第4章 Scrapy爬虫入门实例 | Python技术交流与分享

文章目录

4.1 Scrapy 框架入门简介
4.1.1 Scrapy 框架
4.1.2 Scrapy 流程
4.1.3 Scrapy 开发一般步骤
4.1.4.Scrapy安装
4.2入门案例
4.2.1 创建项目
4.2.2 明确目标
4.2.3 制作爬虫

本章利用Scrapy架构，实现一个爬虫任务，从一个网站爬取一些教师信息（如教师姓名、职称、简介），然后把爬取的信息分别存放到cvs文件、MySQL。
环境为python3.6

4.1 Scrapy 框架入门简介

4.1.1 Scrapy 框架

Scrapy是用纯Python实现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，用途非常广泛。框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。Scrapy 使用了 Twisted'twɪstɪd异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy架构图（其中绿线是数据流向）

Scrapy Engine(引擎):
负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器):
它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

Downloader（下载器）：
负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，
Spider（爬虫）：
它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，
Item Pipeline(管道)：
它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
Downloader Middlewares（下载中间件）：
你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：
你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

4.1.2 Scrapy 流程

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
详细流程如下：
1 引擎：Hi！Spider, 你要处理哪一个网站？
2 Spider：老大要我处理xxxx.com。
3 引擎：你把第一个需要处理的URL给我吧。
4 Spider：给你，第一个URL是xxxxxxx.com。
5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
6 调度器：好的，正在处理你等一下。
7 引擎：Hi！调度器，把你处理好的request请求给我。
8 调度器：给你，这是我处理好的request
9 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
11 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13 引擎：Hi ！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14 管道调度器：好的，现在就做！

4.1.3 Scrapy 开发一般步骤

1、新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
2、明确目标（编写items.py）：明确你想要抓取的目标
3、制作爬虫（spiders/xxspider.py）：制作爬虫开始爬取网页
4、存储内容（pipelines.py）：设计管道存储爬取内容
本实例的流程如下图

4.1.4.Scrapy安装

conda install scrapy

1	conda install scrapy

验证安装是否成功

4.2入门案例

主要步骤：
1、创建一个Scrapy项目
2、定义提取的结构化数据(Item)
3、编写爬取网站的 Spider 并提取出结构化数据(Item)
4、编写 Item Pipelines 来存储提取到的Item(即结构化数据)

4.2.1 创建项目

新建项目(scrapy my_project)
在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令:

scrapy startproject my_project

1	scrapy startproject my_project

其中， my_project 为项目名称，可以看到将会创建一个 my_project 文件夹，目录结构大致如下：

下面来简单介绍一下各个主要文件的作用：
scrapy.cfg 是爬虫执行的入口文件。当输入“scrapy crawl”命令让爬虫开始工作时，首先会读取该文件中的配置项内容。
my_project/items.py 文件定义了爬虫抓取下来的数据，是以何种组织方式存储信息的。比如爬虫抓取的结果可以是标题字符串，也可以是结构化的JSON对象，或者是一张图片对应的字节流，items.py就是用来定义结构化对象中的属性名。
my_project/pipelines.py文件定义了信息的保存方式。爬虫抓取的内容，存放在内存对象中，如何保存这些信息，用户可以定义多种方式，比如写入文件、存入DB或者直接在控制台输出。Scrapy会采用管道（pipeline）方式，把内存中的信息依次交给每个管道文件。
my_project/settings.py 文件保存了爬虫运行时所依赖的配置信息。比如用户定义了两个pipelines.py文件，希望把抓取的内容先写入DB，再输出到控制台，那么就可以在setttings.py文件中定义ITEM_PIPELINES属性，其值分别给出了两个管道文件的文件名。比如：

ITEM_PIPELINES={'page.FilePipelines.PagePipeline':1, 'page.DBPipelines.DBPipeline':2}

1	ITEM_PIPELINES={'page.FilePipelines.PagePipeline':1, 'page.DBPipelines.DBPipeline':2}

my_project/spiders/ 是用来存放具体爬虫文件的目录。爬虫文件需要用户手动创建，在该目录下可以同时存在多个爬虫文件。

【备注】为保证输出格式为json文件也支持中文，在settings.py添加如下语句：

FEED_EXPORT_ENCODING = 'utf-8'

