python全栈之路系列之scrapy爬虫
An open source and collaborative framework for extracting the data you need from websites.
官网：https://scrapy.org
GITHUB地址：https://github.com/scrapy/scrapy
Scrapy运行流程大概如下：
引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取
安装
因为我是Ubuntu系统，所以可以直接通过pip安装scrapy
pip install scrapy
yum install gcc gcc-c++ python-devel mysql-devel zlib-devel openssl-devel -y
pip install twisted==13.1.0（）
安装时候报错，需要安装着两项低版本的twisted
使用
创建项目
scrapy startproject xiaohuar
目录结构
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
tree xiaohuawang
xiaohuawang
# 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
├── scrapy.cfg
└── xiaohuawang
├── __init__.py
# 设置数据存储模板，用于结构化数据
├── items.py
# 数据处理行为，如：一般结构化的数据持久化
├── pipelines.py
├── __pycache__
# 配置文件，如：递归的层数、并发数，延迟下载等
├── settings.py
# 爬虫目录，如：创建文件，编写爬虫规则
└── spiders
├── __init__.py
└── __pycache__
4
directories,
6
files
|
编写爬虫
创建文件：”xiaohuar/xiaohuar/spiders/myspider.py”
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
class
XiaoHuarSpider(scrapy.spiders.Spider):
name
=
"xiaohuar"
# APP的名字，必须定义
start_urls
=
[
"http://www.xiaohuar.com/hua/"
,
# 起始URL
]
def
parse(
self
, response):
# 抓取start_urls页面，自动执行parse回调函数
current_url
=
response.url
# 当前请求的URL
body
=
response.body
# 请求的内容
unicode_body
=
response.body_as_unicode()
# 编码
print
(body)
|
运行
进入xiaohuar目录，运行命令
|
1
|
scrapy runspider myspider.py
-
-
nolog
# 不输出debug日志
|
一个抓取图片的小实例
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import
scrapy
import
os
import
urllib
from
scrapy.selector
import
HtmlXPathSelector
class
XiaoHuarSpider(scrapy.spiders.Spider):
name
=
"xiaohuar"
# APP的名字，必须定义
start_urls
=
[
"http://www.xiaohuar.com/hua/"
,
# 起始URL
]
def
parse(
self
, response):
# 抓取start_urls页面，自动执行parse回调函数
hxs
=
HtmlXPathSelector(response)
# 匹配查找
items
=
hxs.select(
'//div[@class="item_list infinite_scroll"]/div'
)
for
i
in
range
(
len
(items)):
srcs
=
hxs.select(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src'
%
i).extract()
names
=
hxs.select(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()'
%
i).extract()
schools
=
hxs.select(
'//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()'
%
i).extract()
if
srcs
and
names
and
schools:
# print(names, srcs, schools)
# ['覃罗莹'] ['/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg'] ['广西农业职业技术学院']
try
:
ab_src
=
"http://www.xiaohuar.com"
+
srcs[
0
]
# 文件路径
file_name
=
names[
0
]
+
"."
+
srcs[
0
].split(
"."
)[
-
1
]
# 保存的文件名
file_path
=
os.path.join(
"./pic"
, file_name)
# 保存的路径当前目录pic
# print(ab_src, file_name, file_path)
# http://www.xiaohuar.com/d/file/20161018/5385b7113046ac9ae560da41a44b12af.jpg 覃罗莹jpg ./pic/覃罗莹jpg
urllib.urlretrieve(ab_src, file_path)
# 下载文件
# urllib.request.urlretrieve(ab_src, file_path) # 下载文件python3 是这个语法
except
Exception as e:
print
(
"错误》》"
, e)
|
选择器
基本的选择器
| 选择器 | 描述 |
|---|---|
// |
子子孙孙 |
/ |
孩子 |
//div[@class="c1"][@id='i1'] |
属性选择器 |
//div//img/@src |
div下所有的img属性src |
//div//a[1] |
索引取值 |
//div//a[1]//text() |
索引取值的内容 |
通过extract获取真实的数据：
|
1
|
/
/
div[@
class
=
"c1"
][@
id
=
'i1'
].extract()
|
支持正则
| 选择器 | 描述 |
|---|---|
//.select("div//a[1]").re("昵称:(\w+)") |
正则 |
官方文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
两种查找方式
|
1
2
3
4
5
6
7
8
9
|
# 即将被废弃的
from
scrapy.selector
import
HtmlXPathSelector
hxs
=
HtmlXPathSelector(response)
items_HtmlXPathSelector
=
hxs.select(
'//div[@class="item_list infinite_scroll"]/div'
)
print
(
len
(items_HtmlXPathSelector))
from
scrapy.selector
import
Selector
items_Selector
=
Selector(response
=
response).xpath(
'//div[@class="item_list infinite_scroll"]/div'
)
print
(
len
(items_Selector))
|
正则表达式实例
|
1
2
3
4
5
|
<body>
<li
class
=
"item-"
><a href
=
"link.html"
>first item<
/
a><
/
li>
<li
class
=
"item-0"
><a href
=
"link1.html"
>first item<
/
a><
/
li>
<li
class
=
"item-1"
><a href
=
"link2.html"
>second item<
/
a><
/
li>
<
/
body>
|
|
1
2
3
|
ret
=
Selector(response
=
response).xpath(
'//li[re:test(@class, "item-\d*")]//@href'
).extract()
# re -- 通过正则进行匹配
# test -- 匹配
|
扩展
重复的URL不访问
先把长的URL进行MD5加密，加密成32或者64位，可以保存在一个集合或者缓存、数据库中，每次抓取之前都先判断有没有这个URL。
递归查找
设置查找深度：修改settings.py配置文件，加入以下参数指定深度DEPTH_LIMIT = 1
内容格式化
就是相当于分类，比如说下面的文件：
| 文件 | 功能 |
|---|---|
myspider.py |
查找URL的规则 |
items.py |
数据 |
pipelines.py |
数据持久化 |
如图所示：
本文转自 Edenwy 51CTO博客，原文链接：http://blog.51cto.com/edeny/1919716，如需转载请自行联系原作者
