Scrapy 是用 Python 实现的个为了爬取网站数据、提取结构性数据而编写的应用框架。
Scrapy 常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。
通常 可以很简单的通过 Scrapy 框架实现个爬虫 抓取指定网站的内容或图片。
Scrapy架构图(绿线是数据流向)
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯 信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求 并按照一定的方式进行整理排列 入队 当引擎需要时 交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求 并将其获取到的Responses交还给Scrapy Engine(引擎) 由引擎交给Spider来处理
Spider(爬虫):它负责处理所有Responses,从中分析提取数据 获取Item字段需要的数据 并将需要跟进的URL提交给引擎 再次进入Scheduler(调度器).
Item Pipeline(管道):它负责处理Spider中获取到的Item 并进行进行后期处理(详细分析、过滤、存储等)的地方。
Downloader Middlewares(下载中间件):你可以当作是个可以自定义扩展下载功能的组件。
Spider Middlewares(Spider中间件):你可以理解为是个可以自定扩展和操作引擎和Spider中间通信的功能组件(如进入Spider的Responses;和从Spider出去的Requests)
Scrapy的运作流程
代码写好 程序开始运行...
- 1 引擎:Hi!Spider, 你要处理哪个网站?
- 2 Spider:老大要我处理xxxx.com。
- 3 引擎:你把第个需要处理的URL给我吧。
- 4 Spider:给你 第个URL是xxxxxxx.com。
- 5 引擎:Hi!调度器 我这有request请求你帮我排序入队一下。
- 6 调度器:好的 正在处理你等一下。
- 7 引擎:Hi!调度器 把你处理好的request请求给我。
- 8 调度器:给你 这是我处理好的request
- 9 引擎:Hi!下载器 你按照老大的下载中间件的设置帮我下载一下这个request请求
- 10 下载器:好的!给你 这是下载好的东西。(如果失败:sorry 这个request下载失败了。然后引擎告诉调度器 这个request下载失败了 你记录一下 待会儿再下载)
- 11 引擎:Hi!Spider 这是下载好的东西 并且已经按照老大的下载中间件处理过了 你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)
- 12 Spider:(处理完毕数据之后对于需要跟进的URL) Hi!引擎 我这里有两个结果 这个是我需要跟进的URL 还有这个是我获取到的Item数据。
- 13 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环 直到获取完老大需要全部信息。
- 14 管道调度器:好的 现在就做!
注意!只有当调度器中不存在任何request了 整个程序才会停止 (也就是说 对于下载失败的URL Scrapy也会重新下载。)
制作 Scrapy 爬虫 一共需要4步:
- 新建项目 (scrapy startproject xxx):新建个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
- 存储内容 (pipelines.py):设计管道存储爬取内容
安装
Windows 安装方式
升级 pip 版本:
pip install --upgrade pip
通过 pip 安装 Scrapy 框架:
pip install Scrapy
Ubuntu 安装方式
安装非 Python 的依赖:
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
通过 pip 安装 Scrapy 框架:
sudo pip install scrapy
Mac OS 安装方式
对于Mac OS系统来说 由于系统本身会引用自带的python2.x的库 因此默认安装的包是不能被删除的 但是你用python2.x来安装Scrapy会报错 用python3.x来安装也是报错 我最终没有找到直接安装Scrapy的方法 所以我用另一种安装方式来说一下安装步骤 解决的方式是就是使用virtualenv来安装。
$ sudo pip install virtualenv$ virtualenv scrapyenv$ cd scrapyenv$ source bin/activate$ pip install Scrapy
安装后 只要在命令终端输入 scrapy 提示类似以下结果 代表已经安装成功。
入门案例
学习目标
- 创建个Scrapy项目
- 定义提取的结构化数据(Item)
- 编写爬取网站的 Spider 并提取出结构化数据(Item)
- 编写 Item Pipelines 来存储提取到的Item(即结构化数据)
一. 新建项目(scrapy startproject)
在开始爬取之前 必须创建个新的Scrapy项目。进入自定义的项目目录中 运行下列命令:
scrapy startproject mySpider
其中 mySpider 为项目名称 可以看到将会创建个 mySpider 文件夹 目录结构大致如下:
下面来简单介绍一下各个主要文件的作用:
mySpider/ scrapy.cfg mySpider/ __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。
- mySpider/: 项目的Python模块 将会从这里引用代码。
- mySpider/items.py: 项目的目标文件。
- mySpider/pipelines.py: 项目的管道文件。
- mySpider/settings.py: 项目的设置文件。
