一、scrapy爬蟲框架介紹
在編寫爬蟲的時候，如果我們使用 requests、aiohttp 等庫，需要從頭至尾把爬蟲完整地實現(xiàn)一遍，比如說異常處理、爬取調(diào)度等，如果寫的多了，的確會比較麻煩。利用現(xiàn)有的爬蟲框架，可以提高編寫爬蟲的效率，而說到 Python 的爬蟲框架，Scrapy 當(dāng)之無愧是最流行最強大的爬蟲框架了。
scrapy介紹
Scrapy 是一個基于 Twisted 的異步處理框架，是純 Python 實現(xiàn)的爬蟲框架，其架構(gòu)清晰，模塊之間的耦合程度低，可擴展性極強，可以靈活完成各種需求。我們只需要定制開發(fā)幾個模塊就可以輕松實現(xiàn)一個爬蟲。
scrapy爬蟲框架的架構(gòu)如下圖所示：
它有如下幾個部分：
- Scrapy Engine（引擎）：用來處理整個系統(tǒng)的數(shù)據(jù)流處理、觸發(fā)事務(wù)，是整個框架的核心。
- Item（項目）：定義了爬取結(jié)果的數(shù)據(jù)結(jié)構(gòu)，爬取的數(shù)據(jù)會被賦值成該對象。
- Scheduler（調(diào)度器）：用來接受引擎發(fā)過來的請求并加入隊列中，并在引擎再次請求的時候提供給引擎。
- Item Pipeline（項目管道）：負責(zé)處理由蜘蛛從網(wǎng)頁中抽取的項目，它的主要任務(wù)是清洗、驗證和存儲數(shù)據(jù)。
- Downloader（下載器）：用于下載網(wǎng)頁內(nèi)容，并將網(wǎng)頁內(nèi)容返回給Spiders。
- Spiders（蜘蛛）：其內(nèi)定義了爬取的邏輯和網(wǎng)頁的解析規(guī)則，它主要負責(zé)解析響應(yīng)并生成提取結(jié)果和新的請求。
- Downloader Middlewares（下載器中間件）：位于引擎和下載器之間的鉤子框架，主要是處理引擎與下載器之間的請求及響應(yīng)。
- Spider Middlewares（Spiders中間件）：位于引擎和蜘蛛之間的鉤子框架，主要工作是處理蜘蛛輸入的響應(yīng)和輸出的結(jié)果及新的請求。
Scrapy數(shù)據(jù)流機制
scrapy 中的數(shù)據(jù)流由引擎控制，其過程如下：
- Engine 首先打開一個網(wǎng)站，找到處理該網(wǎng)站的 Spider 并向該 Spider 請求第一個要爬取的 URL。
- Engine 從 Spider 中獲取到第一個要爬取的 URL 并通過 Scheduler 以 Request 的形式調(diào)度。
- Engine 向 Scheduler 請求下一個要爬取的 URL。
- Scheduler 返回下一個要爬取的 URL 給 Engine，Engine 將 URL 通過 Downloader Middlewares 轉(zhuǎn)發(fā)給 Downloader 下載。
- 一旦頁面下載完畢， Downloader 生成一個該頁面的 Response，并將其通過 Downloader Middlewares 發(fā)送給 Engine。
- Engine 從下載器中接收到 Response 并通過 Spider Middlewares 發(fā)送給 Spider 處理。
- Spider 處理 Response 并返回爬取到的 Item 及新的 Request 給 Engine。
- Engine 將 Spider 返回的 Item 給 Item Pipeline，將新的 Request 給 Scheduler。
- 重復(fù)第二步到最后一步，直到 Scheduler 中沒有更多的 Request，Engine 關(guān)閉該網(wǎng)站，爬取結(jié)束。
通過多個組件的相互協(xié)作、不同組件完成工作的不同、組件很好地支持異步處理，scrapy 最大限度地利用了網(wǎng)絡(luò)帶寬，大大提高了數(shù)據(jù)爬取和處理的效率。
二、scrapy的安裝和創(chuàng)建項目
pip install Scrapy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com安裝方法參考官方文檔：https://docs.scrapy.org/en/latest/intro/install.html
安裝完成之后，如果可以正常使用 scrapy 命令，那就是安裝成功了。
Scrapy是框架，已經(jīng)幫我們預(yù)先配置好了很多可用的組件和編寫爬蟲時所用的腳手架，也就是預(yù)生成一個項目框架，我們可以基于這個框架來快速編寫爬蟲。
Scrapy框架是通過命令行來創(chuàng)建項目的，創(chuàng)建項目的命令如下：
scrapy startproject practice命令執(zhí)行后，在當(dāng)前運行目錄下便會出現(xiàn)一個文件夾，叫作practice，這就是一個Scrapy 項目框架，我們可以基于這個項目框架來編寫爬蟲。
project/
__pycache__
spiders/
__pycache__
__init__.py
spider1.py
spider2.py
...
