Python：Scrapy（一） 基础知识与实例

学习自：

Scrapy爬虫框架教程（一）-- Scrapy入门 - 知乎

Scrapy爬虫框架，入门案例（非常详细）_ck784101777的博客-CSDN博客_scrapy爬虫案例

爬虫框架Scrapy个人总结（详细）熟悉 - 简书

本章介绍Scrapy使用时的基本要素构成。

1、简介

Scrapy最初是为了页面抓取/网络抓取设计的。Scrapy用途广泛，可以应用数据挖掘、监控、自动化测试等领域。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便地进行修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

2、各组件作用

Scrapy框架主要由五大组件组成，分别是Scrapy引擎（Scrapy Engine）、下载器（Downloader）、Spider、Item Pipeline、调度器（Scheduler）。

①Scrapy Engine

引擎是整个框架的核心，它用来控制、调度Scheduler、Downloader、Spider。

②调度器（Scheduler）

调度器可以视为一个想要进行抓取的URL队列，由它来决定下一个要抓取的网址是什么，同时可以去除重复的网址。用户可以根据自己的需求定制调度器。

③下载器（Downloader）

下载器负责下载页面数据并提供给引擎，而后提供给Spider。Scrapy的下载器代码并不复杂，但是效率很高，这是因为Scrapy下载器是建立在twisted这个高效的异步模型上的。

④Item Pipeline

Item Pipeline负责处理被Spider提取出来的Item。典型的处理有清理多余信息、验证Item有效性及持久化Item（例如存取到数据库中）。

当页面被爬虫解析所需的数据存入Item之后，将会被发送到Pipeline，并经过几个特定的次序处理数据，最后存入本地文件或者存入数据库。

⑤Spider

用户定制自己的爬虫（通过正则表达式等语法），用于从特定的网页中提取自己需要的信息，即Item。用户也可以从中提取出链接，让Scrapy继续抓取下一个页面。

除了以上五种组件，还有另外三个概念（它们与前边五种组件是相互关联的）也需要了解：

①下载器中间件（Downloader middlewares）

下载器中间件是在引擎及下载器之间的特定钩子（Specific hook），处理Downloader传递给引擎的response。它提供了一个简便机制，通过插入自定义代码来扩展Scrapy功能

通过设置下载器中间件可以事先爬虫自动更换User-Agent、IP等功能。

②Spider中间件（Spider middlewares）

Spider中间件是在引擎及Spider之间的特定钩子（Specific hook），处理Spider的输入（Response）和输出（Item及Requests）。

③数据流（Data Flow）

1).Engine打开一个网站，找到处理该网站的Spider并向该Spider请求第一个要爬取的URL(s)；

2).Engine从Spider中获取到第一个要爬取的URL，将其放入Scheduler的URL队列中；

3).Engine向Scheduler请求下一个要爬取的URL；

4).Scheduler返回下一个要爬取的URL给Engine，Engine将URL发送给Downloader；

5)、6).Downloader访问Internet，下载页面；

7).Downloader生成一个该页面的Response，并将其发送给Engine；

8).Engine将Response发送给Spider处理；

9).Spider处理Response并返回爬取到的Item及新URL给Engine，重复上述流程直到URL队列中没有多余URL；

10).Engine将爬取到的Item发送到Item Pipeline。

将整个流程可视化，可以得到如下流程图，该图是按照上文数据流中的顺序进行的。

官方架构图：图中的绿线是数据流向。

3、一些类、文件的作用

①类

1)Spider

class scrapy.spider.Spider

Spider是最简单的spider。每个其他的spider都必须继承自该类（包括Scrapy自带的其他spider以及我们自己编写的spider）。Spider没有提供其他特殊的功能，其作用为1）区分请求给定的start_urls/start_requests；2）根据response调用parse方法。

属性：

name：spider名字的字符串。spider的名字定义了Scrapy如何开始定位（并初始化）spider，所以其必须是唯一的。如果该spider爬取单个网站，一个常见的做法是以该网站名来命名spider。例如spider要爬取mywebsite.com，该spider通常会被命名为mywebsite。

allowed_domains：可选。包含了spider允许爬取的URL List。当OffsiteMiddleware启用时，不在List中指定URL及其子URL中的URL将不会被跟进（即爬取的URL必须与该List中的URL有相同的前缀）。

start_urls：URL List。当没有特定的URL时，spider将从该List中开始进行爬取。因此，第一个被获取到的页面的URL必将是该List其中之一，后续URL将会从获取到的数据中提取。

方法：

start_requests()：该方法必须返回一个Iterable。该Iterable包含了spider用于爬取的第一个Request。当spider启动爬取且并未制定URL时，该方法将会被调用。该方法的默认实现是使用start_urls的URL来生成Request。如果我们想要修改最初爬取某个网站的Request对象，那么可以重写该方法。例如，如果我们需要在启动时以POST的方式登录某个网站，可以这么写

    def start_requests(self):
        return [scrapy.FormRequest('http://www.example.com/login',
                                   formdata={'user': 'john', 'pass': 'secret'},
                                   callback=self.logged_in)]
    def logged_in(self,response):
        pass