- mySpider/spiders/: 存储爬虫代码目录。
二、明确目标(mySpider/items.py)
打算抓取 http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。
打开 mySpider 目录下的 items.py。
Item 定义结构化数据字段 用来保存爬取到的数据 有点像 Python 中的 dict 但是提供了一些额外的保护减少错误。
可以通过创建个 scrapy.Item 类 并且定义类型为 scrapy.Field 的类属性来定义个 Item(可以理解成类似于 ORM 的映射关系)。
接下来 创建个 ItcastItem 类 和构建 item 模型(model)。
import scrapyclass ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
三、制作爬虫 (spiders/itcastSpider.py)
爬虫功能要分两步:
1. 爬数据
在当前目录下输入命令 将在mySpider/spider目录下创建个名为itcast的爬虫 并指定爬取域的范围:
scrapy genspider itcast "itcast.cn"
打开 mySpider/spider目录里的 itcast.py 默认增加了下列代码:
import scrapyclass ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
其实也可以由 自行创建itcast.py并编写上面的代码 只不过使用命令可以免去编写固定代码的麻烦
要建立个Spider 你必须用scrapy.Spider类创建个子类 并确定了三个强制的属性 和 个方法。
name = "" :这个爬虫的识别名称 必须是唯一的 在不同的爬虫必须定义不同的名字。
allow_domains = [] 是搜索的域名范围 也就是爬虫的约束区域 规定爬虫只爬取这个域名下的网页 不存在的URL会被忽略。
start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据 所以 第一次下载的数据将会从这些urls开始。其 子URL将会从这些起始URL中继承性生成。
parse(self, response) :解析的方法 每个初始URL完成下载后将被调用 调用的时候传入从每个URL传回的Response对象来作为唯一参数 主要作用如下:
负责解析返回的网页数据(response.body) 提取结构化数据(生成item)
生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第个url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
修改parse()方法
def parse(self, response): filename = "teacher.html" open(filename, 'w').write(response.body)
然后运行一下看看 在mySpider目录下执行:
scrapy crawl itcast
是的 就是 itcast 看上面代码 它是 ItcastSpider 类的 name 属性 也就是使用 scrapy genspider命令的唯一爬虫名。
运行之后 如果打印的日志出现 [scrapy] INFO: Spider closed (finished) 代表执行完成。 之后当前文件夹中就出现了个 teacher.html 文件 里面就是 刚刚要爬取的网页的全部源代码信息。
注意: Python2.x默认编码环境是ASCII 当和取回的数据编码格式不一致时 可能会造成乱码; 可以指定保存内容的编码格式 一般情况下 可以在代码最上方添加
import sysreload(sys)sys.setdefaultencoding("utf-8")
这三行代码是 Python2.x 里解决中文编码的万能钥匙 经过这么多年的吐槽后 Python3 学乖了 默认编码是Unicode了...(祝大家早日拥抱Python3)
2. 取数据
爬取整个网页完毕 接下来的就是的取过程了 首先观察页面源码:
xxx
xxxxx
xxxxxxxx
是不是一目了然?直接上 XPath 开始提取数据吧。
xpath 方法 只需要输入的 xpath 规则就可以定位到相应 html 标签节点 详细内容可以查看 xpath 教程。
不会 xpath 语法没关系 Chrome 给 提供了一键获取 xpath 地址的方法(右键->检查->copy->copy xpath),如下图:
这里给出一些 XPath 表达式的例子及对应的含义:
/html/head/title
: 选择HTML文档中标签内的
元素
/html/head/title/text()
: 选择上面提到的元素的文字
//td
: 选择所有的元素
//div[@class="mine"]
: 选择所有具有class="mine"
属性的div
元素
举例 读取网站 http://www.itcast.cn/ 的网站标题 修改 itcast.py 文件代码如下::
# -*- coding: utf-8 -*-import scrapy# 以下三行是在 Python2.x版本中解决乱码问题 Python3.x 版本的可以去掉import sysreload(sys)sys.setdefaultencoding("utf-8")class Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ['http://www.itcast.cn/'] def parse(self, response): # 获取网站标题 context = response.xpath('/html/head/title/text()') # 提取网站标题 title = context.extract_first() print(title) pass
执行以下命令:
$ scrapy crawl itcast......传智播客官网-好口碑IT培训机构,一样的教育,不一样的品质......