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
scrapy.cfg各個文件的功能描述如下：
- scrapy.cfg：它是 Scrapy 項目的配置文件，其內(nèi)定義了項目的配置文件路徑、部署相關(guān)信息等內(nèi)容。
- items.py：它定義 Item 數(shù)據(jù)結(jié)構(gòu)，所有的 Item 的定義都可以放這里。
- pipelines.py：它定義 Item Pipeline 的實現(xiàn)，所有的 Item Pipeline 的實現(xiàn)都可以放這里。
- settings.py：它定義項目的全局配置。
- middlewares.py：它定義 Spider Middlewares 和 Downloader Middlewares 的實現(xiàn)。
- spiders：其內(nèi)包含一個個 Spider 的實現(xiàn)，每個 Spider 都有一個文件。
三、scrapy的基本使用
實例1：爬取 Quotes
- 創(chuàng)建一個 Scrapy 項目。
- 創(chuàng)建一個 Spider 來抓取站點和處理數(shù)據(jù)。
- 通過命令行運行，將抓取的內(nèi)容導(dǎo)出。
目標(biāo)URL：http://quotes.toscrape.com/
創(chuàng)建項目
創(chuàng)建一個 scrapy 項目，項目文件可以直接用 scrapy 命令生成，命令如下所示：
scrapy startproject practice 創(chuàng)建Spider
Spider是自己定義的類，scrapy用它從網(wǎng)頁里抓取內(nèi)容，并解析抓取的結(jié)果。這個類必須繼承 Scrapy 提供的Spider類scrapy.Spider，還要定義Spider的名稱和起始請求，以及怎樣處理爬取后的結(jié)果的方法。
使用命令行創(chuàng)建一個Spider，命令如下：
cd practice
scrapy genspider quotes quotes.toscrape.com切換路徑到剛才創(chuàng)建的practice文件夾，然后執(zhí)行g(shù)enspider命令。第一個參數(shù)是Spider的名稱，第二個參數(shù)是網(wǎng)站域名。執(zhí)行完畢之后，spiders 文件夾中多了一個quotes.py，它就是剛剛創(chuàng)建的Spider，內(nèi)容如下：
import scrapy
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
pass可以看到quotes.py里有三個屬性——name、allowed_domains 和 start_urls，還有一個方法 parse。
- name：它是每個項目唯一的名字，用來區(qū)分不同的 Spider。
- allowed_domains：它是允許爬取的域名，如果初始或后續(xù)的請求鏈接不是這個域名下的，則請求鏈接會被過濾掉。
- start_urls：它包含了 Spider 在啟動時爬取的 url 列表，初始請求是由它來定義的。
- parse：它是 Spider 的一個方法。默認情況下，被調(diào)用時 start_urls 里面的鏈接構(gòu)成的請求完成下載執(zhí)行后，返回的響應(yīng)就會作為唯一的參數(shù)傳遞給這個函數(shù)。該方法負責(zé)解析返回的響應(yīng)、提取數(shù)據(jù)或者進一步生成要處理的請求。
創(chuàng)建 Item
Item 是保存爬取數(shù)據(jù)的容器，它的使用方法和字典類似。不過，相比字典，Item 多了額外的保護機制，可以避免拼寫錯誤或者定義字段錯誤。
創(chuàng)建 Item 需要繼承 scrapy.Item 類，并且定義類型為 scrapy.Field 的字段。觀察目標(biāo)網(wǎng)站，我們可以獲取到的內(nèi)容有 text、author、tags。
定義Item，此時進入items.py修改如下：
import scrapy
class QuoteItem(scrapy.Item):
text = scrapy.Field()
author = scrapy.Field()
tags = scrapy.Field()定義了三個字段，并將類的名稱修改為QuoteItem，接下來爬取時會使用到這個 Item。
解析 Response
parse 方法的參數(shù) response 是 start_urls 里面的鏈接爬取后的結(jié)果。所以在 parse 方法中，我們可以直接對 response 變量包含的內(nèi)容進行解析，比如瀏覽請求結(jié)果的網(wǎng)頁源代碼，或者進一步分析源代碼內(nèi)容，或者找出結(jié)果中的鏈接而得到下一個請求。
可以看到網(wǎng)頁中既有想要提取的數(shù)據(jù)，又有下一頁的鏈接，這兩部分內(nèi)容都可以進行處理。
首先看看網(wǎng)頁結(jié)構(gòu)，如圖所示。每一頁都有多個 class 為 quote 的區(qū)塊，每個區(qū)塊內(nèi)都包含 text、author、tags。那么我們先找出所有的 quote，然后提取每一個 quote 中的內(nèi)容。
提取數(shù)據(jù)的方式可以是 CSS 選擇器 或 XPath 選擇器
使用 Item
上文定義了 Item，接下來就要使用它了。Item 可以理解為一個字典，不過在聲明的時候需要實例化。然后依次用剛才解析的結(jié)果賦值 Item 的每一個字段，最后將 Item 返回即可。
import scrapy
from practice.items import QuoteItem
class QuotesSpider(scrapy.Spider):
name = 'quotes'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response, **kwargs):
quotes = response.css('.quote')
for quote in quotes:
item = QuoteItem()
item['text'] = quote.css('.text::text').extract_first()