默认未被重写的情况下，该方法返回的Request对象中，parse()作为回调函数，dont_filter参数也被设置为开启。（详情见Reueqst）

make_requests_from_url(url)：当spider启动且指定了URL时，该方法将会被调用，且仅仅会被调用一次，因此我们可以将之实现为Generator。该方法接受一个URL并返回用于爬取的Request对象。该方法在初始化Requests时被start_requests调用，也被用于转化URL为Request。

parse(response)：当Response没有指定回调函数时，该方法是Scrapy处理下载的Response的默认方法。该方法负责处理Response并返回处理的数据以及跟进的URL。spider对其他的Request的回调函数也有相同的要求。关于返回值，该方法及其他Request回调函数必须返回一个包含Request或Item的Iterable。

参数：response：用于分析的Response

log(message [ ,level , commponent ] )：使用scrapy.log.msg()方法记录（log）message。log中自动带上该spider的name属性。更多数据可以参见Logging。

closed(reason)：当spider关闭时，该方法被调用。该方法用于替代signals.connect()来监听spider_closed信号的快捷方式。

以上是最简单的Spider，此外还有其他Spider：Spiders — Scrapy 2.5.0 documentation

2）CrawlSpider

用于爬取URL具有一定规律的网页

3）Response

Scrapy中的response对象的属性、方法

属性	说明	类型
url	HTTP响应的URL	str
status	响应状态码	int
headers	响应头部，可以用get或getlist方法访问	类Dict
body	响应正文	bytes
text	文本形式的响应正文 response.text = response.body.decode(response.encoding)	str
encoding	响应正文的编码
request	产生该响应的Request对象
meta	即response.request.meta，在构造Request对象时，可以将传递给响应处理函函数的信息通过meta参数传入；响应处理函数处理相应时，通过response.meta将信息提取出来
selector	Selector对象用于在Response中提取数据

方法	说明
xpath(query)	根据XPath路径表达式提取要素
css(query)	根据CSS语法提取要素
urljoin(url)	用于构造绝对url，当传入的url是一个相对地址时，根据response.url计算出相应的绝对url

②文件

通过指令scrapy startproject S创建项目后，会生成以下的文件结构：

S--->scrapy.cfg 　　　　　　　　　　　　#项目的配置文件
     S-------->　　　　　　　　　　　　 #该项目的Python模块。之后你将在此加入代码
                __init__.py　　　　　
               items.py　　　　　　　　#项目中的Item文件
               pipelines.py　　　　　 #Pipelines文件
               settings.py　　　　　　#设置文件
               spiders--->　　　　　　#放置Spider代码的目录
                                __init__.py
　　　　　　　　　　　　　　　　　　　xxx.py  #Spider代码

除了目录名S和Spider文件名是我们自定义的外，其他文件都是自动生成的，其中最关键的是pipelines.py和settings.py

1)items.py

存放需要提取元素名。

2)settings.py

BOT_NAME：项目名。

USER_AGENT：该项默认是注释掉的，但是由于现在的网站访问时都需要User-Agent，所以需要我们手动填充该项。

ROBOTSTXT_OBEY：是否遵循机器人协议，默认True，需要修改为False，否则很多东西爬不了（该项待验证）。

CONCURRENT_REQUESTS：最大并发数；同时允许开启多少个爬虫线程。

DOWNLOAD_DELAY：下载延迟时间；单位s，默认3s，即爬一个停3s。有的网站可能会对下载过快的情况进行侦测，从而判断出是爬虫并加以拒绝。

COOKIES_ENABLED：是否保存COOKIES；默认关，开启后可以记录爬取过程中的COOKIE。

DEFAULT_REQUEST_HEADERS：默认请求头；之前我们写了一个USER_AGENT，其实该项就是放在请求头中的。

ITEM_PIPELINES：项目管道；300为优先级，越低爬取的优先级越高。比如我的pipelines.py中写了两个pipeline，一个爬取网页的管道，另一个存数据库的管道，我调整了它们的优先级，如果有爬虫数据，则优先执行库存操作（如果items.py中有需要运行的代码，则该项必须声明）

ITEM_PIPELINES = {
    'S.pipelines.BaiduPipeline' : 300,
    'S.pipelines.BaiduMysqlPipeline':200
}

该Dict中的两个Key需要均是在要在pipelines.py事先定义好的两个类：

class BaiduPipeline(object):
    #爬取网页
    def process_item(self,item,spider):
        return item

class BaiduMysqlPipeline(object):
    #将爬取内容存入数据库
    def process_item(self,item,spider):
        return item

LOG_LEVEL：日志等级；日志登记分级见下表

DEBUG	调试信息
INFO	一般信息
WARNING	警告
ERROR	普通错误
CRITICAL	严重错误

默认为'DEBUG'，即所有信息都会被记录进日志中，如果设置为WARNING，则只会记录WARNING、ERROR和CRITICAL

LOG_FILE：日志文件名；格式为 '日志名.log'

