使用 Scrapy 构建一个网络爬虫

来自weixin

记得n年前项目需要一个灵活的爬虫工具，就组织了一个小团队用Java实现了一个爬虫框架，可以根据目标网站的结构、地址和需要的内容，做简单的配置开发，即可实现特定网站的爬虫功能。因为要考虑到各种特殊情形，开发还耗了不少人力。后来发现了Python下有这个Scrapy工具，瞬间觉得之前做的事情都白费了。对于一个普通的网络爬虫功能，Scrapy完全胜任，并把很多复杂的编程都包装好了。本文会介绍如何Scrapy构建一个简单的网络爬虫。

一个基本的爬虫工具，它应该具备以下几个功能：

• 通过HTTP(S)请求，下载网页信息

• 解析网页，抓取需要的内

• 保存内容

• 从现有页面中找到有效链接，从而继续抓取下一个网页

我们来看下Scrapy怎么做到这些功能的。首先准备Scrapy环境，你需要安装Python（本文使用v2.7）和pip，然后用pip来安装lxml和scrapy。个人强烈建议使用virtualenv来安装环境，这样不同的项目之间不会冲突。详细步骤这里就不赘述了。对于Mac用户要注意，当使用pip安装lxml时，会出现类似于的下面错误：

Error: #include “xml/xmlversion.h” not found

解决这个问题，你需要先安装Xcode的command line tools，具体的方法是在命令行执行下面的命令即可。

$ xcode-select --install

环境安装好之后，我们来用Scrapy实现一个简单的爬虫，抓取本博客网站的文章标题，地址和摘要。

1. 创建工程

$ scrapy startproject my_crawler

该命令会在当前目录下创建一个名为”my_crawler”的工程，工程的目录结构如下

my_crawler

  |- my_crawler

  |    |- spiders

  |    |    |- __init__.py

  |    |- items.py

  |    |- pipelines.py

  |    |- setting.py

  |- scrapy.cfg

2. 设置待抓取内容的字段，本例中就是文章的标题，地址和摘要

修改”items.py”文件，在”MyCrawlerItem”类中加上如下代码：

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

import scrapy

class MyCrawlerItem(scrapy.Item):

title = scrapy.Field() # 文章标题

url = scrapy.Field() # 文章地址

summary = scrapy.Field() # 文章摘要

pass

3. 编写网页解析代码

在”my_crawler/spiders”目录下，创建一个名为”crawl_spider.py”文件（文件名可以任意取）。代码如下

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

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from my_crawler.items import MyCrawlerItem

class MyCrawlSpider(CrawlSpider):

name = 'my_crawler' # Spider名，必须唯一，执行爬虫命令时使用

allowed_domains = ['bjhee.com'] # 限定允许爬的域名，可设置多个

start_urls = [

"http://www.bjhee.com", # 种子URL，可设置多个

]

rules = ( # 对应特定URL，设置解析函数，可设置多个

Rule(LinkExtractor(allow=r'/page/[0-9]+'), # 指定允许继续爬取的URL格式，支持正则

callback='parse_item', # 用于解析网页的回调函数名

follow=True

),

)

def parse_item(self, response):

# 通过XPath获取Dom元素

articles = response.xpath('//*[@id="main"]/ul/li')

for article in articles:

item = MyCrawlerItem()

item['title'] = article.xpath('h3[@class="entry-title"]/a/text()').extract()[0]

item['url'] = article.xpath('h3[@class="entry-title"]/a/@href').extract()[0]

item['summary'] = article.xpath('div[2]/p/text()').extract()[0]

yield item

对于XPath不熟悉的朋友，可以通过Chrome的debug工具获取元素的XPath。

4. 让我们测试下爬虫的效果

在命令行中输入：

$ scrapy crawl my_crawler

注意，这里的”my_crawler”就是你在”crawl_spider.py”文件中起的Spider名。

没过几秒钟，你就会看到要抓取的字段内容打印在控制台上了。就是这么神奇！Scrapy将HTTP(S)请求，内容下载，待抓取和已抓取的URL队列的管理都封装好了。你的主要工作基本上就是设置URL规则及编写解析的方法。

我们将抓取的内容保存为JSON文件：

$ scrapy crawl my_crawler -o my_crawler.json -t json

你可以在当前目录下，找到文件”my_crawler.json”，里面保存的就是我们要抓取的字段信息。（参数”-t json”可以省去）

5. 将结果保存到数据库

这里我们采用MongoDB，你需要先安装Python的MongoDB库”pymongo”。编辑”my_crawler”目录下的”pipelines.py”文件，在”MyCrawlerPipeline”类中加上如下代码：

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

import pymongo

from scrapy.conf import settings

from scrapy.exceptions import DropItem

class MyCrawlerPipeline(object):

def __init__(self):

# 设置MongoDB连接

connection = pymongo.Connection(

settings['MONGO_SERVER'],

settings['MONGO_PORT']

)

db = connection[settings['MONGO_DB']]

self.collection = db[settings['MONGO_COLLECTION']]

# 处理每个被抓取的MyCrawlerItem项

def process_item(self, item, spider):

valid = True

for data in item:

if not data:  # 过滤掉存在空字段的项

valid = False

raise DropItem("Missing {0}!".format(data))

if valid:

# 也可以用self.collection.insert(dict(item))，使用upsert可以防止重复项

self.collection.update({'url': item['url']}, dict(item), upsert=True)

return item

再打开”my_crawler”目录下的”settings.py”文件，在文件末尾加上pipeline的设置：

ITEM_PIPELINES = {

'my_crawler.pipelines.MyCrawlerPipeline': 300, # 设置Pipeline，可以多个，值为执行优先级

}

# MongoDB连接信息

MONGO_SERVER = 'localhost'

MONGO_PORT = 27017

MONGO_DB = 'bjhee'

MONGO_COLLECTION = 'articles'

DOWNLOAD_DELAY=2 # 如果网络慢，可以适当加些延迟，单位是秒

6. 执行爬虫

$ scrapy crawl my_crawler

别忘了启动MongoDB并创建”bjhee”数据库哦。现在你可以在MongoDB里查询到记录了。

总结下，使用Scrapy来构建一个网络爬虫，你需要做的就是：

• “items.py”中定义爬取字段

• 在”spiders”目录下创建你的爬虫，编写解析函数和规则

• “pipelines.py”中对爬取后的结果做处理

• “settings.py”设置必要的参数

其他的事情，Scrapy都帮你做了。下图就是Scrapy具体工作的流程。怎么样？开始写一个自己的爬虫吧。

本例中的代码可以在这里下载(http://www.bjhee.com/downloads/201511/my_crawler.tar.gz)。