Scrapy学习笔记(5)-CrawlSpider+sqlalchemy实战

基础知识

class scrapy.spiders.CrawlSpider

这是抓取一般网页最常用的类，除了从Spider继承过来的属性外，其提供了一个新的属性rules，它提供了一种简单的机制，能够为将要爬取的链接定义一组提取规则。

 

rules

这是一个Rule对象列表，每条规则定义了爬取网站链接的行为，如果一条链接命中多条规则，以第一条规则进行匹配，顺序由属性中定义的顺序决定。

 

Link Extractors

Link Extractors 是用于从网页(scrapy.http.Response )中抽取会被follow链接的对象。 Scrapy 自带的Link Extractors类由scrapy.linkextractors模块提供，你可以这样直接导入from scrapy.linkextractors import LinkExtractor，也可以通过实现一个简单的接口来创建自己个性化的Link Extractor来满足需求。每个LinkExtractor都有唯一的公共方法是 extract_links ，其接收 一个 Response 对象， 并返回scrapy.link.Link 对象｡ Link Extractors只实例化一次，其 extract_links 方法会根据不同的response被调用多次来提取链接｡默认的link extractor 是 LinkExtractor ，其实就是 LxmlLinkExtractor，在以前版本的Scrapy版本中还提供了其他的link extractor，不过都已经被废弃了。

 

LxmlLinkExtractor

classscrapy.linkextractors.lxmlhtml.LxmlLinkExtractor(

allow=(),

deny=(),

allow_domains=(),

deny_domains=(),

deny_extensions=None,

restrict_xpaths=(),

restrict_css=(),

tags=(‘a’, ‘area’),

attrs=(‘href’, ),

canonicalize=True,

unique=True,

process_value=None

)

参数解释：

allow 只有匹配这个正则表达式(或正则表达式列表)的URL才会被提取｡如果没有给出(或None) ,它会匹配所有的链接｡

deny 匹配这个正则表达式(或正则表达式列表)的URL将会被排除在外(即不提取)｡它的优先级高于allow参数，如果没有给出(或None) ,将不排除任何链接｡

allow_domains 包含特定域名的字符串或字符串列表，表示允许从这里面提取链接

deny_domains 包含特定域名的字符串或字符串列表, 表示不允许从这里面提取链接

deny_extensions 提取链接时,忽略扩展名的列表｡如果没有给出,默认为scrapy.linkextractor模块中定义的ignored_extensions列表｡

restrict_xpaths 单个xpath表达式或xpath表达式列表,若不为空，则只使用该参数去提取URL，和allow共同作用过滤链接。

restrict_css 单个css选择器或者选择器列表，作用和restrict_xpaths一样

tags 提取链接时要考虑的标签或标签列表｡默认为 ( ‘a’ , ‘area’)

attrs 提取链接时应该寻找的attrbitues列表(仅在 tags 参数中指定的标签)｡默认为 (‘href’)｡

canonicalize 是否标准化每个提取的URL，使用w3lib.url.canonicalize_url。默认为True。

unique 是否过滤提取过的URL，布尔类型

process_value 处理tags和attrs提取到的URL的函数，它能修改并返回一个新值。如果为空则默认是lambda x: x

 

Rule

classscrapy.spiders.Rule(

link_extractor,

callback=None,

cb_kwargs=None,

follow=None,

process_links=None,

process_request=None

)

参数解释：

link_extractor 是一个Link Extractor对象，定义怎样提取每个需要爬取的页面中的链接。

callback 是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被每个指定的link_extractor 调用，这个方法的第一个参数是response必须返回一个item或者Request的list。

cb_kwargs 是一个包含关键字参数的字典，可以传递给callback函数。

follow 是一个布尔值，指定这些通过规则匹配出来的链接是否需要继续，如果callback是None，follow默认为False，否则follow是True。

process_links 是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被每个指定的link_extractor调用，这个主要作用是过滤。

process_request 是一个可调用方法或者一个字符串（spider类中用这个字符串命名的方法）会被这个规则的每个request调用，必须返回一个request或者None。

 

SQLAlchemy

是python的一款开源软件，提供了SQL工具包及对象关系映射(ORM)工具(需要安装第三方库)。它的优点用一句话概括就是可以避免写繁复的sql语句.（隐藏数据库，良好的数据接口，动态的数据映射，引入缓存）具体请参考官方文档

 

Xpath

scrapy支持使用xpath表达式来提取数据。XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。 XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。具体可参考http://www.runoob.com/xpath/xpath-tutorial.html

 

 

实践

有了前面的知识和基本概念之后，下面就是写代码了，本文目标是使用CrawlSpider和sqlalchemy实现如下网站中的高匿代理IP采集入库http://ip84.com，新建项目和spider的过程我就不写了，不会的可以参考之前的文章，本次项目名称为”ip_proxy_pool”，顾名思义就是IP代理池，学习爬虫的应该都知道，不过本文仅仅是采集特定网站公开的代理IP，维护一个IP代理池那是后话，OK，Talk is cheap，Show you the code！

