scrapy 爬虫 环境搭建入门(一)-阿里云开发者社区

开发者社区> 开发与运维> 正文

scrapy 爬虫 环境搭建入门(一)

简介: Scrapy介绍 Scrapy是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。 可以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。 所谓网络爬虫,就是一个在网上到处或定向抓取数据的程序,当然,这种说法不够专业,更专业的描述就是,抓取特定网站网页的HTML数据。抓取网页的一般方法是,定义一个入口页面,然后一般一个页面会有其他页面的URL,于是从当前页


Scrapy介绍

Scrapy是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。 可以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。
所谓网络爬虫,就是一个在网上到处或定向抓取数据的程序,当然,这种说法不够专业,更专业的描述就是,抓取特定网站网页的HTML数据。抓取网页的一般方法是,定义一个入口页面,然后一般一个页面会有其他页面的URL,于是从当前页面获取到这些URL加入到爬虫的抓取队列中,然后进入到新页面后再递归的进行上述的操作,其实说来就跟深度遍历或广度遍历一样。
Scrapy 使用 Twisted这个异步网络库来处理网络通讯,架构清晰,并且包含了各种中间件接口,可以灵活的完成各种需求。

整体架构


  • 引擎(Scrapy Engine),用来处理整个系统的数据流处理,触发事务。
  • 调度器(Scheduler),用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回。
  • 下载器(Downloader),用于下载网页内容,并将网页内容返回给蜘蛛。
  • 蜘蛛(Spiders),蜘蛛是主要干活的,用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
  • 项目管道(Item Pipeline),负责处理有蜘蛛从网页中抽取的项目,他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
  • 下载器中间件(Downloader Middlewares),位于Scrapy引擎和下载器之间的钩子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
  • 蜘蛛中间件(Spider Middlewares),介于Scrapy引擎和蜘蛛之间的钩子框架,主要工作是处理蜘蛛的响应输入和请求输出。
  • 调度中间件(Scheduler Middlewares),介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。

爬取流程

上图绿线是数据流向,首先从初始URL开始,Scheduler会将其交给Downloader进行下载,下载之后会交给Spider进行分析,Spider分析出来的结果有两种:一种是需要进一步抓取的链接,例如之前分析的“下一页”的链接,这些东西会被传回Scheduler;另一种是需要保存的数据,它们则被送到Item Pipeline那里,那是对数据进行后期处理(详细分析、过滤、存储等)的地方。另外,在数据流动的通道里还可以安装各种中间件,进行必要的处理。

数据流

Scrapy中的数据流由执行引擎控制,其过程如下:

  1. 引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
  2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
  3. 引擎向调度器请求下一个要爬取的URL。
  4. 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
  5. 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
  6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
  7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
  8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
  9. (从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。


文/JasonDing(简书作者)
原文链接:http://www.jianshu.com/p/a8aad3bf4dc4
著作权归作者所有,转载请联系作者获得授权,并标注“简书作者”。

我们使用dmoz.org这个网站来作为小抓抓一展身手的对象。


首先先要回答一个问题。

问:把网站装进爬虫里,总共分几步?

答案很简单,四步:

  • 新建项目 (Project):新建一个新的爬虫项目
  • 明确目标(Items):明确你想要抓取的目标
  • 制作爬虫(Spider):制作爬虫开始爬取网页
  • 存储内容(Pipeline):设计管道存储爬取内容


好的,基本流程既然确定了,那接下来就一步一步的完成就可以了。


1.新建项目(Project)

在空目录下按住Shift键右击,选择“在此处打开命令窗口”,输入一下命令:

 

  1. scrapy startproject tutorial  


其中,tutorial为项目名称。

可以看到将会创建一个tutorial文件夹,目录结构如下:

 

  1. tutorial/  
  2.     scrapy.cfg  
  3.     tutorial/  
  4.         __init__.py  
  5.         items.py  
  6.         pipelines.py  
  7.         settings.py  
  8.         spiders/  
  9.             __init__.py  
  10.             ...  




下面来简单介绍一下各个文件的作用:

  • scrapy.cfg:项目的配置文件
  • tutorial/:项目的Python模块,将会从这里引用代码
  • tutorial/items.py:项目的items文件
  • tutorial/pipelines.py:项目的pipelines文件
  • tutorial/settings.py:项目的设置文件
  • tutorial/spiders/:存储爬虫的目录


2.明确目标(Item)

在Scrapy中,items是用来加载抓取内容的容器,有点像Python中的Dic,也就是字典,但是提供了一些额外的保护减少错误。

一般来说,item可以用scrapy.item.Item类来创建,并且用scrapy.item.Field对象来定义属性(可以理解成类似于ORM的映射关系)。

接下来,我们开始来构建item模型(model)。

首先,我们想要的内容有:

