目的意义
爬虫框架也许能简化工作量,提高效率等。scrapy是一款方便好用,拓展方便的框架。
本文将使用scrapy框架,示例爬取自己博客中的文章内容。
说明
学习和模仿来源:https://book.douban.com/subject/27061630/。
创建scrapy工程
首先当然要确定好,有没有完成安装scrapy。在windows下,使用pip install scrapy,慢慢等所有依赖和scrapy安装完毕即可。然后输入scrapy到cmd中测试。
建立工程使用scrapy startproject myTestProject,会在工程下生成文件。
一些介绍说明
在生成的文件中,
创建爬虫模块-下载
在路径./myTestProject/spiders下,放置用户自定义爬虫模块,并定义好name,start_urls,parse()。
如在spiders目录下建立文件CnblogSpider.py,并填入以下:
import scrapy class CnblogsSpider(scrapy.Spider): name="cnblogs" start_urls=["https://www.cnblogs.com/bai2018/default.html?page=1"] def parse(self,response): pass
在cmd中,切换到./myTestProject/myTestProject下,再执行scrapy crawl cnblogs(name)测试,观察是否报错,响应代码是否为200。其中的parse中参数response用于解析数据,读取数据等。
强化爬虫模块-解析
在CnblogsSpider类中的parse方法下,添加解析功能。通过xpath、css、extract、re等方法,完成解析。
调取元素审查分析以后添加,成为以下代码:
import scrapy class CnblogsSpider(scrapy.Spider): name="cnblogs" start_urls=["https://www.cnblogs.com/bai2018/"] def parse(self,response): papers=response.xpath(".//*[@class='day']") for paper in papers: url=paper.xpath(".//*[@class='postTitle']/a/@href").extract() title=paper.xpath(".//*[@class='postTitle']/a/text()").extract() time=paper.xpath(".//*[@class='dayTitle']/a/text()").extract() content=paper.xpath(".//*[@class='postCon']/div/text()").extract() print(url,title,time,content) pass
找到页面中,class为day的部分,然后再找到其中各个部分,提取出来,最后通过print方案输出用于测试。
在正确的目录下,使用cmd运行scrapy crawl cnblogs,完成测试,并观察显示信息中的print内容是否符合要求。
强化爬虫模块-包装数据
包装数据的目的是存储数据。scrapy使用Item类来满足这样的需求。
框架中的items.py用于定义存储数据的Item类。
在items.py中修改MytestprojectItem类,成为以下代码:
import scrapy class MytestprojectItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() url=scrapy.Field() time=scrapy.Field() title=scrapy.Field() content=scrapy.Field() pass
然后修改CnblogsSpider.py,成为以下内容:
import scrapy from myTestProject.items import MytestprojectItem class CnblogsSpider(scrapy.Spider): name="cnblogs" start_urls=["https://www.cnblogs.com/bai2018/"] def parse(self,response): papers=response.xpath(".//*[@class='day']") for paper in papers: url=paper.xpath(".//*[@class='postTitle']/a/@href").extract() title=paper.xpath(".//*[@class='postTitle']/a/text()").extract() time=paper.xpath(".//*[@class='dayTitle']/a/text()").extract() content=paper.xpath(".//*[@class='postCon']/div/text()").extract() item=MytestprojectItem(url=url,title=title,time=time,content=content) yield item pass
将提取出的内容封装成Item对象,使用关键字yield提交。
强化爬虫模块-翻页
有时候就是需要翻页,以获取更多数据,然后解析。
修改CnblogsSpider.py,成为以下内容:
import scrapy from scrapy import Selector from myTestProject.items import MytestprojectItem class CnblogsSpider(scrapy.Spider): name="cnblogs" allowd_domains=["cnblogs.com"] start_urls=["https://www.cnblogs.com/bai2018/"] def parse(self,response): papers=response.xpath(".//*[@class='day']") for paper in papers: url=paper.xpath(".//*[@class='postTitle']/a/@href").extract() title=paper.xpath(".//*[@class='postTitle']/a/text()").extract() time=paper.xpath(".//*[@class='dayTitle']/a/text()").extract() content=paper.xpath(".//*[@class='postCon']/div/text()").extract() item=MytestprojectItem(url=url,title=title,time=time,content=content) yield item next_page=Selector(response).re(u'<a href="(S*)">下一页</a>') if next_page: yield scrapy.Request(url=next_page[0],callback=self.parse) pass
在scrapy的选择器方面,使用xpath和css,可以直接将CnblogsSpider下的parse方法中的response参数使用,如response.xpath或response.css。
而更通用的方式是:使用Selector(response).xxx。针对re则为Selector(response).re。
关于yield的说明:https://blog.csdn.net/mieleizhi0522/article/details/82142856
强化爬虫模块-存储
当Item在Spider中被收集时候,会传递到Item Pipeline。
修改pipelines.py成为以下内容:
import json from scrapy.exceptions import DropItem class MytestprojectPipeline(object): def __init__(self): self.file=open('papers.json','wb') def process_item(self, item, spider): if item['title']: line=json.dumps(dict(item))+" " self.file.write(line.encode()) return item else: raise DropItem("Missing title in %s"%item)
重新实现process_item方法,收集item和该item对应的spider。然后创建papers.json,转化item为字典,存储到json表中。
另外,根据提示打开pipelines.py的开关。在settings.py中,使能ITEM_PIPELINES的开关如下:
然后在cmd中执行scrapy crawl cnblogs即可
另外,还可以使用scrapy crawl cnblogs -o papers.csv进行存储为csv文件。
需要更改编码,将csv文件以记事本方式重新打开,更正编码后重新保存,查看即可。
强化爬虫模块-图像下载保存
设定setting.py
ITEM_PIPELINES = { 'myTestProject.pipelines.MytestprojectPipeline':300, 'scrapy.pipelines.images.ImagesPipeline':1 } IAMGES_STORE='.//cnblogs' IMAGES_URLS_FIELD = 'cimage_urls' IMAGES_RESULT_FIELD = 'cimages' IMAGES_EXPIRES = 30 IMAGES_THUMBS = { 'small': (50, 50), 'big': (270, 270) }
修改items.py为:
import scrapy class MytestprojectItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() url=scrapy.Field() time=scrapy.Field() title=scrapy.Field() content=scrapy.Field() cimage_urls=scrapy.Field() cimages=scrapy.Field() pass
修改CnblogsSpider.py为:
import scrapy from scrapy import Selector from myTestProject.items import MytestprojectItem class CnblogsSpider(scrapy.Spider): name="cnblogs" allowd_domains=["cnblogs.com"] start_urls=["https://www.cnblogs.com/bai2018/"] def parse(self,response): papers=response.xpath(".//*[@class='day']") for paper in papers: url=paper.xpath(".//*[@class='postTitle']/a/@href").extract()[0] title=paper.xpath(".//*[@class='postTitle']/a/text()").extract() time=paper.xpath(".//*[@class='dayTitle']/a/text()").extract() content=paper.xpath(".//*[@class='postCon']/div/text()").extract() item=MytestprojectItem(url=url,title=title,time=time,content=content) request=scrapy.Request(url=url, callback=self.parse_body) request.meta['item']=item yield request next_page=Selector(response).re(u'<a href="(S*)">下一页</a>') if next_page: yield scrapy.Request(url=next_page[0],callback=self.parse) pass def parse_body(self, response): item = response.meta['item'] body = response.xpath(".//*[@class='postBody']") item['cimage_urls'] = body.xpath('.//img//@src').extract() yield item
总之,修改以上三个位置。在有时候配置正确的时候却出现图像等下载失败,则可能是由于setting.py的原因,需要重新修改。
启动爬虫
建立main函数,传递初始化信息,导入指定类。如:
from scrapy.crawler import CrawlerProcess from scrapy.utils.project import get_project_settings from myTestProject.spiders.CnblogSpider import CnblogsSpider if __name__=='__main__': process = CrawlerProcess(get_project_settings()) process.crawl('cnblogs') process.start()
修正
import scrapy from scrapy import Selector from cnblogSpider.items import CnblogspiderItem class CnblogsSpider(scrapy.Spider): name="cnblogs" allowd_domains=["cnblogs.com"] start_urls=["https://www.cnblogs.com/bai2018/"] def parse(self,response): papers=response.xpath(".//*[@class='day']") for paper in papers: urls=paper.xpath(".//*[@class='postTitle']/a/@href").extract() titles=paper.xpath(".//*[@class='postTitle']/a/text()").extract() times=paper.xpath(".//*[@class='dayTitle']/a/text()").extract() contents=paper.xpath(".//*[@class='postCon']/div/text()").extract() for i in range(len(urls)): url=urls[i] title=titles[i] time=times[0] content=contents[i] item=CnblogspiderItem(url=url,title=title,time=time,content=content) request = scrapy.Request(url=url, callback=self.parse_body) request.meta['item'] = item yield request next_page=Selector(response).re(u'<a href="(S*)">下一页</a>') if next_page: yield scrapy.Request(url=next_page[0],callback=self.parse) pass def parse_body(self, response): item = response.meta['item'] body = response.xpath(".//*[@class='postBody']") item['cimage_urls'] = body.xpath('.//img//@src').extract() yield item
我的博客即将同步至腾讯云+社区,邀请大家一同入驻:https://cloud.tencent.com/developer/support-plan?invite_code=813cva9t28s6