怎么快速掌握scrapy爬虫框架

本文主要介绍“如何快速掌握Scratchy爬虫框架”。在日常操作中，相信很多人对于如何快速掌握Scratchy爬虫框架有所疑惑。边肖查阅了各种资料，整理出简单易用的操作方法，希望能帮你解决“如何快速掌握Scratchy爬虫框架”的疑惑！接下来，请和边肖一起学习！

1. scrapy简介

Scrapy是基于事件驱动的Twisted框架，用纯python编写的爬虫框架。很长时间以来，Scrapy一直被用于在互联网上抓取图片和文本信息，但细节尚未记录。在此期间，因为工作需要，这个刺儿头的爬虫又被捡了起来。这篇文章将与你分享，你将能够使用它。欢迎交流。

1.1 scrapy框架

Scrapy框架包括5个主要组件和2个中间件Hook。

ENGIINE:整个框架的控制中心，控制整个爬虫的流程。根据不同的条件添加不同的事件(即Twisted)。

调度程序：事件调度程序。

下载器：接收爬虫请求并从互联网下载数据。

SPIDERS:发起爬虫请求，解析DOWNLOADER返回的网页内容，同时与数据持久化交互，需要开发人员编写。

ITEM PIPELINES:接收由SPIDERS解析的结构化字段并保存它们，这些字段需要由开发人员编写。

middleware:engline引擎和蜘蛛之间、引擎和DOWNLOADER之间的额外操作以钩子的形式提供给开发人员。

从上面来看，我们只需要实现SPIDERS(爬什么网站，如何解析)和ITEM PIPELINES(如何处理解析的内容)。其他事情都有框架帮你完成。

1.2 scrapy数据流

如果我们详细地查看组件之间的数据流，我们会更了解框架的内部操作。

鸿蒙系统正式战略合作，打造——HarmonyOS技术社区。

蜘蛛向ENGIINE发送一个爬虫请求，告诉它任务要来了。

ENGIINE将请求添加到SCHEDULER的调度队列中，说任务会交给你，由我来安排。

看着手里的许多爬行请求，调度器为ENGIINE选择了一个，并说大哥帮助将其转发给下载器。

好了，下载器，你的任务来了。

下载器：下载开始，下载完成。任务结果移交给ENGIINE。

ENGIINE会把结果给蜘蛛。您的一个请求已被下载。快去分析一下。

蜘蛛：好的，解析产生了结果字段。并将其转发给蜘蛛到物品管道。

项目管线：收到字段内容并保存。

从步骤1到步骤8，请求最终完成。你是不是觉得自己很多余？ENGIINE作为发射器夹在中间，可以直接跳过吗？想想如果你跳过它会发生什么。

在这里分析。

SCHEDULER的作用：调度任务，控制任务的并发性，防止机器不堪重负。

ENGIINE:基于Twisted框架，当一个事件到来时(比如转发一个请求)，相应的事件通过回调来执行。我认为ENGIINE让所有的操作统一起来，根据事件组织其他组件，其他组件以低耦合的方式运行。对于一个框架来说，无疑是必要的。

2. 基础：XPath

编写爬虫最重要的是解析网页的内容。这一部分介绍了如何解析网页并通过XPath提取内容。

2.1 HTML节点和属性

>2.2 解析语法

•  a / b：‘/’在 xpath里表示层级关系，左边的 a是父节点，右边的 b是子节点

•  a // b：表示a下所有b，直接或者间接的

•  [@]：选择具有某个属性的节点

•   //div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点

•   //div[@class="container"]：选择具有 class属性的值为 container的 div节点

•  //a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签

一个例子

response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()  # 获取所有class属性（css）为taglist的div， 下一个层ul下的所有li下所有a下所有img标签下data-original属性  # data-original这里放的是图片的url地址

3. 安装部署

Scrapy 是用纯python编写的，它依赖于几个关键的python包（以及其他包）：

•  lxml 一个高效的XML和HTML解析器

•  parsel ，一个写在lxml上面的html/xml数据提取库,

•  w3lib ，用于处理URL和网页编码的多用途帮助程序

•  twisted 异步网络框架

•  cryptography 和 pyOpenSSL ，处理各种网络级安全需求 

# 安装  pip install scrapy

4. 创建爬虫项目

scrapy startproject sexy  # 创建一个后的项目目录  # sexy  # │  scrapy.cfg  # │  # └─sexy  #     │  items.py  #     │  middlewares.py  #     │  pipelines.py  #     │  settings.py  #     │  __init__.py  #     │  #     ├─spiders  #     │  │  __init__.py  #     │  │  #     │  └─__pycache__  #     └─__pycache__  # 执行 需要到scrapy.cfg同级别的目录执行  scrapy crawl sexy

从上可知，我们要写的是spiders里的具体的spider类和items.py和pipelines.py（对应的ITEM PIPELINES）

5. 开始scrapy爬虫

5.1 简单而强大的spider

这里实现的功能是从图片网站中下载图片，保存在本地， url做了脱敏。需要注意的点在注释要标明

•  类要继承 scrapy.Spider

•  取一个唯一的name

•  爬取的网站url加到start_urls列表里

•  重写parse利用xpath解析reponse的内容

可以看到parse实现的时候没有转发给ITEM PIPELINES，直接处理了。这样简单的可以这么处理，如果业务很复杂，建议交给ITEM PIPELINES。后面会给例子