  • 名称(name)
  • 链接(url)
  • 描述(description)


修改tutorial目录下的items.py文件,在原本的class后面添加我们自己的class。

因为要抓dmoz.org网站的内容,所以我们可以将其命名为DmozItem:

 

  1. # Define here the models for your scraped items  
  2. #  
  3. # See documentation in:  
  4. # http://doc.scrapy.org/en/latest/topics/items.html  
  5.   
  6. from scrapy.item import Item, Field  
  7.   
  8. class TutorialItem(Item):  
  9.     # define the fields for your item here like:  
  10.     # name = Field()  
  11.     pass  
  12.   
  13. class DmozItem(Item):  
  14.     title = Field()  
  15.     link = Field()  
  16.     desc = Field()  


刚开始看起来可能会有些看不懂,但是定义这些item能让你用其他组件的时候知道你的 items到底是什么。

可以把Item简单的理解成封装好的类对象。


3.制作爬虫(Spider)

制作爬虫,总体分两步:先爬再取。

也就是说,首先你要获取整个网页的所有内容,然后再取出其中对你有用的部分。

3.1爬

Spider是用户自己编写的类,用来从一个域(或域组)中抓取信息。

他们定义了用于下载的URL列表、跟踪链接的方案、解析网页内容的方式,以此来提取items。

要建立一个Spider,你必须用scrapy.spider.BaseSpider创建一个子类,并确定三个强制的属性:

  • name:爬虫的识别名称,必须是唯一的,在不同的爬虫中你必须定义不同的名字。
  • start_urls:爬取的URL列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
  • parse():解析的方法,调用的时候传入从每一个URL传回的Response对象作为唯一参数,负责解析并匹配抓取的数据(解析为item),跟踪更多的URL。

 

这里可以参考宽度爬虫教程中提及的思想来帮助理解,教程传送:[Java] 知乎下巴第5集:使用HttpClient工具包和宽度爬虫

也就是把Url存储下来并依此为起点逐步扩散开去,抓取所有符合条件的网页Url存储起来继续爬取。



下面我们来写第一只爬虫,命名为dmoz_spider.py,保存在tutorial\spiders目录下。

dmoz_spider.py代码如下:

  1. from scrapy.spider import Spider  
  2.   
  3. class DmozSpider(Spider):  
  4.     name = "dmoz"  
  5.     allowed_domains = ["dmoz.org"]  
  6.     start_urls = [  
  7.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  9.     ]  
  10.   
  11.     def parse(self, response):  
  12.         filename = response.url.split("/")[-2]  
  13.         open(filename, 'wb').write(response.body)  

allow_domains是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页。

从parse函数可以看出,将链接的最后两个地址取出作为文件名进行存储。

然后运行一下看看,在tutorial目录下按住shift右击,在此处打开命令窗口,输入:

  1. scrapy crawl dmoz  


运行结果如图:

报错了:

UnicodeDecodeError: 'ascii' codec can't decode byte 0xb0 in position 1: ordinal not in range(128)

运行第一个Scrapy项目就报错,真是命运多舛。

应该是出了编码问题,谷歌了一下找到了解决方案:

在python的Lib\site-packages文件夹下新建一个sitecustomize.py:

  1. import sys    
  2. sys.setdefaultencoding('gb2312')    


再次运行,OK,问题解决了,看一下结果:


最后一句INFO: Closing spider (finished)表明爬虫已经成功运行并且自行关闭了。

包含 [dmoz]的行 ,那对应着我们的爬虫运行的结果。

可以看到start_urls中定义的每个URL都有日志行。

还记得我们的start_urls吗?

http://www.dmoz.org/Computers/Programming/Languages/Python/Books
http://www.dmoz.org/Computers/Programming/Languages/Python/Resources

因为这些URL是起始页面,所以他们没有引用(referrers),所以在它们的每行末尾你会看到 (referer: <None>)。

在parse 方法的作用下,两个文件被创建:分别是 Books 和 Resources,这两个文件中有URL的页面内容。


那么在刚刚的电闪雷鸣之中到底发生了什么呢?

