Date: 2019-07-15
Author: Sun
Scrapy是一个为了爬取网站数据、提取结构化数据而编写的爬虫应用框架。Scrapy内部实现了包括并发请求、免登录、URL去重等很多复杂操作，用户不需要明白Scrapy内部具体的爬取策略，只需要根据自己的需要，编写小部分的代码，就能抓取到所需要的数据
此节我们学习下如何采用采用scrapy进行项目流程开发和配置
一 项目准备工作
1. 创建爬虫项目
使用startproject命令创建项目
scrapy startproject scrapy_proj #使用scrapy产生一个scrapy_name爬虫项目
2 生成爬虫项目
使用genspider命令在项目中创建爬虫脚本
cd scrapy_proj/scrapy_proj
scrapy genspider --list
scrapy genspider myspider "www.myspider_domain.com"
此时会在scrapy_proj/spiders/产生一个新的文件myspider.py
这个是我们的爬取页面的主入口和页面下载完成后解析主入口。
Scrapy项目文件结构
- items.py 负责数据模型的建立，类似于实体类。
- middlewares.py 自己定义的中间件。
- pipelines.py 负责对spider返回数据的处理。 （管道文件）
- settings.py 负责对整个爬虫的配置。 （项目配置）
- spiders目录 负责存放继承自scrapy的爬虫类。（写代码的位置）
- scrapy.cfg scrapy基础配置
3 项目配置
设置settings.py 文件，设置相关的配置信息，具体配置见下面参数的说明
配置文件参数说明
（1）ROBOTSTXT_OBEY = True ————— 是否遵守robots.txt规则
说明：
robots.txt 是遵循 Robot协议 的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，本网站哪些目录下的网页 不希望 你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的 robots.txt 文件，然后决定该网站的爬取范围。（在某些情况下我们想要获取的内容恰恰是被 robots.txt 所禁止访问的。所以，某些时候，我们就要将此配置项设置为 False ，拒绝遵守 Robot协议 ！）
（2）CONCURRENT_REQUESTS = 16-----------开启线程数量，默认16，可以自行设置
这个参数涉及到scrapy爬取的并发量，items的处理速度
（3）DOWNLOAD_DELAY = 3 ——— 下载延迟时间。下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度， 减轻服务器压力。(反爬策略之一)
（4）CONCURRENT_REQUESTS_PER_DOMAIN = 16 将对任何单个域执行的并发（即同时）请求的最大数量。
CONCURRENT_REQUESTS_PER_IP = 16 将对任何单个IP执行的并发（即同时）请求的最大数量。如果非零，CONCURRENT_REQUESTS_PER_DOMAIN则忽略该 设置，而改为使用此设置。换句话说，并发限制将应用于每个IP，而不是每个域。
（5）COOKIES_ENABLED = False
是否启用cookie。是否启用cookies middleware。如果关闭，cookies将不会发送给web server。
除非您真的 需要，否则请禁止cookies。在进行通用爬取时cookies并不需要， (搜索引擎则忽略cookies)。禁止cookies能减少CPU使用率及Scrapy爬虫在内存中记录的踪迹，提高性能。
COOKIES_DEBUG：默认： False
如果启用，Scrapy将记录所有在request(cookie 请求头)发送的cookies及response接收到的cookies（set-cookie接收头）
（6）AUTOTHROTTLE_START_DELAY = 5
初始下载延迟时间(单位：秒)
（7）AUTOTHROTTLE_MAX_DELAY = 60
高并发请求时最大延迟时间(单位：秒)
(8) USER_AGENT 用户代理
这个是至关重要的，大部分服务器在请求快了会首先检查User_Agent,而scrapy默认的浏览器头是scrapy1.1 我们需要开启并且修改成浏览器头，如：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1。 但是最好是这个USER-AGENT会随机自动更换最好了。
（8）DEFAULT_REQUEST_HEADERS
默认请求头部信息，例如如下配置
DEFAULT_REQUEST_HEADERS = {
'accept': 'image/webp,*/*;q=0.8',
'accept-language': 'zh-CN,zh;q=0.8',
'referer': 'https://www.taobao.com/',
'user-agent': 'Mozilla/5.0 (Windows NT 6.3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36',
}
这个是浏览器请求头，很多网站都会检查客户端的headers，比如豆瓣就是每一个请求都检查headers的user_agent，否则只会返回403，可以开启user-agent
(9) SPIDER_MIDDLEWARES
Spider中间件是介入到Scrapy中的spider处理机制的钩子框架，可以插入自定义功能来处理发送给 Spiders 的response，以及spider产生的item和request。
要启用Spider中间件(Spider Middlewares)，可以将其加入到 SPIDER_MIDDLEWARES 设置中。 该设置是一个字典，键为中间件的路径，值为中间件的顺序(order)。
(10) DOWNLOADER_MIDDLEWARES
要激活下载器中间件组件，将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict)，键为中间件类的路径，值为其中间件的顺序(order)。
（11）ITEM_PIPELINES
每个Item Pipeline组件其实就是一个实现了一个简单方法的Python类。他们接受一个item并在上面执行逻辑，还能决定这个item到底是否还要继续往下传输，如果不要了就直接丢弃。
（12）AUTOTHROTTLE — 自动限速 （反爬策略之一）
AUTOTHROTTLE_ENABLED = True #初始下载延迟
# The initial download delay
AUTOTHROTTLE_START_DELAY = 5 #在高延迟的情况下设置的最大下载延迟
# The maximum download delay to be set in case of high latencies
AUTOTHROTTLE_MAX_DELAY = 60 #Scrapy请求的平均数量应该并行发送每个远程服务器
