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。 其可以应用在数据挖掘，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
一、安装
1 pip install Scrapy注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/
二、基本使用
1、创建项目
运行命令:
1 scrapy startproject your_project_name自动创建目录：
1 project_name/ 2 3 scrapy.cfg 5 project_name/ 7 __init__.py 9 items.py 11 pipelines.py 13 settings.py 15 spiders/ 17 __init__.py 18
- 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。（真正爬虫相关的配置信息在settings.py文件中）
- 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
- 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
2、编写爬虫
在spiders目录中新建 xiaohuar_spider.py 文件
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 import scrapy 4 5 class XiaoHuarSpider(scrapy.spiders.Spider): 6 name = "xiaohuar" 7 allowed_domains = ["xiaohuar.com"] 8 start_urls = [ 9 "http://www.xiaohuar.com/hua/", 10 ] 11 12 def parse(self, response): 13 # print(response, type(response)) 14 # from scrapy.http.response.html import HtmlResponse 15 # print(response.body_as_unicode()) 16 17 current_url = response.url 18 body = response.body 19 unicode_body = response.body_as_unicode()
3、运行
进入project_name目录，运行命令
1 scrapy crawl spider_name --nolog4、递归的访问
以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 import scrapy 4 from scrapy.http import Request 5 from scrapy.selector import HtmlXPathSelector 6 import re 7 import urllib 8 import os 9 10 11 class XiaoHuarSpider(scrapy.spiders.Spider): 12 name = "xiaohuar" 13 allowed_domains = ["xiaohuar.com"] 14 start_urls = [ 15 "http://www.xiaohuar.com/list-1-1.html", 16 ] 17 18 def parse(self, response): 19 # 分析页面 20 # 找到页面中符合规则的内容（校花图片），保存 21 # 找到所有的a标签，再访问其他a标签，一层一层的搞下去 22 23 hxs = HtmlXPathSelector(response) 24 25 # 如果url是 http://www.xiaohuar.com/list-1-d+.html 26 if re.match('http://www.xiaohuar.com/list-1-d+.html', response.url): 27 items = hxs.select('//div[@class="item_list infinite_scroll"]/div') 28 for i in range(len(items)): 29 src = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract() 30 name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() 31 school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() 32 if src: 33 ab_src = "http://www.xiaohuar.com" + src[0] 34 file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) 35 file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name) 36 urllib.urlretrieve(ab_src, file_path) 37 38 # 获取所有的url，继续访问，并在其中寻找相同的url 39 all_urls = hxs.select('//a/@href').extract() 40 for url in all_urls: 41 if url.startswith('http://www.xiaohuar.com/list-1-'): 42 yield Request(url, callback=self.parse) 43
以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。
1 from scrapy.selector import Selector 2 from scrapy.http import HtmlResponse 3 html = """<!DOCTYPE html> 4 <html> 5 <head lang="en"> 6 <meta charset="UTF-8"> 7 <title></title> 8 </head> 9 <body> 10 <li class="item-"><a href="link.html">first item</a></li> 11 <li class="item-0"><a href="link1.html">first item</a></li> 12 <li class="item-1"><a href="link2.html">second item</a></li> 13 </body> 14 </html> 15 """ 16 response = HtmlResponse(url='http://example.com', body=html,encoding='utf-8') 17 ret = Selector(response=response).xpath('//li[re:test(@class, "item-d*")]//@href').extract() 18 print(ret)
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 4 import scrapy 5 import hashlib 6 from tutorial.items import JinLuoSiItem 7 from scrapy.http import Request 8 from scrapy.selector import HtmlXPathSelector 9 10 11 class JinLuoSiSpider(scrapy.spiders.Spider): 12 count = 0 13 url_set = set() 14 15 name = "jluosi" 16 domain = 'http://www.jluosi.com' 17 allowed_domains = ["jluosi.com"] 18 19 start_urls = [ 20 "http://www.jluosi.com:80/ec/goodsDetail.action?jls=QjRDNEIzMzAzOEZFNEE3NQ==", 21 ] 22 23 def parse(self, response): 24 md5_obj = hashlib.md5() 25 md5_obj.update(response.url) 26 md5_url = md5_obj.hexdigest() 27 if md5_url in JinLuoSiSpider.url_set: 28 pass 29 else: 30 JinLuoSiSpider.url_set.add(md5_url) 31 hxs = HtmlXPathSelector(response) 32 if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'): 33 item = JinLuoSiItem() 34 item['company'] = hxs.select('//div[@class="ShopAddress"]/ul/li[1]/text()').extract() 35 item['link'] = hxs.select('//div[@class="ShopAddress"]/ul/li[2]/text()').extract() 36 item['qq'] = hxs.select('//div[@class="ShopAddress"]//a/@href').re('.*uin=(?P<qq>d*)&') 37 item['address'] = hxs.select('//div[@class="ShopAddress"]/ul/li[4]/text()').extract() 38 39 item['title'] = hxs.select('//h1[@class="goodsDetail_goodsName"]/text()').extract() 40 41 item['unit'] = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()').extract() 42 product_list = [] 43 product_tr = hxs.select('//table[@class="R_WebDetail_content_tab"]//tr') 44 for i in range(2,len(product_tr)): 45 temp = { 46 'standard':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()' %i).extract()[0].strip(), 47 'price':hxs.select('//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()' %i).extract()[0].strip(), 48 } 49 product_list.append(temp) 50 51 item['product_list'] = product_list 52 yield item 53 54 current_page_urls = hxs.select('//a/@href').extract() 55 for i in range(len(current_page_urls)): 56 url = current_page_urls[i] 57 if url.startswith('http://www.jluosi.com'): 58 url_ab = url 59 yield Request(url_ab, callback=self.parse)
