scrapy基础

scrapy

Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。

Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。

Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。

安装

• Linux：

pip install scrapy

• Windows:

1. pip install wheel
2. 下载twisted
   http://www.lfd.uci.edu/-gohlke/pythonlibs/#twisted
3. 安装twisted
   进入到下载目录，pip install Twisted-xxx.whl
4. pip install pywin32
5. pip install scrapy

Scrapy结构，执行流程

• 架构图

• 各部分作用

  • Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
  • Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
  • Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
  • Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).
  • Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。
  • Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
  • Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

• 执行流程图

起始url被封装成request请求对象，经引擎传给调度器，存放在队列中且会对重复的请求对象进行过滤，之后经引擎传递给下载器去下载数据得到响应对象，响应对象经引擎返回给spider进行解析并封装到item对象中，用yield将item对象经引擎传给管道进行持久化处理，若spider中解析到新的url，重复上述操作。

请求传参

当爬取的数据不在同一页面中时，要进行请求传参，不然持久化的数据结果会出错。

• 使用meta进行传参，如下：

def parse(self, response):
	...
	yield scrapy.Request(url, callback=self.detail, meta={"item": item})

def detail(self, response):
	item = response.meta['item']
	...

如何提高scrapy爬取效率

1. 增大并发数
   
   默认情况下scrapy没有开启线程并发，需在settings.py中手动开启。CONCURRENT_REQUESTS=32，但是并不是只能设置不超过32，可以适度增加并发数。
2. 降低日志等级
   
   减少日志信息的输出会降低CPU的使用率。
   
   如：LOG_LEVEL = 'INFO'
   
   LOG_FILE = 'path' 将日志输出到指定文件中
3. 禁用cookie
   
   除非真的需要cookie，否则请关闭以提升爬取效率。
   
   COOKIES_ENABLED = False
4. 限制重试
   
   重新请求爬取失败的url会减慢爬取速度。
   
   RETRY_ENABLED= False
5. 缩减下载超时
   
   放弃请求响应慢的url，可以提高爬取效率。
   
   DOWNLOAD_TIMEOUT = 10 （单位是秒）

如何设置代理池和UA池

ua_list = [

]
ip_list = [

]

# 在下载中间件中
import random

def process_request(self, request, spider):
	request.meta['proxy'] = random.choice(ip_list)
	request.headers['User-Agent'] = random.choice(ua_list)
	...

使用管道进行持久化存储的流程

1. 在items中定义字段
2. 获取解析后的数据值
3. 将解析后的数据值存储到item对象中
4. 通过yield将item对象提交到管道
5. 管道中持久化存储代码的编写
6. settings.py中开启管道, 并设置优先级

在scrapy中使用selenium

1. 在spider的__init__方法中实现浏览器
2. 在spider的closed方法中关闭浏览器
3. 在下载中间件的响应中使用spider.browser获取浏览器对象，并得到需要的网页源码，实例化一个新的响应对象，之后将浏览器获取的页面源码加载到该对象中，返回这个新的响应对象。

# spider.py
   def __init__(self):
        self.browser = webdriver.Firefox()

    def closed(self,spider):
        print("spider closed")
        self.browser.close()

# middlewares.py
def process_request(self, request, spider):
        if spider.name == 'xxx':
            try:
                spider.browser.get(request.url)
                spider.browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
            except TimeoutException as e:
                print('超时')
                spider.browser.execute_script('window.stop()')
            time.sleep(2)
            return HtmlResponse(url=spider.browser.current_url, body=spider.browser.page_source,
                                encoding="utf-8", request=request)

其他知识点

• scrapy为什么要把持久化操作放到管道中, 而不是在爬虫文件中?
  • 放到管道中进行持久化操作的效率会更高
• spider参数是干嘛用的?
  • 用来传递除了item对象之外的其他属性等
• 管道文件中return item的作用?
  • 为了让优先级低于本管道类的能拿到item对象
• 在scrapy框架中不需要考虑cookie
• 原始的scrapy为啥不能进行分布式爬虫？
  • 原生scrapy的调度器、管道不能共享。