# The average number of requests Scrapy should be sending in parallel to
# each remote server
AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
AUTOTHROTTLE_DEBUG = False
（13）是否启用在本地缓存，如果开启会优先读取本地缓存，从而加快爬取速度，视情况而定
HTTPCACHE_ENABLED = True
HTTPCACHE_EXPIRATION_SECS = 0
HTTPCACHE_DIR = 'httpcache'
HTTPCACHE_IGNORE_HTTP_CODES = []
HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
如何在scrapy中加入日志功能？
答案：在settings.py中加入如下信息
LOG_LEVEL= 'INFO' #日志级别
LOG_FILE ='log.txt' #日志打印的文件名称
DEBUG < INFO < WARNING < ERROR
日志案例：（settings.py中设置如下信息）
############### log settings begin ######################
LOG_LEVEL = "INFO"
from datetime import datetime
import os
today = datetime.now()
LOG_DIR = "logs"
if not os.path.exists(LOG_DIR):
os.mkdir(LOG_DIR)
LOG_FILE = "{}/scrapy_{}_{}_{}.log".format(LOG_DIR, today.year, today.month, today.day)
############### log settings end ######################
二。案例分析
糗事百科的主页：www.qiushibaike.com
1 创建爬虫项目
使用startproject命令创建项目（糗事百科爬虫项目）
scrapy startproject qiubai_proj #使用scrapy产生一个scrapy_name爬虫项目
2 生成创建爬虫脚本
使用genspider命令在项目中创建爬虫脚本
cd qiubai_proj/qiubai_proj
scrapy genspider qiubai "www.qiushibaike.com"
此时会在qiubai_proj/spiders/产生一个新的文件qiubai.py
这个是我们的爬取页面的主入口和页面下载完成后解析主入口。
修改配置文件settings.py：
BOT_NAME = 'qiubai_proj'
SPIDER_MODULES = ['qiubai_proj.spiders']
NEWSPIDER_MODULE = 'qiubai_proj.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'qiubai_proj (+http://www.yourdomain.com)'
USER_AGENT = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) " \
"AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"
# Obey robots.txt rules
#ROBOTSTXT_OBEY = True
ROBOTSTXT_OBEY = False
LOG_LEVEL= 'DEBUG'
3. 数据模型
分析糗事百科网站，定义数据模型用于保存爬取的数据。
编辑文件qiubai_proj/qiubai_proj/items.py, 内容如下：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class QiubaiProjItem(scrapy.Item):
# define the fields for your item here like:
#保存头像链接
image_url = scrapy.Field()
#保存名字
name = scrapy.Field()
#保存年龄
age = scrapy.Field()
#保存内容
content = scrapy.Field()
#好笑的个数
haha_count = scrapy.Field()
4. spiders中编写爬取逻辑
关于xpath语法使用请参考day03中的xpath语法章节。
# -*- coding: utf-8 -*-
import scrapy
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
allowed_domains = ['www.qiushibaike.com']
start_urls = ['http://www.qiushibaike.com/'] #主入口url
#parse函数就是文件解析函数，response就是响应对象
def parse(self, response):
# with open("qiubai.html", 'w', encoding="utf-8") as f:
# f.write(response.text)
div_list = response.xpath('//div[starts-with(@id, "qiushi_tag_")]')
print(type(div_list))
#遍历列表，获取列表内容
item_list = []
for div in div_list:
'''
先通过xpath获取内容，返回的是一个列表
然后通过extract()转换成unicode字符串，再获取第0个, 也就是指定的内容
将解析到的内容保存到字典中
'''
image_url = div.xpath('./div[@class="author clearfix"]//img/@src').extract_first()
name = div.xpath('./div[@class="author clearfix"]//h2/text()').extract_first()
age = div.xpath('./div[@class="author clearfix"]/div/text()').extract_first()
content = div.xpath('./a/div[@class="content"]/span/text()').extract()
content = ' '.join(content)
haha_count = div.xpath('./div[@class="stats"]/span[@class="stats-vote"]/i/text()').extract()[0]
item = dict(
image_url = image_url,
name = name,
age = age,
content = content,
haha_count = haha_count
)
yield item
#item_list.append(item)
#return item_list
5 运行spider
5.1 数据格式化输出：
（1）保存爬取的内容到json文件中
scrapy crawl qiubai -o qiubai.json
