提取數據
完善spider,使用xpath等方法- 保存數據
pipeline中保存數據
1. 爬數據
- A . 在當前目錄下輸入命令,將在
mySpider/spider
目錄下創建一個名爲itcast
的爬蟲,並指定爬取域的範圍:
scrapy genspider itcast "itcast.cn"
- B. 打開 mySpider/spider目錄裏的 itcast.py,默認增加了下列代碼:
import scrapy
class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast.cn"]
start_urls = (
'http://www.itcast.cn/',
)
def parse(self, response):
pass
其實也可以由我們自行創建itcast.py並編寫上面的代碼,只不過使用命令可以免去編寫固定代碼的麻煩:
要建立一個Spider, 你必須用scrapy.Spider類創建一個子類,並確定了三個強制的屬性 和 一個方法。
name = ""
:這個爬蟲的識別名稱,必須是唯一的,在不同的爬蟲必須定義不同的名字。爬蟲啓動使用 spider crawl [名字] 。
allow_domains = []
是搜索的域名範圍,也就是爬蟲的約束區域,規定爬蟲只爬取這個域名下的網頁,不存在的URL會被忽略。
start_urls = ()
:爬取的URL元祖/列表。爬蟲從這裏開始抓取數據,所以,第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。
parse(self, response)
:解析的方法,每個初始URL完成下載後將被調用,調用的時候傳入從每一個URL傳回的Response對象來作爲唯一參數,主要作用如下:
- 負責解析返回的網頁數據(response.body),提取結構化數據(生成item)
- 生成需要下一頁的URL請求。
# 將start_urls的值修改爲需要爬取的第一個url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
# 修改parse()方法
def parse(self, response):
with open("teacher.html", "w") as f:
f.write(response.text)
然後運行一下看看,在mySpider目錄下執行:
scrapy crawl itcast
是的,就是 itcast,看上面代碼,它是 ItcastSpider 類的 name 屬性,也就是使用 scrapy genspider
命令的爬蟲名。
一個Scrapy爬蟲項目裏,可以存在多個爬蟲。各個爬蟲在執行時,就是按照 name 屬性來區分。
運行之後,如果打印的日誌出現
[scrapy] INFO: Spider closed (finished)
,代表執行完成。 之後當前文件夾中就出現了一個 teacher.html 文件,裏面就是我們剛剛要爬取的網頁的全部源代碼信息。
2. 取數據
- 爬取整個網頁完畢,接下來的就是取的過程了,首先觀察頁面源碼:
<div class="li_txt">
<h3> xxx </h3>
<h4> xxxxx </h4>
<p> xxxxxxxx </p>
是不是一目瞭然?直接上XPath開始提取數據吧。
- 我們之前在mySpider/items.py 裏定義了一個ItcastItem類。 這裏引入進來
from mySpider.items import ItcastItem
- 然後將我們得到的數據封裝到一個
ItcastItem
對象中,可以保存每個老師的屬性,並使用管道,將spider的數據傳到pipeline:
from mySpider.items import ItcastItem
def parse(self, response):
#open("teacher.html","wb").write(response.body).close()
# 存放老師信息的集合
items = []
for each in response.xpath("//div[@class='li_txt']"):
# 將我們得到的數據封裝到一個 `ItcastItem` 對象
item = ItcastItem()
#extract()方法返回的都是字符串
name = each.xpath("h3/text()").extract_first()
title = each.xpath("h4/text()").extract_first()
info = each.xpath("p/text()").extract_first()
#items.append(item)
#將獲取的數據交給pipelines
yield item
# 返回數據,不經過pipeline
#return items
爲什麼要使用yield?讓整個函數變成一個生成器,變成generator(生成器)的好處是每次遍歷的時候挨個讀到內存中,不會導致內存的佔用量瞬間變高。(python3中的range和python2中的xrange同理)
3. 保存數據
A. 如不使用pipeline,scrapy保存信息的最簡單的方法主要有四種,-o 輸出指定格式的文件,命令如下:
# json格式,默認爲Unicode編碼
scrapy crawl itcast -o teachers.json
# json lines格式,默認爲Unicode編碼
scrapy crawl itcast -o teachers.jsonl
# csv 逗號表達式,可用Excel打開
scrapy crawl itcast -o teachers.csv
# xml格式
scrapy crawl itcast -o teachers.xml
B. 如使用pipeline,要將所有(從所有'spider'中)爬取到的item,存儲到一個獨立地items.json 文件,每行包含一個序列化爲'JSON'格式的'item':
(1)打開 pipelines.py 文件,寫入下面代碼:
# pipelines.py
import json
class ItcastJsonPipeline(object):
def __init__(self):
self.file = open('teacher.json', 'wb')
def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + "\n"
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()
(2)啓用一個Item Pipeline組件:
爲了啓用Item Pipeline組件,必須將它的類添加到 settings.py文件ITEM_PIPELINES 配置,就像下面這個例子:
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
#'mySpider.pipelines.SomePipeline': 300,
"mySpider.pipelines.ItcastJsonPipeline":300
}
分配給每個類的整型值,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(0-1000隨意設置,數值越低,組件的優先級越高)
轉眼間 [Python爬蟲] 專題已寫至第十章,或多或少已經開始明白Python爬蟲的基本原理和運用方法,從階段性學習來看,這一專題的內容就到此結束了,接下來的學習是更爲深入的框架學習。比如這裏只是簡單的對 Scrapy 框架做一個簡略概述。如果你對 Scrapy 框架感興趣,接下來將是新的開始,加油!
【Python爬蟲】Scrapy 後續學習路線
- [Python爬蟲] Scrapy 框架之Scrapy Shell
- [Python爬蟲] Scrapy 框架之Item Pipeline
- [Python爬蟲] Scrapy 框架之Spider
- [Python爬蟲] Scrapy 框架之CrawlSpiders
- [Python爬蟲] Scrapy 框架之Request
- [Python爬蟲] Scrapy 框架之Downloader Middlewares
- [Python爬蟲] Scrapy 框架之Settings
- [Python爬蟲] scrapy-redis
如果您有任何疑問或者好的建議,期待你的留言與評論!