一、介绍
Scrapy 是一个基于Twisted 的异步处理框架，是纯 Python 实现的爬虫框架，其架构清晰，模块之间耦合较低，扩展性和灵活强，是目前 Python 中使用最广泛的爬虫框架。
-
架构示意图；
它分为以下几个部分：
-
Engine：引擎，处理整个系统的数据流处理、触发事务，是整个框架的核心。
-
Item：项目，它定义了爬取数据结果的数据结构，爬取的数据会被赋值成该 Item 对象。
-
Scheduler：调度器，接受引擎发送过来的请求并将其加入到队列中，在引擎再次请求的时候提供给引擎。
-
Downloader：下载器，下载网页内容并将其返回给Spiders。
-
Spiders：蜘蛛，其内定义了爬取的逻辑和网页的解析规则，它主要任务是负责解析响应并生成提取结果和新的请求。
-
Item Pipeline：项目管道，负责处理由 Spiders 从网页中抽取的项目，它的主要任务是清洗、验证和存储数据。
-
Downloader Middlewares：下载中间件，位于引擎和下载器之间的钩子框架，主要处理引擎与下载器之间的请求及响应。
-
Spider Middlewares：蜘蛛中间件，位于引擎和蜘蛛之间的钩子框架，主要处理蜘蛛输入的响应和输出的结果及新的请求。
-
-
项目结构
Scrapy 框架通过命令行来创建项目，IDE 编写代码，项目文件结构如下所示：
scrapy.cfg # Scrapy 项目配置文件 project/ __init__.py items.py # 它定义了 Item 数据结构 pipelines.py # 它定义了 Item Pipeline 的实像 settings.py # 它定义了项目的全局配置 middlewares.py # 它定义了 Spider、Downloader 的中间件的实现 spiders/ # 其内包含了一个个 spider 的实现 __init__.py spider1.py spider2.py ...
二、Scrapy 入门 Demo
目标：
- 创建一个 Scrapy 项目。
- 创建一个 Spider 来抓取站点和处理数据。
- 通过命令行将抓取的内容导出。
- 将抓取的内容保存到 MongoDB 数据库。
-
创建一个 Scrapy 项目：
scrapy startproject tutorial文件夹结构如下：
-
创建 Spider
自定义的 Spider 类必须继承
scrapy.Spider类。使用命令行自定义一个 Quotes Spider。cd tutorial # 进入刚才创建的 tutorial，即进入项目的根路径 scrapy genspider quotes quotes.toscrape.com # 执行 genspider 命令，第一个参数是 Spider 的名称，第二个参数是网站域名。然后 spiders 下就多了个 quotes.py 文件：
# -*- coding: utf-8 -*- import scrapy class QuotesSpider(scrapy.Spider): # 每个 spider 独特的名字以便区分 name = 'quotes' # 要爬取的链接的域名，若链接不在这个域名下，会被过滤 allowed_domains = ['quotes.toscrape.com'] # 它包含了 Spider 在启动时爬取的 url 列表请求 start_urls = ['http://quotes.toscrape.com/'] # 当上述的请求在完成下载后，返回的响应作为参数，该方法负责解析返回的响应、提取数据或进一步生成要处理的请求 def parse(self, response): pass -
创建 Item
Item 是用来保存爬取数据的容器（数据结构），使用方法类似与字典，不过多了额外的保护机制避免拼写错误。创建自定义的 Item 也需要继承
scrapy.Item类并且定义类型为scrapy.Filed的字段。修改items.py如下：import scrapy class QuoteItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() text = scrapy.Field() author = scrapy.Field() tags = scrapy.Field() pass -
解析 Response
首先打开自定义的 Spider 中的首个请求：http://quotes.toscrape.com/，查看网页结构，发现每一页都有多个 class 为 quote 的区块，每个区块内都含有 text、author、tags。
所以，修改自定义 Spider 中的 parse 方法如下：
# -*- coding: utf-8 -*- import scrapy class QuotesSpider(scrapy.Spider): name = 'quotes' allowed_domains = ['quotes.toscrape.com'] start_urls = ['http://quotes.toscrape.com/'] def parse(self, response): # 使用 css 选择器，选出类为 quote 的元素 quotes = response.css('.quote') for quote in quotes: # 获取 quote 下第一个.text 元素的的 text text = quote.css('.text::text').extract_first() author = quote.css('.author::text').extract_first() # 获取多个标签的文本 tags = quote.css('.tags .tag::text').extract() -
使用 Item
QuotesSpider 的改写如下：
# -*- coding: utf-8 -*- import scrapy from tutorial.items import QuoteItem class QuotesSpider(scrapy.Spider): name = 'quotes' allowed_domains = ['quotes.toscrape.com'] start_urls = ['http://quotes.toscrape.com/'] def parse(self, response): # 使用 css 选择器，选出类为 quote 的元素 quotes = response.css('.quote') for quote in quotes: # 实例化 QuoteItem item = QuoteItem() # 获取 quote 下第一个.text 元素的的 text item['text'] = quote.css('.text::text').extract_first() item['author'] = quote.css('.author::text').extract_first() # 获取多个标签的文本 item['tags'] = quote.css('.tags .tag::text').extract() yield item -
后续 Requets