可以查看产生的json文件，将内容拷贝到json在线格式网站
https://www.json.cn/， 看数据爬取是否和真实相符。
（2）保存爬取的数据到xml文件中
scrapy crawl qiubai -o qiubai.xml
（3）保存爬取的数据到数据报表csv文件中
scrapy crawl qiubai -o qiubai.csv
知识总结：
通过指令创建爬虫文件
cd qiubai_proj/qiubai_proj
scrapy genspider qiubai "www.qiushibaike.com"
那么就会在firstSpider/firstSpider/spiders里面自动创建一个qiubai.py
name: 爬虫的名字，启动的时候根据爬虫的名字启动项目
allowed_domains：允许的域名，就是爬取的时候这个请求要不要发送，如果是该允许域名之下的url，就会发送，如果不是，则过滤掉这个请求，这是一个列表，可以写多个允许的域名
start_urls：爬虫起始url，是一个列表，里面可以写多个，一般只写一个
def parse(self, response): 这个函数非常重要，就是你以后写代码的地方，parse函数名是固定的，当收到下载数据的时候会自动的调用这个方法，该方法第二个参数为response，这是一个响应对象，从该对象中获取html字符串，然后解析之。
6. 数据持久化
糗事百科的主页：www.qiushibaike.com
本节我们将对上节数据进行数据保存（持久化）
本节分别将数据保存到json文件和mysql数据库中
6.1 保存数据到json文件
使用 Scrapy 提供的 exporter 存储 Json 数据
Scrapy 为我们提供了一个 JsonItemExporter 类来进行 Json 数据的存储，非常方便
-
修改上节中的spiders
使用yield改造，使得spider成为一个生成器，不断地往pipeline里面流入待处理的数据
# -*- coding: utf-8 -*-
import scrapy
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
allowed_domains = ['www.qiushibaike.com']
start_urls = ['http://www.qiushibaike.com/'] # 主入口url
# parse函数就是文件解析函数，response就是响应对象
def parse(self, response):
# with open("qiubai.html", 'w', encoding="utf-8") as f:
# f.write(response.text)
div_list = response.xpath('//div[starts-with(@id, "qiushi_tag_")]')
#print(type(div_list))
# 遍历列表，获取列表内容
item_list = []
for div in div_list:
'''
先通过xpath获取内容，返回的是一个列表
然后通过extract()转换成unicode字符串，再获取第0个, 也就是指定的内容
将解析到的内容保存到字典中
'''
image_url = div.xpath('./div[@class="author clearfix"]//img/@src').extract_first()
name = div.xpath('./div[@class="author clearfix"]//h2/text()').extract_first().strip("\n")
age = div.xpath('./div[@class="author clearfix"]/div/text()').extract_first()
contents = div.xpath('./a/div[@class="content"]/span/text()').extract()
content = ' '.join([ct.strip() for ct in contents])
haha_count = div.xpath('./div[@class="stats"]/span[@class="stats-vote"]/i/text()').extract()[0]
item = dict(
image_url=image_url,
name=name,
age=age,
content=content,
haha_count=haha_count
)
yield item
# item_list.append(item)
# return item_list
- 首先要开启pipeline开关
在settings.py文件中开启ITEM_PIPELINES选项，开启如下信息
# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'qiubai_proj.pipelines.QiubaiProjPipeline': 300,
}
-
pipelines的逻辑处理
通过pipelines将spiders转发过来的item数据进行导入到json报表中
编辑qiubai_proj/pipelines.py文件，添加如下内容
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html from scrapy.exporters import JsonItemExporter class QiubaiProjPipeline(object): # 调用 scrapy 提供的 json exporter 导出 json 文件 def __init__(self): self.file = open('questions_exporter.json', 'wb') # 初始化 exporter 实例，执行输出的文件和编码 self.exporter = JsonItemExporter(self.file, encoding='utf-8', ensure_ascii=False) # 开启倒入数据 self.exporter.start_exporting() def close_spider(self, spider): self.exporter.finish_exporting() self.file.close() def process_item(self, item, spider): ''' 使用 scrapy.exporters.JsonItemExporter 生成的文件 ''' print("########### pipelines begin ###############") #print(item) self.exporter.export_item(item) print("########### pipelines end ###############") return item
上述pipeline将统计的item结果数据保存到questions_exporter.json中
-
添加日志功能
settings.py中添加日志功能 文件及路径，log目录需要先建好
today = datetime.now()
log_file_path = "log/scrapy_{}{}{}.log".format(today.year, today.month, today.day)