1 def parse(self, response): 2 from scrapy.http.cookies import CookieJar 3 cookieJar = CookieJar() 4 cookieJar.extract_cookies(response, response.request) 5 print(cookieJar._cookies)
更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
5、格式化处理
上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。
在items.py中创建类：
1 # -*- coding: utf-8 -*- 2 3 # Define here the models for your scraped items 4 # 5 # See documentation in: 6 # http://doc.scrapy.org/en/latest/topics/items.html 7 8 import scrapy 9 10 class JieYiCaiItem(scrapy.Item): 11 12 company = scrapy.Field() 13 title = scrapy.Field() 14 qq = scrapy.Field() 15 info = scrapy.Field() 16 more = scrapy.Field()
1 #!/usr/bin/env python 2 # -*- coding:utf-8 -*- 3 4 import scrapy 5 import hashlib 6 from beauty.items import JieYiCaiItem 7 from scrapy.http import Request 8 from scrapy.selector import HtmlXPathSelector 9 from scrapy.spiders import CrawlSpider, Rule 10 from scrapy.linkextractors import LinkExtractor 11 12 13 class JieYiCaiSpider(scrapy.spiders.Spider): 14 count = 0 15 url_set = set() 16 17 name = "jieyicai" 18 domain = 'http://www.jieyicai.com' 19 allowed_domains = ["jieyicai.com"] 20 21 start_urls = [ 22 "http://www.jieyicai.com", 23 ] 24 25 rules = [ 26 #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换) 27 #Rule(SgmlLinkExtractor(allow=(r'http://test_url/test?page_index=d+'))), 28 #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换) 29 #Rule(LinkExtractor(allow=(r'http://www.jieyicai.com/Product/Detail.aspx?pid=d+')), callback="parse"), 30 ] 31 32 def parse(self, response): 33 md5_obj = hashlib.md5() 34 md5_obj.update(response.url) 35 md5_url = md5_obj.hexdigest() 36 if md5_url in JieYiCaiSpider.url_set: 37 pass 38 else: 39 JieYiCaiSpider.url_set.add(md5_url) 40 41 hxs = HtmlXPathSelector(response) 42 if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'): 43 item = JieYiCaiItem() 44 item['company'] = hxs.select('//span[@class="username g-fs-14"]/text()').extract() 45 item['qq'] = hxs.select('//span[@class="g-left bor1qq"]/a/@href').re('.*uin=(?P<qq>d*)&') 46 item['info'] = hxs.select('//div[@class="padd20 bor1 comard"]/text()').extract() 47 item['more'] = hxs.select('//li[@class="style4"]/a/@href').extract() 48 item['title'] = hxs.select('//div[@class="g-left prodetail-text"]/h2/text()').extract() 49 yield item 50 51 current_page_urls = hxs.select('//a/@href').extract() 52 for i in range(len(current_page_urls)): 53 url = current_page_urls[i] 54 if url.startswith('/'): 55 url_ab = JieYiCaiSpider.domain + url 56 yield Request(url_ab, callback=self.parse)
此处代码的关键在于：
- 将获取的数据封装在了Item对象中
- yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）
1 # -*- coding: utf-8 -*- 2 3 # Define your item pipelines here 4 # 5 # Don't forget to add your pipeline to the ITEM_PIPELINES setting 6 # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html 7 8 import json 9 from twisted.enterprise import adbapi 10 import MySQLdb.cursors 11 import re 12 13 mobile_re = re.compile(r'(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}') 14 phone_re = re.compile(r'(d+-d+|d+)') 15 16 class JsonPipeline(object): 17 18 def __init__(self): 19 self.file = open('/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json', 'wb') 20 21 22 def process_item(self, item, spider): 23 line = "%s %s " % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8')) 24 self.file.write(line) 25 return item 26 27 class DBPipeline(object): 28 29 def __init__(self): 30 self.db_pool = adbapi.ConnectionPool('MySQLdb', 31 db='DbCenter', 32 user='root', 33 passwd='123', 34 cursorclass=MySQLdb.cursors.DictCursor, 35 use_unicode=True) 36 37 def process_item(self, item, spider): 38 query = self.db_pool.runInteraction(self._conditional_insert, item) 39 query.addErrback(self.handle_error) 40 return item 41 42 def _conditional_insert(self, tx, item): 43 tx.execute("select nid from company where company = %s", (item['company'][0], )) 44 result = tx.fetchone() 45 if result: 46 pass 47 else: 48 phone_obj = phone_re.search(item['info'][0].strip()) 49 phone = phone_obj.group() if phone_obj else ' ' 50 51 mobile_obj = mobile_re.search(item['info'][1].strip()) 52 mobile = mobile_obj.group() if mobile_obj else ' ' 53 54 values = ( 55 item['company'][0], 56 item['qq'][0], 57 phone, 58 mobile, 59 item['info'][2].strip(), 60 item['more'][0]) 61 tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values) 62 63 def handle_error(self, e): 64 print 'error',e
上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。
在settings.py中做如下配置：
1 ITEM_PIPELINES = { 2 'beauty.pipelines.DBPipeline': 300, 3 'beauty.pipelines.JsonPipeline': 100, 4 } 5 # 每行后面的整型值，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。
归类 : Python爬虫