Python scrapy 安装与开发
Scrapy是采用Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取采集web站点信息并从页面中提取结构化的数据。
Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试等。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。
它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
Scrapy is a fast high-level web crawling and web scraping framework, used to crawl websites and extract structured data from their pages.
It can be used for a wide range of purposes, from data mining to monitoring and automated testing.
For more information including a list of features check the Scrapy homepage at: http://scrapy.org
Scrapy 官网：https://scrapy.org
Scrapy 插件：https://pypi.python.org/pypi/Scrapy
Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。
Scrapy 使用了 Twisted异步网络库来处理网络通讯，其设计整体架构大致如下图：
Scrapy主要包括了以下组件：
- 引擎(Scrapy) 用来处理整个系统的数据流处理, 触发事务(框架核心)
- 调度器(Scheduler) 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. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
- 下载器(Downloader) 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
- 爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
- 项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，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(Downloader Middlewares) 位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
- 爬虫中间件(Spider Middlewares) 介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
- 调度中间件(Scheduler Middewares) 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。
Scrapy运行流程大概如下：
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
Scrapy 安装
因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。
pip install Scrapy # python2.7 pip3 install Scrapy # python3.6
验证安装成功：
1234567 | $ pythonPython 2.7.13 (v2.7.13:a06454b1afa1, Dec 17 2016, 12:39:47) [GCC 4.2.1 (Apple Inc. build 5666) (dot 3)] on darwinType "help", "copyright", "credits" or "license" for more information.>>> import scrapy>>> scrapy<module 'scrapy' from '/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/scrapy/__init__.pyc'> |
|---|
Scrapy 使用
1、创建项目 mimvp_proxy_python_scrapy
运行命令:
12345 | $ which scrapy/Library/Frameworks/Python.framework/Versions/3.6/bin/scrapy$$ cd MimvpProxyDemo/PythonScrapy/$ scrapy startproject mimvp_proxy_python_scrapy |
|---|
2、查看目录结构
1234567891011121314 | $ tree.|____mimvp_proxy_python_scrapy| |____mimvp_proxy_python_scrapy| | |______init__.py| | |______pycache__| | |____items.py| | |____middlewares.py| | |____pipelines.py| | |____settings.py| | |____spiders| | | |______init__.py| | | |______pycache__| |____scrapy.cfg |
|---|
导入Eclipse，查看自动创建的目录结构：
目录文件说明：
- scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息
- items.py 设置数据存储模板，用于结构化数据，如：Django的Model
- pipelines 数据处理行为，如：一般结构化的数据持久化
- settings.py 配置文件，如：递归的层数、并发数，延迟下载等爬虫相关的配置
- spiders 爬虫目录，如：创建文件、编写爬虫规则
注意：一般创建爬虫文件时，以网站域名命名
3、Scrapy 编写爬虫
在spiders目录中新建 mimvp_spider.py 文件
示例代码：
12345678910111213141516171819202122232425262728 | #!/usr/bin/env python# -*- coding:utf-8 -*-## mimvp.com# 2009.10.1 import scrapy class MimvpSpider(scrapy.spiders.Spider): name = "mimvp" allowed_domains = ["mimvp.com"] start_urls = [ "http://mimvp.com", ] def parse(self, response): # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) mimvp_url = response.url # 爬取时请求的url body = response.body # 返回网页内容 unicode_body = response.body_as_unicode() # 返回的html unicode编码 print("mimvp_url : " + str(mimvp_url)) print("body : " + str(body)) print("unicode_body : " + str(unicode_body)) |
|---|
为了创建一个Spider，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。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。
详细说明：
1. 爬虫文件需要定义一个类，并继承scrapy.spiders.Spider，即类定义 MimvpSpider(scrapy.spiders.Spider)
2. 必须定义name，即爬虫名，如果没有name，会报错，因为源码中是这样定义的：
12345678 | def __init__(self, name=None, **kwargs): if name is not None: self.name = name elif not getattr(self, 'name', None): raise ValueError("%s must have a name" % type(self).__name__) self.__dict__.update(kwargs) if not hasattr(self, 'start_urls'): self.start_urls = [] |
|---|
3. 编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；
4. 定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码如下：
123456789101112 | def start_requests(self): cls = self.__class__ if method_is_overridden(cls, Spider, 'make_requests_from_url'): for url in self.start_urls: yield self.make_requests_from_url(url) else: for url in self.start_urls: yield Request(url, dont_filter=True) def make_requests_from_url(self, url): """ This method is deprecated. """ return Request(url, dont_filter=True) |
|---|
Request 类源码：
1234567891011121314151617181920212223 | class Request(object_ref): def __init__(self, url, callback=None, method='GET', headers=None, body=None, cookies=None, meta=None, encoding='utf-8', priority=0, dont_filter=False, errback=None, flags=None): self._encoding = encoding # this one has to be set first self.method = str(method).upper() self._set_url(url) self._set_body(body) assert isinstance(priority, int), "Request priority not an integer: %r" % priority self.priority = priority assert callback or not errback, "Cannot use errback without a callback" self.callback = callback self.errback = errback self.cookies = cookies or {} self.headers = Headers(headers or {}, encoding=encoding) self.dont_filter = dont_filter self._meta = dict(meta) if meta else None self.flags = [] if flags is None else list(flags) |
|---|
4、Scrapy 运行
格式：scrapy crawl + 爬虫名 –nolog # 不显示日志
进入项目 mimvp_proxy_python_scrapy 目录下，运行命令：
12 | $ cd mimvp_proxy_python_scrapy/$ scrapy crawl mimvp --nolog |
|---|
运行结果：
$ scrapy crawl mimvp --nolog mimvp_url : http://mimvp.com body : b'<!DOCTYPE html>\n<html lang="zh-CN">\n<head>\n<meta charset="utf-8">\n<meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">\n<meta http-equiv="Cache-Control" content="no-transform">
..........