日志输出
LOG_LEVEL = 'DEBUG'
LOG_FILE = log_file_path
- 运行spider
scrapy crawl qiubai
运行成功后，可以查看questions_exporter.json文件
6.2 保存数据到mysql数据库
依赖库：pymysql
Twisted 是一个异步网络框架，不幸的是大部分数据库api实现只有阻塞式接口，twisted.enterprise.adbapi为此产生，它是DB-API 2.0 API的非阻塞接口，可以访问各种关系数据库。
不同于直接创建数据库连接, 而是使用 adbapi.ConnectionPool 类来管理连接. 这就可以让 adbapi 来使用多个连接, 比如每个线程一个连接，这很简单:
使用前面例子的 "dbmodule" , 来创建一个 ConnectionPool 对象
from twisted.enterprise import adbapi连接mysql，要这样：
_conn = adbapi.ConnectionPool(' db='test', user='root', passwd='aaaa', host='localhost',use_unicode=True, charset='utf8'*)
-
数据库定义
创建数据库
create database qiubai_db default charset=utf8; CREATE TABLE qiubai ( id int(11) PRIMARY KEY auto_increment COMMENT '设置主键自增', image_url varchar(150) NOT NULL COMMENT '图片url链接', name VARCHAR(50) COMMENT '名称', age VARCHAR(10) COMMENT '年龄', content VARCHAR(500) COMMENT '内容', haha_count INT COMMENT '笑点数' ) ENGINE=InnoDB DEFAULT CHARSET=utf8;
将上述内容放入到table.sql文件，进入mysql终端中，执行 source ./table.sql;
创建数据库和表成功！
- 修改配置文件
settings.py文件中添加如下mysql数据库配置信息：
MYSQL_SETTINGS = {
'HOST':'192.168.51.63', #数据库地址
'DATABASE':'qiubai_proj', #数据库名称
'USER':'zhougy', #登陆用户名
'PASSWORD':'123456', #登陆密码
'CHARSET':'utf8', #字符编码
}
- 添加数据库操作的pipeline
添加文件 mysql_pipelines.py, 内容添加如下：
scrapy框架底层网络库是twisted，同时他也
此文件采用twisted.enterprise.adbapi异步处理接口处理mysql操作
# -*- coding: utf-8 -*-
__author__ = 'zhougy'
__date__ = '2018/9/2 下午7:26'
import json
import pymysql
from twisted.enterprise import adbapi
from .settings import MYSQL_SETTINGS
import logging
class MysqlTwistedPipline(object):
def __init__(self, dbpool):
self.dbpool = dbpool
@classmethod
def from_settings(cls, settings):
dbparms = dict(
host=MYSQL_SETTINGS['HOST'],
db=MYSQL_SETTINGS['DATABASE'],
user=MYSQL_SETTINGS['USER'],
passwd=MYSQL_SETTINGS['PASSWORD'],
charset=MYSQL_SETTINGS['CHARSET'],
cursorclass=pymysql.cursors.DictCursor, # 指定 curosr 类型
use_unicode=True,
)
# 指定擦做数据库的模块名和数据库参数参数
dbpool = adbapi.ConnectionPool("pymysql", **dbparms)
return cls(dbpool)
def process_item(self, item, spider):
'''
使用twisted将mysql插入变成异步处理
:param item:
:param spider:
:return:
'''
query = self.dbpool.runInteraction(self.db_insert, item)
# 指定异常处理方法
query.addErrback(self.handle_error, item, spider) # 处理异常
return item
def handle_error(self, failure, item, spider):
# 处理异步插入的异常
print("######################1")
#print(item)
#print(failure)
logging.error(f"handler_error has error failure: {failure}")
logging.warning()
print("########################2")
def db_insert(self, cursor, item):
# 执行具体的插入
# 根据不同的item 构建不同的sql语句并插入到mysql中
insert_sql, params = self.get_insert_sql(item)
cursor.execute(insert_sql, params)
logging.info(f"write db ok with data:{item['name']}")
def get_insert_sql(self, item):
insert_sql = """
insert into qiubai(image_url, name, age, content, haha_count)
VALUES (%s, %s, %s, %s, %s)
"""
params = (
item["image_url"], item["name"], item["age"], item["content"],
item["haha_count"])
return insert_sql, params
至此，基于mysql的pipeline异步处理管道逻辑就已经完成。
修改配置文件settings.py
将上述MysqlTwistedPipline管道处理类添加到配置文件中
ITEM_PIPELINES = {
'qiubai_proj.pipelines.QiubaiProjPipeline': 300,
'qiubai_proj.mysql_pipelines.MysqlTwistedPipline': 300,
}
运行启动spider
scrapy crawl qiubai
运行成功后，可以查看数据库表数据。