item['author'] = quote.css('.author::text').extract_first()
item['tags'] = quote.css('.tags .tag::text').extract()
yield item后續(xù) Request
上面的操作實現(xiàn)了從初始頁面抓取內(nèi)容。實現(xiàn)翻頁爬取，這就需要從當(dāng)前頁面中找到信息來生成下一個請求，然后在下一個請求的頁面里找到信息再構(gòu)造下一個請求。這樣循環(huán)往復(fù)迭代，從而實現(xiàn)整站的爬取。
查看網(wǎng)頁源代碼，可以發(fā)現(xiàn)下一頁的鏈接是 /page/2/，但實際上全鏈接為：http://quotes.toscrape.com/page/2/ ，通過這個鏈接就可以構(gòu)造下一個請求。
構(gòu)造請求時需要用到 scrapy.Request。這里我們傳遞兩個參數(shù)—— url 和 callback，這兩個參數(shù)的說明如下：
- url：它是請求鏈接
- callback：它是回調(diào)函數(shù)。當(dāng)指定了該回調(diào)函數(shù)的請求完成之后，獲取到響應(yīng)，引擎會將該響應(yīng)作為參數(shù)傳遞給這個回調(diào)函數(shù)?；卣{(diào)函數(shù)進行解析或生成下一個請求，回調(diào)函數(shù)如上文的
parse()所示。
由于 parse 就是解析 text、author、tags 的方法，而下一頁的結(jié)構(gòu)和剛才已經(jīng)解析的頁面結(jié)構(gòu)是一樣的，所以我們可以再次使用 parse 方法來做頁面解析。
"""
@Author ：葉庭云
@Date ：2020/10/2 11:40
@CSDN ：https://blog.csdn.net/fyfugoyfa
"""
import scrapy
from practice.items import QuoteItem
class QuotesSpider(scrapy.Spider):
name = 'quotes'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response, **kwargs):
quotes = response.css('.quote')
for quote in quotes:
item = QuoteItem()
item['text'] = quote.css('.text::text').extract_first()
item['author'] = quote.css('.author::text').extract_first()
item['tags'] = quote.css('.tags .tag::text').extract()
yield item
next_page = response.css('.pager .next a::attr("href")').extract_first()
next_url = response.urljoin(next_page)
yield scrapy.Request(url=next_url, callback=self.parse)運行 接下來，進入目錄，運行如下命令：
scrapy crawl quotes -o quotes.csv
命令運行后，項目內(nèi)多了一個 quotes.csv 文件，文件包含了剛才抓取的所有內(nèi)容。
輸出格式還支持很多種，例如 json、xml、pickle、marshal 等，還支持 ftp、s3 等遠程輸出，另外還可以通過自定義 ItemExporter 來實現(xiàn)其他的輸出。
scrapy crawl quotes -o quotes.json
scrapy crawl quotes -o quotes.xml
scrapy crawl quotes -o quotes.pickle
scrapy crawl quotes -o quotes.marshal
scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv其中，ftp 輸出需要正確配置用戶名、密碼、地址、輸出路徑，否則會報錯。
通過 scrapy 提供的 Feed Exports，我們可以輕松地輸出抓取結(jié)果到文件，對于一些小型項目來說，這應(yīng)該足夠了。不過如果想要更復(fù)雜的輸出，如輸出到數(shù)據(jù)庫等，可以靈活使用 Item Pileline 來完成。
實例2：爬取圖片
目標(biāo)URL：http://sc.chinaz.com/tupian/dangaotupian.html
創(chuàng)建項目
scrapy startproject get_img
cd get_img
scrapy genspider img_spider sc.chinaz.com構(gòu)造請求
img_spider.py 中定義 start_requests() 方法，比如爬取這個網(wǎng)站里的蛋糕圖片，爬取頁數(shù)為 10，生成 10 次請求，如下所示：
def start_requests(self):
for i in range(1, 11):
if i == 1:
url = 'http://sc.chinaz.com/tupian/dangaotupian.html'
else:
url = f'http://sc.chinaz.com/tupian/dangaotupian_{i}.html'
yield scrapy.Request(url, self.parse)編寫 items.py
import scrapy
class GetImgItem(scrapy.Item):
img_url = scrapy.Field()
img_name = scrapy.Field()編寫 img_spider.py Spider 類定義了如何爬取某個(或某些)網(wǎng)站，包括了爬取的動作(例如：是否跟進鏈接)以及如何從網(wǎng)頁的內(nèi)容中提取結(jié)構(gòu)化數(shù)據(jù)(抓取item)
"""
@Author ：葉庭云
@Date ：2020/10/2 11:40