项目结构如上图所示，model目录存放数据库表的映射文件，proxy.py是目标表的映射文件，rules.py以及和model目录同级的__init__.py文件本文中暂时用不到先不管，其他文件都是本次实践需要用到的。

1.items.py

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class IpProxyPoolItem(scrapy.Item):

    ip_port = scrapy.Field()
    type = scrapy.Field()
    level = scrapy.Field()
    country = scrapy.Field()
    location = scrapy.Field()
    speed = scrapy.Field()
    source = scrapy.Field()

　　

2.model目录下的__init__.py

# -*- coding: utf-8 -*-
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker

# 创建对象的基类:
Base = declarative_base()

# 初始化数据库连接:
engine = create_engine('mysql+mysqldb://root:123456@localhost:3306/scrapy?charset=utf8')

#返回数据库会话
def loadSession():
    Session = sessionmaker(bind=engine)
    session = Session()
    return session

　　

3.proxy.py(数据库表proxies的映射文件)

# -*- coding: utf-8 -*-
from sqlalchemy import Column,String,Integer,DateTime

from . import Base
import datetime
class Proxy(Base):
    __tablename__ = 'proxies'

    ip_port=Column(String(30),primary_key=True,nullable=False)
    type=Column(String(20),nullable=True)
    level=Column(String(20),nullable=True)
    location=Column(String(100),nullable=True)
    speed=Column(Integer,nullable=True)
    source = Column(String(500), nullable=False)
    indate=Column(DateTime,nullable=False)

    def __init__(self,ip_port,source,type=None,level=None,location=None,speed=None):
        self.ip_port=ip_port
        self.type=type
        self.level=level
        self.location=location
        self.speed=speed
        self.source=source
        self.indate=datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")

　　

4.pipelines.py

# -*- coding: utf-8 -*-

# Define your item pipelines here
from model import Base,engine,loadSession
from model import proxy

class IpProxyPoolPipeline(object):
    #搜索Base的所有子类，并在数据库中生成表
    Base.metadata.create_all(engine)

    def process_item(self, item, spider):
        a = proxy.Proxy(
            ip_port=item['ip_port'],
            type=item['type'],
            level=item['level'],
            location=item['location'],
            speed=item['speed'],
            source=item['source']
        )
        session = loadSession()
        session.add(a)
        session.commit()
        return item

　　

5.proxy_spider.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import IpProxyPoolItem

class ProxySpiderSpider(CrawlSpider):

    name = 'proxy_spider'
    allowed_domains = ['ip84.com']
    start_urls = ['http://ip84.com/gn']

    rules = (
        #跟随下一页链接
        Rule(LinkExtractor(restrict_xpaths="//a[@class='next_page']"),follow=True),
        #对所有链接中含有"/gn/数字"的链接调用parse_item函数进行数据提取并过滤重复链接
        Rule(LinkExtractor(allow=r'/gn/\d+',unique=True), callback='parse_item'),
    )

    def parse_item(self, response):
        print 'Hi, this is an item page! %s' % response.url
        item=IpProxyPoolItem()

        for proxy in response.xpath("//table[@class='list']/tr[position()>1]"):

            ip=proxy.xpath("td[1]/text()").extract_first()
            port=proxy.xpath("td[2]/text()").extract_first()
            location1=proxy.xpath("td[3]/a[1]/text()").extract_first()
            location2=proxy.xpath("td[3]/a[2]/text()").extract_first()
            level=proxy.xpath("td[4]/text()").extract_first()
            type = proxy.xpath("td[5]/text()").extract_first()
            speed=proxy.xpath("td[6]/text()").extract_first()
            item['ip_port']=(ip if ip else "")+":"+(port if port else "")
            item['type']=(type if type else "")
            item['level']=(level if level else "")
            item['location']=(location1 if location1 else "")+" "+(location2 if location2 else "")
            item['speed']=(speed if speed else "")
            item['source']=response.url
            return item

　　

6.settings.py

# -*- coding: utf-8 -*-

# Scrapy settings for ip_proxy_pool project

BOT_NAME = 'ip_proxy_pool'

SPIDER_MODULES = ['ip_proxy_pool.spiders']
NEWSPIDER_MODULE = 'ip_proxy_pool.spiders'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

ITEM_PIPELINES = {
   'ip_proxy_pool.pipelines.IpProxyPoolPipeline': 300,
}

DOWNLOAD_DELAY = 2

　　

7.运行spider，查看结果

shell中执行scrapy crawl proxy_spider，发现数据库中已经自动生成了表proxies并且数据已经入库,Done!