5、Scrapy 查询语法
当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。
下面逐一进行介绍：
- 查询子子孙孙中的某个标签(以div标签为例)：//div
- 查询儿子中的某个标签(以div标签为例)：/div
- 查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签
- 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]
- 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容
- 查询某个属性的值（例如查询a标签的href属性）：//a/@href
示例代码：
12345678910111213141516171819 | def parse(self, response): # 分析页面 # 找到页面中符合规则的内容（校花图片），保存 # 找到所有的a标签，再访问其他a标签，一层一层的搞下去 hxs = HtmlXPathSelector(response)#创建查询对象 # 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能够匹配到需要爬取的url，即本站url items = hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填写查询目标，按scrapy查询语法书写 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()#查询所有img标签的src属性，即获取校花图片地址 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容，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() #校花学校 if src: ab_src = "http://www.xiaohuar.com" + src[0]#相对路径拼接 file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名，因为python27默认编码格式是unicode编码，因此我们需要编码成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) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。
6、递归爬取网页
上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？
示例代码：
12345 | # 获取所有的url，继续访问，并在其中寻找相同的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) |
|---|
即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。
注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1
7、Scrapy 设置代理爬取网页
Python Scrapy 设置代理有两种方式，使用时两种方式选择一种即可
方式1： 直接在代码里设置，如 MimvpSpider ——> start_requests
方式2： 通过 middlewares + settings.py 配置文件设置，步骤：
2.1 middlewares.py 添加代理类 ProxyMiddleware，并添加代理
2.2 settings.py 开启 DOWNLOADER_MIDDLEWARES，并且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100,
方式1：直接在代码里设置
1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253 | #!/usr/bin/env python# -*- coding:utf-8 -*-## Python scrapy 支持 http、https## 米扑代理示例：# http://proxy.mimvp.com/demo2.php# # 米扑代理购买：# http://proxy.mimvp.com# # mimvp.com# 2009.10.1 # Python Scrapy 设置代理有两种方式，使用时两种方式选择一种即可# 方式1： 直接在代码里设置，如 MimvpSpider ——> start_requests# 方式2： 通过 middlewares + settings.py 配置文件设置，步骤：# 2.1 middlewares.py 添加代理类 ProxyMiddleware，并添加代理# 2.2 settings.py 开启 DOWNLOADER_MIDDLEWARES，并且添加 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100, import scrapy class MimvpSpider(scrapy.spiders.Spider): name = "mimvp" allowed_domains = ["mimvp.com"] start_urls = [ "http://proxy.mimvp.com/exist.php", "https://proxy.mimvp.com/exist.php", ] ## 代理设置方式1：直接在代理里设置 def start_requests(self): urls = [ "http://proxy.mimvp.com/exist.php", "https://proxy.mimvp.com/exist.php", ] for url in urls: meta_proxy = "" if url.startswith("http://"): meta_proxy = "http://180.96.27.12:88" # http代理 elif url.startswith("https://"): meta_proxy = "http://109.108.87.136:53281" # https代理 yield scrapy.Request(url=url, callback=self.parse, meta={'proxy': meta_proxy}) def parse(self, response): mimvp_url = response.url # 爬取时请求的url body = response.body # 返回网页内容 print("mimvp_url : " + str(mimvp_url)) print("body : " + str(body)) |
|---|
方式2：配置文件里设置
a） middlewares.py 文件里，添加代码：
1234567891011121314 | ## 代理设置方式2： 通过 middlewares + settings.py 配置文件设置## mimvp custom by yourselfclass ProxyMiddleware(object): def process_request(self,request,spider): if request.url.startswith("http://"): request.meta['proxy']="http://180.96.27.12:88" # http代理 elif request.url.startswith("https://"): request.meta['proxy']="http://109.108.87.136:53281" # https代理 # # proxy authentication# proxy_user_pass = "USERNAME:PASSWORD"# encoded_user_pass = base64.encodestring(proxy_user_pass)# request.headers['Proxy-Authorization'] = 'Basic ' + encoded_user_pass |
|---|
b） settings.py 文件里，开启设置
1234 | DOWNLOADER_MIDDLEWARES = { 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110, 'mimvp_proxy_python_scrapy.middlewares.ProxyMiddleware': 100, } |
|---|
以上两种代理设置方式，都验证测试成功，测试代理由米扑代理免费提供，感谢！
本示例采用的米扑代理，支持 http、https、socks4、socks5等多种协议，覆盖全球120多个国家，中国34个省市
推荐米扑代理： http://proxy.mimvp.com