@CSDN ：https://blog.csdn.net/fyfugoyfa
"""
import scrapy
from get_img.items import GetImgItem
class ImgSpiderSpider(scrapy.Spider):
name = 'img_spider'
def start_requests(self):
for i in range(1, 11):
if i == 1:
url = 'http://sc.chinaz.com/tupian/dangaotupian.html'
else:
url = f'http://sc.chinaz.com/tupian/dangaotupian_{i}.html'
yield scrapy.Request(url, self.parse)
def parse(self, response, **kwargs):
src_list = response.xpath('//div[@id="container"]/div/div/a/img/@src2').extract()
alt_list = response.xpath('//div[@id="container"]/div/div/a/img/@alt').extract()
for alt, src in zip(alt_list, src_list):
item = GetImgItem() # 生成item對象
# 賦值
item['img_url'] = src
item['img_name'] = alt
yield item編寫管道文件 pipelines.py
Scrapy 提供了專門處理下載的 Pipeline，包括文件下載和圖片下載。下載文件和圖片的原理與抓取頁面的原理一樣，因此下載過程支持異步和多線程，十分高效。
from scrapy.pipelines.images import ImagesPipeline # scrapy圖片下載器
from scrapy import Request
from scrapy.exceptions import DropItem
class GetImgPipeline(ImagesPipeline):
# 請求下載圖片
def get_media_requests(self, item, info):
yield Request(item['img_url'], meta={'name': item['img_name']})
def item_completed(self, results, item, info):
# 分析下載結(jié)果并剔除下載失敗的圖片
image_paths = [x['path'] for ok, x in results if ok]
if not image_paths:
raise DropItem("Item contains no images")
return item
# 重寫file_path方法，將圖片以原來的名稱和格式進行保存
def file_path(self, request, response=None, info=None):
name = request.meta['name'] # 接收上面meta傳遞過來的圖片名稱
file_name = name + '.jpg' # 添加圖片后綴名
return file_name在這里實現(xiàn)了 GetImagPipeline，繼承 Scrapy 內(nèi)置的 ImagesPipeline，重寫了下面幾個方法：
- get_media_requests()。它的第一個參數(shù) item 是爬取生成的 Item 對象。我們將它的 url 字段取出來，然后直接生成 Request 對象。此 Request 加入調(diào)度隊列，等待被調(diào)度，執(zhí)行下載。
- item_completed()，它是當(dāng)單個 Item 完成下載時的處理方法。因為可能有個別圖片未成功下載，所以需要分析下載結(jié)果并剔除下載失敗的圖片。該方法的第一個參數(shù) results 就是該 Item 對應(yīng)的下載結(jié)果，它是一個列表形式，列表每一個元素是一個元組，其中包含了下載成功或失敗的信息。這里我們遍歷下載結(jié)果找出所有成功的下載列表。如果列表為空，那么說明該 Item 對應(yīng)的圖片下載失敗了，隨即拋出異常DropItem，該 Item 忽略。否則返回該 Item，說明此 Item 有效。
- file_path()，它的第一個參數(shù) request 就是當(dāng)前下載對應(yīng)的 Request 對象。這個方法用來返回保存的文件名，接收上面meta傳遞過來的圖片名稱，將圖片以原來的名稱和定義格式進行保存。
配置文件 settings.py
# setting.py
BOT_NAME = 'get_img'
SPIDER_MODULES = ['get_img.spiders']
NEWSPIDER_MODULE = 'get_img.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
DOWNLOAD_DELAY = 0.25
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'get_img.pipelines.GetImgPipeline': 300,
}
IMAGES_STORE = './images' # 設(shè)置保存圖片的路徑 會自動創(chuàng)建運行程序：
# 切換路徑到img_spider的目錄
scrapy crawl img_spiderscrapy框架爬蟲一邊爬取一邊下載，下載速度非?？?。
查看本地 images 文件夾，發(fā)現(xiàn)圖片都已經(jīng)成功下載，如圖所示：
到現(xiàn)在為止我們就大體知道了 Scrapy 的基本架構(gòu)并實操創(chuàng)建了一個 Scrapy 項目，編寫代碼進行了實例抓取，熟悉了 scrapy 爬蟲框架的基本使用。之后還需要更加詳細地了解和學(xué)習(xí) scrapy 的用法，感受它的強大。
作者：葉庭云
原文鏈接：https://yetingyun.blog.csdn.net/article/details/108217479
