Scrapy爬虫入门

快两周了,还没缓过来劲,python 黑帽的系列教程今天才开始捡起来。不过工作又要忙了,晚上照顾玄小魂,白天敲代码,抽时间写文章,真的有点心力交瘁。不过没关系,一切都会好起来的。

----------------------------------------------------------------------------------------------------

本篇文章,是转载过来的,Python黑客编程的后续课程也会详细讨论Scrapy的使用的。

原文链接:http://chenqx.github.io/2014/11/09/Scrapy-Tutorial-for-BBSSpider/

---------------------------------------------------------------------------------------------------

Scrapy at a glance

  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。 可以应用在包括数据挖掘,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 Architecture   Scrapy主要包括了以下组件:

  • 引擎:用来处理整个系统的数据流处理,触发事务。
  • 调度器: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。
  • 下载器:用于下载网页内容,并将网页内容返回给蜘蛛。
  • 蜘蛛:蜘蛛是主要干活的,用它来制订特定域名或网页的解析规则。
  • 项目管道:负责处理有蜘蛛从网页中抽取的项目,他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,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:位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
  • 蜘蛛中间件:介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。
  • 调度中间件: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。

  使用Scrapy可以很方便的完成网上数据的采集工作,它为我们完成了大量的工作,而不需要自己费大力气去开发。

Scrapy Tutorial

  在本文中,假定您已经安装好Scrapy。 如若不然,请参考 Installation guide。   接下来以爬取饮水思源BBS数据为例来讲述爬取过程,详见 bbsdmoz代码。   本篇教程中将带您完成下列任务:

1. 创建一个Scrapy项目2. 定义提取的Item3. 编写爬取网站的 spider 并提取 Item4. 编写 Item Pipeline 来存储提取到的Item(即数据)

  Scrapy由Python编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情, 对于已经熟悉其他语言并且想快速学习Python的编程老手, 我们推荐 Learn Python The Hard Way , 对于想从Python开始学习的编程新手, 非程序员的Python学习资料列表 将是您的选择。

Creating a project

  在开始爬取之前,您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中,运行下列命令:

1

scrapy startproject bbsdmoz

  该命令将会创建包含下列内容的 bbsDmoz 目录:

bbsDmoz/
scrapy.cfg
bbsDmoz/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py        ...

  这些文件分别是:

  • scrapy.cfg: 项目的配置文件
  • bbsDmoz/: 该项目的python模块。之后您将在此加入代码。
  • bbsDmoz/items.py: 项目中的item文件.
  • bbsDmoz/pipelines.py: 项目中的pipelines文件.
  • bbsDmoz/settings.py: 项目的设置文件.
  • bbsDmoz/spiders/: 放置spider代码的目录.

Defining our Item

  Item 是保存爬取到的数据的容器;其使用方法和python字典类似,并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。   类似在ORM中做的一样,您可以通过创建一个 scrapy.Item 类,并且定义类型为 scrapy.Field 的类属性来定义一个Item。(如果不了解ORM,不用担心,您会发现这个步骤非常简单)   首先根据需要从bbs网站获取到的数据对item进行建模。 我们需要从中获取url,发帖板块,发帖人,以及帖子的内容。 对此,在item中定义相应的字段。编辑 bbsDmoz 目录中的 items.py 文件:

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

# Define here the models for your scraped items

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

from scrapy.item import Item, Field

class BbsDmozItem(Item):

# define the fields for your item here like:

# name = scrapy.Field()

url = Field()

forum = Field()

poster = Field()

content = Field()

 一开始这看起来可能有点复杂,但是通过定义item, 您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。

Our first Spider

  Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。   其包含了一个用于下载的初始URL,如何跟进网页中的链接以及如何分析页面中的内容, 提取生成 item 的方法。

创建一个Spider

  为了创建一个Spider,保存在 bbsDmoz/spiders,您必须继承 scrapy.Spider 类,且定义以下三个属性:

  • name: 用于区别Spider。该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
  • start_urls: 包含了Spider在启动时进行爬取的url列表。因此,第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
  • parse() 是spider的一个方法。被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request对象。

Selectors选择器

  从网页中提取数据有很多方法。Scrapy使用了一种基于 XPathCSS 表达式机制: Scrapy Selectors 。 关于selector和其他提取机制的信息请参考 Selector文档 。   我们使用XPath来从页面的HTML源码中选择需要提取的数据。这里给出XPath表达式的例子及对应的含义:

  • /html/head/title: 选择HTML文档中 <head> 标签内的 <title> 元素
  • /html/head/title/text(): 选择上面提到的 <title> 元素的文字
  • //td: 选择所有的 <td> 元素
  • //div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

  以饮水思源BBS一页面为例:https://bbs.sjtu.edu.cn/bbstcon?board=PhD&reid=1406973178&file=M.1406973178.A   观察HTML页面源码并创建我们需要的数据(种子名字,描述和大小)的XPath表达式。   通过观察,我们可以发现poster是包含在 pre/a 标签中的,这里是userid=jasperstream:

