网页爬虫--scrapy进阶

本篇将谈一些scrapy的进阶内容，帮助大家能更熟悉这个框架。

1. 站点选取

现在的大网站基本除了pc端都会有移动端，所以需要先确定爬哪个。

比如爬新浪微博，有以下几个选择：

www.weibo.com，主站
www.weibo.cn，简化版
m.weibo.cn，移动版

上面三个中，主站的微博数据是动态加载的，意味着光看源码是看不到数据的，想爬的话要么搞清楚其api访问情况，要么模拟js，那样的话花的力气可能就有点多了。weibo.cn是一个简化版，数据能直接从网页源代码中解析出来，但使用正则或xpath取网页中的元素仍然是无聊且费时的，更不用说偶尔的页面结构错误更让人抓狂。相比之下，移动版的爬虫最好写，因为移动版能直接拿到json格式的数据。

一般来说，有移动版的网站优先爬移动版，会节省很多力气。

2. 模拟登录

现在需要登录才能正常浏览的网站的越来越多了，对爬虫也越来越不友好...所以模拟登录在不少场合都是必不可少的。

首先，最简单的模拟登录是只有用户名密码的登录。这时候只需要在发送第一个请求时加上登录表单数据即可：

def start_requests(self):

    return scrapy.FormRequest(

            formdata={'username': '***', 'password': '***'},

            callback=self.after_login

        )

如果不知道登录页面是哪一个的话，也可以在返回第一个请求后登录：

def parse(self, response):

    return scrapy.FormRequest.from_response(

            response,

            formdata={'username': '***', 'password': '***'},

            callback=self.after_login

        )

为了保持登录，注意cookie是不能关闭的（默认情况是开着的，可以在settings.py中设置）。

如果需要验证码的话，网上有一些提取分析验证码图片的包，可以提取出来然后手动输入验证码。

上面只是一些简单的登录情况，如果验证码很变态（比如需要鼠标滑动）或者登录过程很复杂，需要各种加密（比如新浪微博pc端的登陆）的话，模拟登录确实是个很让人头大的问题。这时候有另一个通用办法，那就是cookie模拟登录。网站想知道我们的登录状态，都是通过cookie来确认的，所以我们只需要在每次request的时候都附带上cookie即可实现已登录的效果。

那么，如何获得cookie呢？有chrome的可以F12打开Network界面，这时候人工网页登录，即可在headers中看到cookie。得到cookie后，只需要在request中加入自己的cookie即可。

self.cookie = {"_T_WM": self.cookie_T_WM,

                ...

                "SSOLoginState": self.cookie_SSOLoginState}

return Request(url, cookies=self.cookie, callback=self.parse_page)

3. 网页解析

一般来说，使用xpath和css已经可以应付所有的html源码了，剩下的只是耐心加细心...要是有心的话也可以Item Loaders，方便后期的维护，下面摘自官方文档：

def parse(self, response):

    l = ItemLoader(item=Product(), response=response)

    l.add_xpath('name', '//div[@class="product_name"]')

    l.add_xpath('name', '//div[@class="product_title"]')

    l.add_xpath('price', '//p[@id="price"]')

    l.add_css('stock', 'p#stock]')

    l.add_value('last_updated', 'today')

    return l.load_item()

值得一提的是如果获取的是json格式的数据，可以使用python自带的json库来解析成一个字典或列表：

data = json.loads(response.body)

4. 数据存储

可以使用twisted提供的数据库库来维护一个连接池：

class CnblogPipeline(object):

    def __init__(self):

        self.dbpool = adbapi.ConnectionPool('MySQLdb',

                                            host='localhost',

                                            db='cnblog',

                                            user='root',

                                            passwd='root',

                                            cursorclass=MySQLdb.cursors.DictCursor,

                                            charset='utf8',

                                            use_unicode=True)

    def process_item(self, item, spider):

        self.dbpool.runInteraction(self.cnblog_insert, item)

        return item

    def cnblog_insert(self, cur, item):

        try:

            cur.execute('insert into ***')

        exception MySQLdb.Error, e:

            logging.info("cnblog_insert:%s" % str(e))

