Scrapy 入门教程

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：

1. 新建项目 (scrapy startproject xxx)：新建个新的爬虫项目
2. 明确目标 （编写items.py）：明确你想要抓取的目标
3. 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
4. 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。

1. 打开 mySpider 目录下的 items.py。

2. 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。

3. 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：

# -*- 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

$ 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......

from mySpider.items import ItcastItem

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

scrapy crawl itcast -o teachers.json

scrapy crawl itcast -o teachers.jsonl

scrapy crawl itcast -o teachers.csv

scrapy crawl itcast -o teachers.xml

# -*- 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