首先,Scrapy为爬虫的 start_urls属性中的每个URL创建了一个 scrapy.http.Request 对象 ,并将爬虫的parse 方法指定为回调函数。

然后,这些 Request被调度并执行,之后通过parse()方法返回scrapy.http.Response对象,并反馈给爬虫。


3.2取

爬取整个网页完毕,接下来的就是的取过程了。

光存储一整个网页还是不够用的。

在基础的爬虫里,这一步可以用正则表达式来抓。

在Scrapy里,使用一种叫做 XPath selectors的机制,它基于 XPath表达式。

如果你想了解更多selectors和其他机制你可以查阅资料:点我点我


这是一些XPath表达式的例子和他们的含义

  • /html/head/title: 选择HTML文档<head>元素下面的<title> 标签。
  • /html/head/title/text(): 选择前面提到的<title> 元素下面的文本内容
  • //td: 选择所有 <td> 元素
  • //div[@class="mine"]: 选择所有包含 class="mine" 属性的div 标签元素

以上只是几个使用XPath的简单例子,但是实际上XPath非常强大。

可以参照W3C教程:点我点我


为了方便使用XPaths,Scrapy提供XPathSelector 类,有两种可以选择,HtmlXPathSelector(HTML数据解析)和XmlXPathSelector(XML数据解析)。

必须通过一个 Response 对象对他们进行实例化操作。

你会发现Selector对象展示了文档的节点结构。因此,第一个实例化的selector必与根节点或者是整个目录有关 。

在Scrapy里面,Selectors 有四种基础的方法(点击查看API文档):

  • xpath():返回一系列的selectors,每一个select表示一个xpath参数表达式选择的节点
  • css():返回一系列的selectors,每一个select表示一个css参数表达式选择的节点
  • extract():返回一个unicode字符串,为选中的数据
  • re():返回一串一个unicode字符串,为使用正则表达式抓取出来的内容


3.3xpath实验

下面我们在Shell里面尝试一下Selector的用法。

实验的网址:http://www.dmoz.org/Computers/Programming/Languages/Python/Books/



熟悉完了实验的小白鼠,接下来就是用Shell爬取网页了。

进入到项目的顶层目录,也就是第一层tutorial文件夹下,在cmd中输入:

 

  1. scrapy shell http://www.dmoz.org/Computers/Programming/Languages/Python/Books/  


回车后可以看到如下的内容:

 


在Shell载入后,你将获得response回应,存储在本地变量 response中。

所以如果你输入response.body,你将会看到response的body部分,也就是抓取到的页面内容:


或者输入response.headers 来查看它的 header部分:



现在就像是一大堆沙子握在手里,里面藏着我们想要的金子,所以下一步,就是用筛子摇两下,把杂质出去,选出关键的内容。

selector就是这样一个筛子。

在旧的版本中,Shell实例化两种selectors,一个是解析HTML的 hxs 变量,一个是解析XML 的 xxs 变量。

而现在的Shell为我们准备好的selector对象,sel,可以根据返回的数据类型自动选择最佳的解析方案(XML or HTML)。

然后我们来捣弄一下!~

要彻底搞清楚这个问题,首先先要知道,抓到的页面到底是个什么样子。

比如,我们要抓取网页的标题,也就是<title>这个标签:


可以输入:

  1. sel.xpath('//title')  


结果就是:


这样就能把这个标签取出来了,用extract()和text()还可以进一步做处理。

备注:简单的罗列一下有用的xpath路径表达式:

 

表达式 描述
nodename 选取此节点的所有子节点。
/ 从根节点选取。
// 从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。
. 选取当前节点。
.. 选取当前节点的父节点。
@ 选取属性。


全部的实验结果如下,In[i]表示第i次实验的输入,Out[i]表示第i次结果的输出(建议大家参照:W3C教程):

  1. In [1]: sel.xpath('//title')  
  2. Out[1]: [<Selector xpath='//title' data=u'<title>Open Directory - Computers: Progr'>]  
  3.   
  4. In [2]: sel.xpath('//title').extract()  
  5. Out[2]: [u'<title>Open Directory - Computers: Programming: Languages: Python: Books</title>']  
  6.   
  7. In [3]: sel.xpath('//title/text()')  
  8. Out[3]: [<Selector xpath='//title/text()' data=u'Open Directory - Computers: Programming:'>]  
  9.   
  10. In [4]: sel.xpath('//title/text()').extract()  
  11. Out[4]: [u'Open Directory - Computers: Programming: Languages: Python: Books']  
  12.   
  13. In [5]: sel.xpath('//title/text()').re('(\w+):')  
  14. Out[5]: [u'Computers', u'Programming', u'Languages', u'Python']  



当然title这个标签对我们来说没有太多的价值,下面我们就来真正抓取一些有意义的东西。

使用火狐的审查元素我们可以清楚地看到,我们需要的东西如下:



我们可以用如下代码来抓取这个<li>标签:

 

  1. sel.xpath('//ul/li')  

从<li>标签中,可以这样获取网站的描述:

  1. sel.xpath('//ul/li/text()').extract()  




可以这样获取网站的标题:

  1. sel.xpath('//ul/li/a/text()').extract()  


可以这样获取网站的超链接:

  1. sel.xpath('//ul/li/a/@href').extract()  