如果爬的是社交网站这种有着树型结构关系的网站的话，mongodb其符合人的思维的存储方式让其成为首选。

如果使用mysql的话记得将innodb_flush_log_at_trx_commit这个参数置为0（每一秒读写一次数据和log），可以大大提高读写速度。

5. scrapy小知识点

Request传递消息。在Request中加入meta，即可将meta传递给response。

Request(url, meta={'how': 'ok'}, callback=self.parse_page)

def parse_page(self, response):

    print response.meta['how']

CrawlSpider。都知道在写自己的spider的时候需要继承scrapy的spider，除了scrapy.Spider外，scrapy还提供了好几种spider，其中CrawlSpider算是比较常用的。CrawlSpider的优势在于可以用rules方便地规定新的url的样子，即通过正则匹配来约束url。并且不需要自己生成新的url，CrawlSpider会自己寻找源码中所有符合要求的新url的。另外，rules的回调方法名字最好不要叫parse。

class CnblogSpider(CrawlSpider):

    name = "cnblog_spider"

    allowed_domain = ["cnblog.com"]

    start_urls = ["http://www.cnblogs.com/rubinorth"]

    rules = [

        Rule(LinkExtractor(allow=r"http://www.cnblogs.com/rubinorth/p/\d+\.html"),

                            callback="parse_page", follow=True)

    ]

parse中既返回item又生成新的request。平时在parse中return item即可返回item，return request则生成新的request请求。如果我们将return换为yield的话即可既返回item又生成新的request。注意一旦使用了yield，那么parse方法中就不能有return了。

def parse_page(self, response):

    item = CnblogItem()

    ****

    yield item

    yield Request(new_url, callback=self.parse_page)

每个spider不同设置。在spider中加入custom_settings即可覆盖settings.py中相应的设置，这样的话在settings.py中只需要放一些公用的设置就行了。最常用的就是设置每个spider的pipeline。

custom_settings={

    'ITEM_PIPELINES' : {

        'cnblog_project.pipelines.CnblogPipeline': 300,

    }

}

读取自己的设置。不管在spider中还是pipeline中，都可以写from_crawler这个方法（注意spider中参数数目不同）。此方法在初始化阶段由scrapy自己调用，其最大的作用就是从settings.py读取自己的设置了。下面的代码从settings.py中读取了MONGO_URI。

class MongoPipeline(object):

    def __init__(self, mongo_uri, mongo_db):

        self.mongo_uri = mongo_uri

    @classmethod

    def from_crawler(cls, crawler):

        return cls(

            mongo_uri=crawler.settings.get('MONGO_URI')

        )

顺序。settings.py中middleware和pipeline设置的时候需要在后面跟上一个数字，而这个数字的含义就是调用的顺序，数字越小越早调用。

DOWNLOADER_MIDDLEWARES = {

    'cnblog_project.my_mv.middleware.UserAgentMiddleware': 543,

    'cnblog_project.my_mv.middleware.ProxyMiddleware':544,

}

pipeline中spider.name的应用。pipeline中的process_item中可以根据spider.name来对不同的item进行不同的处理。

def process_item(self, item, spider):

    if spider.name == 'a':

        ****

    if spider.name == 'b':

        ****

多个pipeline处理一个item。pipeline中的process_item方法必须返回一个item或者raise一个DropItem的异常，如果返回item的话这个item将会被之后的pipeline接收到。

def process_item(self, item, spider):

    return item

之后可能会有添加。

其实这些在scrapy的官方文档都有提及，在此只是总结一些常用的知识点。若想更深入地了解scrapy，定然是阅读其官方文档最好了。：)

6. scrapy_redis简介

scrapy_redis是一个分布式爬虫的解决方案。其思想为多个爬虫共用一个爬取队列，此队列使用redis存储，因为redis是一个内存数据库，所以速度上与单机的队列相差不大。

那么，scrapy_redis到底对scrapy做了什么修改，达到分布式的目的呢？

查看github上面的源码，可以发现其功能性代码集中在scheduler.py，dupefilter.py和queue.py中，分别是调度器（部分功能），去重，以及redis队列的实现。scrapy_redis就是将这些功能代替了scrapy原本的功能（并没有修改scrapy源码，只需要在settings.py中进行设置即可），从而达到了分布式的效果。

参考资料

scrapy官中文档

转载请注明出处：http://www.cnblogs.com/rubinorth/