这里后续的请求指的是请求下一页的数据，该怎么请求呢？就要观察网页了：
QuotesSpider.py：
# -*- coding: utf-8 -*- import scrapy from tutorial.items import QuoteItem class QuotesSpider(scrapy.Spider): name = 'quotes' allowed_domains = ['quotes.toscrape.com'] start_urls = ['http://quotes.toscrape.com/'] def parse(self, response): # 使用 css 选择器，选出类为 quote 的元素 quotes = response.css('.quote') for quote in quotes: # 实例化 QuoteItem item = QuoteItem() # 获取 quote 下第一个.text 元素的的 text item['text'] = quote.css('.text::text').extract_first() item['author'] = quote.css('.author::text').extract_first() # 获取多个标签的文本 item['tags'] = quote.css('.tags .tag::text').extract() yield item # 获取下一页的相对 url next = response.css('.pager .next a::attr("href")').extract_first() # 获取下一页的绝对 url url = response.urljoin(next) # 构造新的请求，这个请求完成后，响应会重新经过 parse 方法处理，如此往复 yield scrapy.Request(url=url, callback=self.parse) -
运行 Spider
scrapy crawl quotes下面是控制台的输出结果，输出了当前的版本号以及 Middlewares 和 Pipelines，各个页面的抓取结果等。
-
保存到文件中
- scrapy crawl quotes -o quotes.json：将上面抓取数据的结果保存成 json 文件。
- scrapy crawl quotes -o quotes.jsonlines：每一个 Item 输出一行 JSON。
- scrapy crawl quotes -o quotes.cs：输出为 CSV 格式。
- scrapy crawl quotes -o quotes.xml：输出为 XML 格式。
- scrapy crawl quotes -o quotes.pickle：输出为 pickle 格式。
- scrapy crawl quotes -o quotes.marshal：输出为 marshal 格式。
- scrapy crawl quotes -o ftg://user:pass@ftp.example.com/path/to/quotes.csv：ftp 远程输出。
-
使用 Item Pineline 保存到数据库中
如果想进行更复杂的操作，如将结果保存到 MongoDB 数据中或筛选出某些有用的 Item，则我们可以自定义 ItemPineline 来实现。修改 pinelines.py 文件：
# -*- 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.exceptions import DropItem import pymongo class TextPipeline(object): def __init__(self): self.limit = 50 # 需要实现 process_item 方法，启用 Item Pineline 会自动调用这个方法 def process_item(self, item, spider): ''' 如果字段无值，抛出 DropItem 异常，否则判断字段的长度是否大于规定的长度， 若大于则截取到规定的长度并拼接上省略号，否则直接返回 item ''' if item['text']: if len(item['text']) > self.limit: item['text'] = item['text'][0:self.limit].rstrip() + '...' return item else: return DropItem('Missing Text') class MongoPipeline(object): def __init__(self, mongo_uri, mongo_db): self.mongo_uri = mongo_uri self.mongo_db= mongo_db ''' 此方法用@classmethod 修饰表示时一个类方法，是一种依赖注入的方式，通过 crawler 我们可以获取到全局配置（settings.py）的每个信息 ''' @classmethod def from_crawler(cls, crawler): return cls( mongo_uri = crawler.settings.get('MONGO_URI'), mongo_db = crawler.settings.get('MONGO_DB') ) def open_spider(self, spider): self.client = pymongo.MongoClient(self.mongo_uri) self.db = self.client[self.mongo_db] # 执行了数据库的插入操作 def process_item(self, item, spider): name = item.__class__.__name__ self.db[name].insert(dict(item)) return item def close_spider(self, spider): self.client.close()settings.py 添加如下内容：
# 赋值 ITEM_PIPELINES 字典，键名是 pipeline 类的名称，键值是优先级， #是一个数字，越小，越先被调用 ITEM_PIPELINES = { 'tutorial.pipelines.TextPipeline': 300, 'tutorial.pipelines.MongoPipeline': 400 } MONGO_URI = 'localhost' MONGO_DB = 'tutorial' -
重新执行爬取
scrapy crawl quotes
三、参考书籍
崔庆才.《Python3 网络爬虫开发实战》