3.5、建立Scrapy爬虫项目的流程

创建爬虫和运行爬虫时，要在cmd中用到三段指令：

scrapy startproject 项目名
scrapy genspider 爬虫名 域名
scrapy crawl 爬虫名

其中前两句分别是创建项目和创建爬虫，而创建爬虫也可以通过第②部分中的中的name和start_urls进行创建。

第三句话是爬虫构建好之后，运行爬虫的命令。

①创建项目

在开始爬取之前，需要建立一个新的Scrapy项目。

进入你打算存储代码的目录中，运行以下命令

scrapy startproject 项目名
cd 项目名
scrapy genspider 爬虫名 URL

②编写爬虫代码

Spider是用户编写的用于从网站爬取数据的类。

其包含了一个用于下载初始URL，如何跟进网页中的链接及如何分析页面中的内容，提取生成Item的方法。

为了创建一个Spider，你必须继承scrapy.Spider类，且定义以下三个属性及方法

name：用于区别不同的Spider。

start_urls：包含了Spider在启动时进行爬取的URL列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始URL获取到的数据中心提取。

parse()：Spider的一个方法。被调用时，每个初始URL完成下载后生成的Response对象将作为唯一的参数传递给该函数。该方法负责解析返回的数据（response data），提取数据（生成Item）以及生成需要进一步处理的URL的Request对象。

③启动爬虫

打开终端进入项目所在文件夹中，运行命令：

scrapy crawl woodenrobo

启动爬虫后就可以看到打印出来当前页所有的文章标题了。

可以把爬取到的内容导出为JSON或者CSV格式，方法是在执行爬虫指令时加入参数-o：

scrapy crawl 爬虫名 -o 文件名.csv
scrapy crawl 爬虫名 -o 文件名.json

对于JSON文件，需要在setting.py文件中设置编码格式，否则会乱码：

FEED_EXPORT_ENCODING = 'UTF-8'

启动爬虫时的程序运行流程：

Scrapy为Spider的start_urls属性中的每个URL创建了Request对象，并将parse方法作为回调函数赋值给requests，而requests对象经过Scheduler的调度，执行生成response对象并送回给parse()方法进行解析，所以url的改变是靠回调函数实现的。

yield scrapy.Request(self.url,callback=self.parse)

4、实例

①提取百度首页的标题title

现在看第一个Spider代码，保存位置为S2\Spiders目录下，名字取为baidu.py，目的是使用XPath提取百度首页的标题title

import scrapy

class BaiduSpider(scrapy.Spider):
    name = 'baidu'
    allowed_domains = ['www.baidu.com']
    start_urls = ['http://www.baidu.com/']

    def parse(self, response):
        tile=response.xpath('//html/head/title/text()')
        print(tile)

打开cmd终端，输入

scrapy crawl baidu

就可以看到一大堆输出信息，其中就包含了我们需要的内容。

然而，使用终端运行太麻烦了，而且不能提取数据，我们写一个运行文件作为程序的入口：

from scrapy import cmdline

cmdline.execute('scrapy crawl baidu'.split())

这段话可以写在另一个py文件或者spider.py文件中，直接运行这句话所在的py文件就可以了。

②爬取腾讯视频中的电影信息

1）

创建项目，将爬虫项目命名为TX；

创建爬虫，爬虫命名为txms，爬虫的start_url设置为v.qq.com

scrapy startproject TX
cd TX
scrapy genspider txs v.qq.com

2）修改setting

修改三项：

ROBOTSTXT_OBEY：机器人项

DOWNLOAD_DELAY：下载间隙

DEFAULT_REQUEST_HEADERS：请求头，需要添加一个User-Agent

ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
}

3）确认要提取的数据，Item项

Item定义你要提取的内容（定义数据结构），比如我提取的内容为电影名和电影描述，我就创建两个变量（每有一个需要提取的内容，就要在items.py中新建一个变量）。Field方法实际上是创建一个Dict，给Dict添加一个Key，暂时不赋值，等待提取数据后再赋值。

下面的Item结构可以表示为：{ 'name':'' ; 'description':'' }

#items.py

import scrapy

class TXItem(scrapy.Item):
    name=scrapy.Field()
    description=scrapy.Field()

4）写爬虫程序

我们要写的部分是parse方法中的内容，重点在于如何写XPath。

我们要爬取的网页的URL为https://v.qq.com/channel/movie，页面如下：

from scrapy import Request
from scrapy import Spider
from TX.items import TXItem

class TxsSpider(Spider):
    name = 'txs'
    allowed_domains = ['v.qq.com']
    start_urls = ['https://v.qq.com/channel/movie']

    def parse(self, response):
        item=TXItem()
        movies=response.xpath('//div[@id="movie_v3_new"]//div[@class="list_item "]')
        for movie in movies:
            item['name']=movie.xpath('.//div/a/text()').extract()[0]
            item['description']=movie.xpath('.//div/div/text()').extract()[0]
            yield item

5）、运行爬虫，保存爬取到的数据

scrapy crawl tms -o TX.csv

这一部分代码的解释，请看Scrapy（二）最后一部分