Python高效爬虫——scrapy介绍与使用

介绍

Scrapy是一个快速且高效的网页抓取框架，用于抓取网站并从中提取结构化数据。它可用于多种用途，从数据挖掘到监控和自动化测试。

相比于自己通过requests等模块开发爬虫，scrapy能极大的提高开发效率，包括且不限于以下原因：

1. 它是一个异步框架，并且能通过配置调节并发量，还可以针对域名或ip进行精准控制
2. 内置了xpath等提取器，方便提取结构化数据
3. 有爬虫中间件和下载中间件，可以轻松地添加、修改或删除请求和响应的处理逻辑，从而增强了框架的可扩展性
4. 通过管道方式存储数据，更加方便快捷的开发各种数据储存方式

安装

conda：

conda install -c conda-forge scrapy

pip：

pip install Scrapy

架构

各个模块的功能介绍

1. 引擎(Engine) :

• 负责控制整个爬取流程的核心模块。
• 将请求分配给下载器，并处理从下载器返回的响应。
• 负责调度器和下载器之间的协调工作，确保请求的顺利处理和数据的流通。

2. 调度器(Scheduler) :

• 接受引擎发来的请求，并根据一定的策略（如FIFO、LIFO等）将这些请求放入队列中，以便后续的处理。
• 防止重复请求的生成，确保爬取过程的有效性。

3. 下载器(Downloader) :

• 负责下载网页数据，发送HTTP请求并接收响应。
• 可配置代理、用户代理、cookies等信息，以模拟浏览器行为。
• 处理HTTP响应，将结果传递给引擎。

4. 中间件(Middleware) :

• 拦截和处理引擎、调度器、下载器之间的请求和响应。
• 可以在请求发出前进行预处理，或在响应返回后进行后处理。
• 可以进行用户自定义的操作，例如添加代理、修改请求头等。

5. 爬虫(Spider) :

• 用户编写的用于定义如何爬取特定网站的类。
• 包括起始URL、如何跟踪链接、如何提取数据等。
• 定义如何解析下载的页面并提取所需数据的规则。

6. 项目管道(Item Pipeline) :

• 处理爬取到的数据，包括清洗、验证、存储等操作。
• 通过多个项目管道进行数据处理，可以灵活应对不同类型数据的处理需求。

7. 调度器中间件(Scheduler Middleware) :

• 用于对请求的调度过程进行自定义的拦截和处理。
• 可以在请求入队列前或出队列后进行一些处理，例如动态修改优先级、过滤请求等。

8. 扩展(Extensions) :

• 用于监听Scrapy的信号、修改配置、添加新命令等。
• 可以用于监控爬取过程、记录日志、实现定制化需求等。

以上是对Scrapy框架中各个模块的详细介绍，每个模块都有其独特的功能和作用，通过它们的协作，Scrapy能够完成从网页爬取到数据处理的整个流程，在接下来的文章中，也会有各个模块的开发教程

运行流程

1. 配置爬虫(Spider)并启动引擎(Engine) :

• 用户编写具体的爬虫类，定义了如何爬取特定网站的规则。
• 用户通过命令行或代码方式启动Scrapy引擎，指定要运行的爬虫。

2. 引擎调度请求到调度器(Scheduler) :

• 引擎将起始请求发送给调度器，调度器根据一定的策略将请求放入队列中，等待下载器处理。
• 调度器会控制请求的优先级、去重逻辑等。

3. 下载器(Downloader)获取并处理请求:

• 下载器从调度器获取请求，然后发送HTTP请求到目标网站。
• 下载器接收目标网站的HTTP响应，将响应传递给引擎。

4. 引擎将响应发送给Spider处理:

• 引擎接收到下载器返回的响应，然后将响应发送给对应的Spider进行处理。
• Spider根据预定义的规则解析响应，提取所需的数据，并生成新的请求或数据项。

5. 处理数据项(Item) :

• 爬虫将从页面中提取的数据封装成数据项(Item)，并将其发送给项目管道(Item Pipeline)进行处理。
• 项目管道可以负责数据的清洗、验证、存储等操作，用户可以自定义多个项目管道，以便处理不同类型的数据。

6. 数据持久化:

• 经过项目管道处理后的数据项可以被持久化存储到数据库、文件等目的地。

7. 循环执行直到完成:

• 整个爬取流程会循环执行，直到队列中没有新的请求，或者爬取任务被手动终止。

8. 扩展和监控:

• 用户可以通过扩展(Extensions)来监听Scrapy的信号、修改配置、添加新命令等，以实现定制化需求。
• 可以使用日志和其他监控工具来监控爬取过程，确保爬虫正常运行。

总的来说，Scrapy运行模式是基于异步事件驱动的，各个模块之间通过事件和回调函数进行交互，整个爬取过程由引擎统一协调控制。这种模式使得Scrapy能够高效地处理大规模的爬取任务，并且具有良好的可扩展性和灵活性。

使用

使用下述命令创建第一个scrapy项目：scrapy startproject JuejinProject

其中JuejinProject是项目名，会得到如下结构：

各文件作用如下：

• scrapy.cfg：项目的配置文件，可以把框架相关配置写入。
• JuejinProject/items.py：定义结构化的数据模型。
• JuejinProject/pipelines.py：用来持久化存储数据模型。
• JuejinProject/settings.py：项目的设置文件。
• JuejinProject/spiders/：爬虫存放目录。

使用下述命令创建爬虫：

scrapy genspider toscrape quotes.toscrape.com/page/1/格式为"scrapy genspider 爬虫名 起始url" 这时你会发现在spiders路径下多了一个toscrape.py文件，添加注释后内容如下：

import scrapy
class ToscrapeSpider(scrapy.Spider):
    # 爬虫名
    name = "toscrape"
    # 允许的域名
    allowed_domains = ["quotes.toscrape.com"]
    # 起始url，第一个请求
    start_urls = ["https://quotes.toscrape.com/page/1/"]
    def parse(self, response):
        """
        默认的解析方法，请求得到的response对象会传入此方法
        :param response: 
        :return: 
        """
        pass

想使用xpath解析出指定字段需要使用xpath相关方法：

import scrapy
class ToscrapeSpider(scrapy.Spider):
    # 爬虫名
    name = "toscrape"
    # 允许的域名
    allowed_domains = ["quotes.toscrape.com"]
    # 起始url，第一个请求
    start_urls = ["https://quotes.toscrape.com/page/1/"]
    def parse(self, response):
        """
        默认的解析方法，请求得到的response对象会传入此方法
        :param response:
        :return:
        """
        quotes = response.xpath('//div[@class="quote"]')
        for quote in quotes:
            quote_text = quote.xpath('.//span[@class="text"]/text()').extract_first()
            print(quote_text)
if __name__ == '__main__':
    # 使用此方法可以对爬虫进行debug
    from scrapy.cmdline import execute
    execute('scrapy crawl toscrape'.split())

运行这段代码就可以得到页面上的人物发言了：

这只是最简单的一个例子，将数据输出到了控制台，在生产中，会有更复杂的问题需要解决，比如遇到反爬怎么处理？怎么把数据存入数据库？代码异常如何及时发现？网站有反爬怎么处理？在下边的章节，我将逐个解决遇到的问题，让scrapy更好的为你所用。