之前在 mySpider/items.py 里定义了个 ItcastItem 类。 这里引入进来:
from mySpider.items import ItcastItem
然后将 得到的数据封装到个 ItcastItem 对象中 可以保存每个老师的属性:
from mySpider.items import ItcastItemdef parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 将 得到的数据封装到个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后数据 return items
暂时先不处理管道 后面会详细介绍。
保存数据
scrapy保存信息的最简单的方法主要有四种 -o 输出指定格式的文件 命令如下:
scrapy crawl itcast -o teachers.json
json lines格式 默认为Unicode编码
scrapy crawl itcast -o teachers.jsonl
csv 逗号表达式 可用Excel打开
scrapy crawl itcast -o teachers.csv
xml格式
scrapy crawl itcast -o teachers.xml
思考
如果将代码改成下面形式 结果完全一样。
请思考 yield 在这里的作用(Python yield 使用浅析):
# -*- coding: utf-8 -*-import scrapyfrom mySpider.items import ItcastItem# 以下三行是在 Python2.x版本中解决乱码问题 Python3.x 版本的可以去掉import sysreload(sys)sys.setdefaultencoding("utf-8")class Opp2Spider(scrapy.Spider): name = 'itcast' allowed_domains = ['itcast.com'] start_urls = ("http://www.itcast.cn/channel/teacher.shtml",) def parse(self, response): #open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合 items = [] for each in response.xpath("//div[@class='li_txt']"): # 将 得到的数据封装到个 `ItcastItem` 对象 item = ItcastItem() #extract()方法返回的都是unicode字符串 name = each.xpath("h3/text()").extract() title = each.xpath("h4/text()").extract() info = each.xpath("p/text()").extract() #xpath返回的是包含个元素的列表 item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] items.append(item) # 直接返回最后数据 return items
原文链接:https://segmentfault.com/a/1190000013178839
文人墨客
使用 pip 安装 scrapy 过程中失败解决方法
1、(该环境上面有python)安装scrapy的时候,使用pip install scrapy一般会失败。报超时的错误
所以我们需要换另一种形式来安装,我们先将scrapy安装过程中所用到的依赖的库安装完成之后,在安装scrapy,这样子便可以安装成功了。
需要安装的依赖库有 lxml、 pyOpenSSL 、 Twisted 、pywin32。需要注意的是我们安装的这些库,都是通过wheel来安装的。因此在安装这些库之前,先得安装wheel。打开控制台窗口,输入pip install wheel,先安装wheel库。
安装这些库的时候,得注意下载的.whl文件的版本号,需要和自身的python的版本号对应。例如
小编python的版本3.5 64位,则选择下载的.whl的版本为XXX-cp35-cp35-win-amd64.whl:
安装 lxml,到 https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted ,查询lxml对应环境python的.whl文件。本文使用的是lxml-4.1.0-cp35-cp35m-win_amd64.whl,下载完成之后。在文件的目录起一个控制台窗口,如下图,便可以启动一个控制台。输入pip install lxml-4.1.0-cp35-cp35m-win_amd64.whl ,即可安装成功。如果提示版本不对,那么就是python和whl文件的版本不对应。
安装 pyOpenSSL ,直接在控制台输入 pip install pyOpenSSL,然后等待安装完成。
安装Twisted,在https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted,网站上面找到适合的安装whl文件,安装的步骤同安装lxml一样。
安装pywin32,在https://sourceforge.net/projects/pywin32/files/pywin32/,找到对应的安装文件,该文件为.exe结尾的文件。直接到下载的保存目录,执行exe文件,然后按照提示安装。
将上述的库安装完成之后,便可以开始安装scrapy。打开控制台,执行pip install scrapy。小编刚开始也是安装scrapy报错,后来将所有的库安装上去之后,边安装成功了。注意过程中可能还会出现超时的问题,遇到这种情况,重试一两次即可。