123

...<pre>[<a href='bbspst?board=PhD&file=M.1406973178.A'>回复本文</a>][<a href='bbscon?board=PhD&file=M.1406973178.A'>原帖</a>] 发信人: <a href="bbsqry?userid=jasperstream">jasperstream</a>

  因此可以提取jasperstream的 XPath 表达式为:

1

'//pre/a/text()'

  同理我可以提取其他内容的XPath,并最好在提取之后验证其正确性。上边仅仅是几个简单的XPath例子,XPath实际上要比这远远强大的多。 如果您想了解的更多,我们推荐 这篇XPath教程。   为了配合XPath,Scrapy除了提供了 Selector 之外,还提供了方法来避免每次从response中提取数据时生成selector的麻烦。   Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):

  • xpath(): 传入xpath表达式,返回该表达式所对应的所有节点的selector list列表 。
  • css(): 传入CSS表达式,返回该表达式所对应的所有节点的selector list列表.
  • extract(): 序列化该节点为unicode字符串并返回list
  • re(): 根据传入的正则表达式对数据进行提取,返回unicode字符串list列表。

  如提取上述的poster的数据:

1

sel.xpath('//pre/a/text()').extract()

使用Item

Item 对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)。一般来说,Spider将会将爬取到的数据以 Item 对象返回。 

Spider代码

  以下为我们的第一个Spider代码,保存在 bbsDmoz/spiders 目录下的 forumSpider.py 文件中:

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

'''

bbsSpider, Created on Oct, 2014

#version: 1.0

#author: chenqx @http://chenqx.github.com

See more: http://doc.scrapy.org/en/latest/index.html

'''

from scrapy.selector import Selector

from scrapy.http import Request

from scrapy.contrib.spiders import CrawlSpider

from scrapy.contrib.loader import ItemLoader

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

from bbs.items import BbsItem

class forumSpider(CrawlSpider):

# name of spiders

name = 'bbsSpider'

allow_domain = ['bbs.sjtu.edu.cn']

start_urls = [ 'https://bbs.sjtu.edu.cn/bbsall' ]

link_extractor = {

'page': SgmlLinkExtractor(allow = '/bbsdoc,board,\w+\.html$'),

'page_down': SgmlLinkExtractor(allow = '/bbsdoc,board,\w+,page,\d+\.html$'),

'content': SgmlLinkExtractor(allow = '/bbscon,board,\w+,file,M\.\d+\.A\.html$'),

}

_x_query = {

'page_content': '//pre/text()[2]',

'poster' : '//pre/a/text()',

'forum' : '//center/text()[2]',

}

def parse(self, response):

for link in self.link_extractor['page'].extract_links(response):

yield Request(url = link.url, callback=self.parse_page)

def parse_page(self, response):

for link in self.link_extractor['page_down'].extract_links(response):

yield Request(url = link.url, callback=self.parse_page)

for link in self.link_extractor['content'].extract_links(response):

yield Request(url = link.url, callback=self.parse_content)

def parse_content(self, response):

bbsItem_loader = ItemLoader(item=BbsItem(), response = response)

url = str(response.url)

bbsItem_loader.add_value('url', url)

bbsItem_loader.add_xpath('forum', self._x_query['forum'])

bbsItem_loader.add_xpath('poster', self._x_query['poster'])

bbsItem_loader.add_xpath('content', self._x_query['page_content'])

return bbsItem_loader.load_item()

Define Item Pipeline

  当Item在Spider中被收集之后,它将会被传递到Item Pipeline,一些组件会按照一定的顺序执行对Item的处理。   每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为,同时也决定此Item是否继续通过pipeline,或是被丢弃而不再进行处理。   以下是item pipeline的一些典型应用:

  • 清理HTML数据
  • 验证爬取的数据(检查item包含某些字段)
  • 查重(并丢弃)
  • 将爬取结果保存,如保存到数据库、XML、JSON等文件中

编写 Item Pipeline

  编写你自己的item pipeline很简单,每个item pipeline组件是一个独立的Python类,同时必须实现以下方法:

 process_item(item, spider)
  每个item pipeline组件都需要调用该方法,这个方法必须返回一个 Item (或任何继承类)对象,或是抛出 DropItem异常,被丢弃的item将不会被之后的pipeline组件所处理。
  参数:item (Item object) – 由 parse 方法返回的 Item 对象
     spider (Spider object) – 抓取到这个 Item 对象对应的爬虫对象

  此外,他们也可以实现以下方法:

open_spider(spider)
  当spider被开启时,这个方法被调用。
  参数: spider (Spider object) – 被开启的spider
close_spider(spider)
  当spider被关闭时,这个方法被调用,可以再爬虫关闭后进行相应的数据处理。
  参数: spider (Spider object) – 被关闭的spider

  本文爬虫的item pipeline如下,保存为XML文件:

# -*- 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

from scrapy import signals

from scrapy import log

from bbsDmoz.items import BbsDmozItem

from twisted.enterprise import adbapi

from scrapy.contrib.exporter import XmlItemExporter

from dataProcess import dataProcess

class XmlWritePipeline(object):

def __init__(self):

pass

@classmethod

def from_crawler(cls, crawler):

pipeline = cls()

crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)

crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)

return pipeline

def spider_opened(self, spider):

self.file = open('bbsData.xml', 'wb')

self.expoter = XmlItemExporter(self.file)

self.expoter.start_exporting()

def spider_closed(self, spider):

self.expoter.finish_exporting()

self.file.close()

# process the crawled data, define and call dataProcess function

# dataProcess('bbsData.xml', 'text.txt')

def process_item(self, item, spider):

self.expoter.export_item(item)

return item

启用和设置 Item Pipeline

  为了启用一个Item Pipeline组件,你必须将它的类添加到 ITEM_PIPELINES 就像下面这个例子:

123

ITEM_PIPELINES = {'bbsDmoz.pipelines.XmlWritePipeline': 1000,}

  分配给每个类的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内。

Settings

  Scrapy设定(settings)提供了定制Scrapy组件的方法。您可以控制包括核心(core),插件(extension),pipeline及spider组件。   设定为代码提供了提取以key-value映射的配置值的的全局命名空间(namespace)。 设定可以通过下面介绍的多种机制进行设置。   设定(settings)同时也是选择当前激活的Scrapy项目的方法(如果您有多个的话)。   在setting配置文件中,你可一定以抓取的速率、是否在桌面显示抓取过程信息等。详细请参考内置设定列表请参考。   本爬虫的setting配置如下:

# -*- coding: utf-8 -*-# Scrapy settings for bbs project# For simplicity, this file contains only the most important settings by# default. All the other settings are documented here:# http://doc.scrapy.org/en/latest/topics/settings.htmlBOT_NAME = 'bbsDomz'CONCURRENT_REQUESTS = 200LOG_LEVEL = 'INFO'COOKIES_ENABLED = TrueRETRY_ENABLED = TrueSPIDER_MODULES = ['bbsDomz.spiders']NEWSPIDER_MODULE = 'bbsDomz.spiders'# JOBDIR = 'jobdir'ITEM_PIPELINES = {'bbsDomz.pipelines.XmlWritePipeline': 1000,}

Crawling

  写好爬虫程序后,我们就可以运行程序抓取数据。进入项目的根目录bbsDomz/下,执行下列命令启动spider:

1

scrapy crawl bbsSpider

  这样就等程序运行结束就还可以啦。

Further reading

  • Scrapy 0.24 documentation
  • Scrapy 轻松定制网络爬虫

原文发布于微信公众号 - 玄魂工作室(xuanhun521)

原文发表时间:2016-11-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Java帮帮-微信公众号-技术文章全总结

Web-第二十一天 Web商城实战一【悟空教程】

public class BaseServlet extends HttpServlet {

21140
来自专栏有困难要上,没有困难创造困难也要上!

Python制作Windows系统服务Python制作Windows系统服务

310120
来自专栏逸鹏说道

最短的各类一句话木马

菜刀readme.txt中附带一3个一句话: PHP: 1 <!--?php @eval($_POST['chopper']);?--> ASP: 1 &l...

50930
来自专栏Kubernetes

深入分析Kubernetes Scheduler的优先级队列

从1.9版本开始,Kubernetes实现了基于Pod优先级的调度队列,一方面提供高优先级的Pod优先被调度的能力,另一方面减轻抢占式调度时潜在的High Pr...

80370
来自专栏向治洪

Android ORM 框架之 greenDAO

前言 我相信,在平时的开发过程中,大家一定会或多或少地接触到 SQLite。然而在使用它时,我们往往需要做许多额外的工作,像编写 SQL 语句与解析查询结果等。...

22560
来自专栏緣來來來

Python爬虫 --- 2.5 Scrapy之汽车之家爬虫实践

Scrapy框架为文件和图片的下载专门提供了两个Item Pipeline 它们分别是:

15910
来自专栏大数据挖掘DT机器学习

Scrapy爬虫轻松抓取网站数据(以bbs为例,提供源码)

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。 可以应用在包括数据挖掘,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...

47590
来自专栏Kubernetes

解析Kubernetes 1.8中的

Author: xidianwangtao@gmail.com Kubernetes 1.8中对scheduler的更新 【Alpha】支持定义Prior...

31180
来自专栏Android开发指南

9.服务

377110
来自专栏CodingBlock

Android插件化-RePlugin项目集成与使用

前言:前一段时间新开源了一种全面插件化的方案-- RePlugin,之前一种都在关注 DroidPlugin 并且很早也在项目中试用了,但最终没有投入到真正的生...

48900

扫码关注云+社区

领取腾讯云代金券