# 目录结果为：spiders/sexy_spider.py  import scrapy  import os  import requests  import time  def download_from_url(url):      response = requests.get(url, stream=True)      if response.status_code == requests.codes.ok:          return response.content      else:          print('%s-%s' % (url, response.status_code))          return None  class SexySpider(scrapy.Spider):     # 如果有多个spider， name要唯一      name = 'sexy'      allowed_domains = ['uumdfdfnt.94demo.com']      allowed_urls = ['http://uumdfdfnt.94demo.com/']      # 需要爬取的网站url加到start_urls list里      start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']      save_path = '/home/sexy/dingziku'      def parse(self, response):          # 解析网站，获取图片列表          img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()          time.sleep(1)          # 处理图片， 具体业务操作， 可交给items， 见5.2 items例子          for img_url in img_list:              file_name = img_url.split('/')[-1]              content = download_from_url(img_url)              if content is not None:                  with open(os.path.join(self.save_path, file_name), 'wb') as fw:                      fw.write(content)          # 自动下一页（见5.3 自动下一页）          next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()          if next_page is not None:              next_page = response.urljoin(next_page)              yield scrapy.Request(next_page, callback=self.parse)

5.2 items和pipline例子

这里说明下两个的作用

•  items：提供一个字段存储， spider会将数据存在这里

•  pipline：会从items取数据，进行业务操作，比如5.1中的保存图片；又比如存储到数据库中等

我们来改写下上面的例子

•  items.py其实就是定义字段scrapy.Field() 

import scrapy class SexyItem(scrapy.Item):      # define the fields for your item here like:      # name = scrapy.Field()      img_url = scrapy.Field()

•  spiders/sexy_spider.py 

import scrapy  import os  # 导入item  from ..items import SexyItem  class SexySpider(scrapy.Spider):    # 如果有多个spider， name要唯一      name = 'sexy'      allowed_domains = ['uumdfdfnt.94demo.com']      allowed_urls = ['http://uumdfdfnt.94demo.com/']      # 需要爬取的网站url加到start_urls list里      start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']      save_path = '/home/sexy/dingziku'      def parse(self, response):          # 解析网站，获取图片列表          img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()          time.sleep(1)          # 处理图片， 具体业务操作， 可交给yield items          for img_url in img_list:              items = SexyItem()              items['img_url'] = img_url              yield items

•  pipelines.py 

import os  import requests  def download_from_url(url):      response = requests.get(url, stream=True)      if response.status_code == requests.codes.ok:          return response.content      else:          print('%s-%s' % (url, response.status_code))          return None  class SexyPipeline(object):      def __init__(self):          self.save_path = '/tmp'      def process_item(self, item, spider):          if spider.name == 'sexy':              # 取出item里内容              img_url = item['img_url']                        # 业务处理              file_name = img_url.split('/')[-1]              content = download_from_url(img_url)              if content is not None:                  with open(os.path.join(self.save_path, file_name), 'wb') as fw:                      fw.write(content)          return item

•  重要的配置要开启在settings.py中开启piplines类，数值表示优先级 

ITEM_PIPELINES = {     'sexy.pipelines.SexyPipeline': 300,  }

5.3 自动下一页

有时候我们不仅要爬取请求页面中的内容，还要递归式的爬取里面的超链接url，特别是下一页这种，解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。

•  先在页面解析下下一页的url

•  scrapy.Request(next_page, callback=self.parse) 发起一个请求，并调用parse来解析，当然你可以用其他的解析

完美了，完整例子见5.1

next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()  if next_page is not None:     next_page = response.urljoin(next_page)     yield scrapy.Request(next_page, callback=self.parse)

5.4 中间件

•  下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request，响应process_response和异常process_exception三个钩子函数。

•  处理请求process_request: 传给DOWNLOADER之前做的操作

•  响应process_response：DOWNLOADER给ENGIINE响应之前的操作

这里举一个添加模拟浏览器请求的方式，防止爬虫被封锁。重写process_request

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware  import random  agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;',                'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1',                'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',                'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',                'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']  class RandomUserAgent(UserAgentMiddleware):      def process_request(self, request, spider):          ua = random.choice(agents)          request.headers.setdefault('User-agent',ua,)

统一要在settings.py中开启下载中间件，数值表示优先级

DOWNLOADER_MIDDLEWARES = {      'sexy.middlewares.customUserAgent.RandomUserAgent': 20,  }

5.5 可用配置settings.py

除了上面提供的pipline配置开启和中间件配置外，下面介绍几个常用的配置

•  爬虫机器人规则：ROBOTSTXT_OBEY = False， 如果要爬取的网站有设置robots.txt，最好设置为False

•  CONCURRENT_REQUESTS：并发请求

•  DOWNLOAD_DELAY：下载延迟，可以适当配置，避免把网站也爬挂了。

到此，关于“怎么快速掌握scrapy爬虫框架”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！