当然,前面的这些例子是直接获取属性的方法。

我们注意到xpath返回了一个对象列表,

那么我们也可以直接调用这个列表中对象的属性挖掘更深的节点

(参考:Nesting selectors andWorking with relative XPaths in the Selectors):

 

sites = sel.xpath('//ul/li')
for site in sites:
    title = site.xpath('a/text()').extract()
    link = site.xpath('a/@href').extract()
    desc = site.xpath('text()').extract()
    print title, link, desc

 

3.4xpath实战

我们用shell做了这么久的实战,最后我们可以把前面学习到的内容应用到dmoz_spider这个爬虫中。

在原爬虫的parse函数中做如下修改:

 

  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. class DmozSpider(Spider):  
  5.     name = "dmoz"  
  6.     allowed_domains = ["dmoz.org"]  
  7.     start_urls = [  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  10.     ]  
  11.   
  12.     def parse(self, response):  
  13.         sel = Selector(response)  
  14.         sites = sel.xpath('//ul/li')  
  15.         for site in sites:  
  16.             title = site.xpath('a/text()').extract()  
  17.             link = site.xpath('a/@href').extract()  
  18.             desc = site.xpath('text()').extract()  
  19.             print title  


注意,我们从scrapy.selector中导入了Selector类,并且实例化了一个新的Selector对象。这样我们就可以像Shell中一样操作xpath了。

我们来试着输入一下命令运行爬虫(在tutorial根目录里面):

scrapy crawl dmoz

 

运行结果如下:

果然,成功的抓到了所有的标题。但是好像不太对啊,怎么Top,Python这种导航栏也抓取出来了呢?

我们只需要红圈中的内容:


看来是我们的xpath语句有点问题,没有仅仅把我们需要的项目名称抓取出来,也抓了一些无辜的但是xpath语法相同的元素。

审查元素我们发现我们需要的<ul>具有class='directory-url'的属性,

那么只要把xpath语句改成sel.xpath('//ul[@class="directory-url"]/li')即可

将xpath语句做如下调整:

  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. class DmozSpider(Spider):  
  5.     name = "dmoz"  
  6.     allowed_domains = ["dmoz.org"]  
  7.     start_urls = [  
  8.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  9.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  10.     ]  
  11.   
  12.     def parse(self, response):  
  13.         sel = Selector(response)  
  14.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
  15.         for site in sites:  
  16.             title = site.xpath('a/text()').extract()  
  17.             link = site.xpath('a/@href').extract()  
  18.             desc = site.xpath('text()').extract()  
  19.             print title  


成功抓出了所有的标题,绝对没有滥杀无辜:


3.5使用Item

接下来我们来看一看如何使用Item。

前面我们说过,Item 对象是自定义的python字典,可以使用标准字典语法获取某个属性的值:

  1. >>> item = DmozItem()  
  2. >>> item['title'] = 'Example title'  
  3. >>> item['title']  
  4. 'Example title'  


作为一只爬虫,Spiders希望能将其抓取的数据存放到Item对象中。为了返回我们抓取数据,spider的最终代码应当是这样:

 

  1. from scrapy.spider import Spider  
  2. from scrapy.selector import Selector  
  3.   
  4. from tutorial.items import DmozItem  
  5.   
  6. class DmozSpider(Spider):  
  7.     name = "dmoz"  
  8.     allowed_domains = ["dmoz.org"]  
  9.     start_urls = [  
  10.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",  
  11.         "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"  
  12.     ]  
  13.   
  14.     def parse(self, response):  
  15.         sel = Selector(response)  
  16.         sites = sel.xpath('//ul[@class="directory-url"]/li')  
  17.         items = []  
  18.         for site in sites:  
  19.             item = DmozItem()  
  20.             item['title'] = site.xpath('a/text()').extract()  
  21.             item['link'] = site.xpath('a/@href').extract()  
  22.             item['desc'] = site.xpath('text()').extract()  
  23.             items.append(item)  
  24.         return items  



4.存储内容(Pipeline)

保存信息的最简单的方法是通过Feed exports,主要有四种:JSON,JSON lines,CSV,XML。

我们将结果用最常用的JSON导出,命令如下:


  1. scrapy crawl dmoz -o items.json -t json  


-o 后面是导出文件名,-t 后面是导出类型。

然后来看一下导出的结果,用文本编辑器打开json文件即可(为了方便显示,在item中删去了除了title之外的属性):




因为这个只是一个小型的例子,所以这样简单的处理就可以了。

如果你想用抓取的items做更复杂的事情,你可以写一个 Item Pipeline(条目管道)。

这个我们以后再慢慢玩^_^

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
开发与运维
使用钉钉扫一扫加入圈子
+ 订阅

集结各类场景实战经验,助你开发运维畅行无忧

其他文章