1	FEED_EXPORT_ENCODING = 'utf-8'

4.2.2 明确目标

我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。打开my_project目录下的items.py
Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类，并且定义类型为
scrapy.Field的类属性来定义一个Item。接下来，创建一个ItcastItem 类，和构建item模型（model）。

import scrapy
class ItcastItem(scrapy.Item):
   name = scrapy.Field()
   title = scrapy.Field()
   info = scrapy.Field()

import scrapy

class ItcastItem(scrapy.Item):

name = scrapy.Field()

title = scrapy.Field()

info = scrapy.Field()

4.2.3 制作爬虫

主要编辑spiders/itcastSpider.py
爬虫功能要分两步：
1. 爬数据
在当前目录下输入命令，将在my_project /spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

1	scrapy genspider itcast "itcast.cn"

打开 my_project /spider目录里的 itcast.py，默认增加了下列代码:

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = ('http://www.itcast.cn/')
    def parse(self, response):
        pass

import scrapy

class ItcastSpider(scrapy.Spider):

name = "itcast"

allowed_domains = ["itcast.cn"]

start_urls = ('http://www.itcast.cn/')

def parse(self, response):

pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦要建立一个Spider，你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。
name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。
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，不存在的URL会被忽略。
start_urls = () ：爬取的URL元祖/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(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

1	start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

修改parse()方法

def parse(self, response):
    filename = "teacher.html"
    open(filename, 'wb').write(response.body)

def parse(self, response):

filename = "teacher.html"

open(filename, 'wb').write(response.body)

然后运行一下看看，在my_project目录下(含文件scrapy.cfg所在的目录)执行：

scrapy crawl itcast -o teacher.html

1	scrapy crawl itcast -o teacher.html

2. 取数据
爬取整个网页完毕，接下来的就是的取过程了，首先观察页面源码：

是不是一目了然？直接上XPath开始提取数据吧。
我们之前在my_project /items.py 里定义了一个ItcastItem类。这里引入进来

from my_project.items import ItcastItem

1	from my_project.items import ItcastItem

然后将我们得到的数据封装到一个 ItcastItem 对象中，可以保存每个老师的属性,修改itcast.py文件如下。

import scrapy
from my_project.items import ItcastItem

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
	
    def parse(self, response):
        #filename = "teacher.html"
        #open(filename, 'wb').write(response.body)
        # 存放老师信息的集合
        items = []

        for each in response.xpath("//div[@class='li_txt']"):
            # 将我们得到的数据封装到一个 `ItcastItem` 对象
            item = ItcastItem()
            #extract()方法返回的都是unicode字符串
            name = each.xpath("h3/text()").extract()
            title = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            #xpath返回的是包含一个元素的列表
            item['name'] = name[0].encode('utf-8')
            item['title'] = title[0].encode('utf-8')
            item['info'] = info[0].encode('utf-8')

            items.append(item)

            # 直接返回最后数据
        return items

import scrapy

from my_project.items import ItcastItem

class ItcastSpider(scrapy.Spider):

name = "itcast"

allowed_domains = ["itcast.cn"]

start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)

def parse(self, response):

#filename = "teacher.html"

#open(filename, 'wb').write(response.body)

# 存放老师信息的集合

items = []

for each in response.xpath("//div[@class='li_txt']"):

# 将我们得到的数据封装到一个 `ItcastItem` 对象

item = ItcastItem()

#extract()方法返回的都是unicode字符串

name = each.xpath("h3/text()").extract()

title = each.xpath("h4/text()").extract()

info = each.xpath("p/text()").extract()

#xpath返回的是包含一个元素的列表

item['name'] = name[0].encode('utf-8')

item['title'] = title[0].encode('utf-8')

item['info'] = info[0].encode('utf-8')

items.append(item)

# 直接返回最后数据

return items

【备注】这里补充一点xpath有关内容，更多内容大家可以通过google或百度查询
XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。
下面列出了最有用的路径表达式：

3. 运行
在scrapy.cfg 所在文件的目录下，运行如下命令

scrapy crawl itcast -o teachers.csv

1	scrapy crawl itcast -o teachers.csv

运行完成后，在当前目录下，将生成一个文件：teachers.csv

查看该文件：

4、修改settles.py文件
一些变量可存放在settles.py文件中，把数据库的连接信息存放在该文件，便于以后维护管理

###########connect to mysql info#########
MYSQL_HOST = 'slave02'
MYSQL_USER = 'feigu'

#数据库用户feigu的密码
MYSQL_PASSWORD = 'feigu'
MYSQL_PORT = 3306

#你自己数据库的名称
MYSQL_DB = 'testdb'
CHARSET = 'utf8'

###########connect to mysql info#########

MYSQL_HOST = 'slave02'

MYSQL_USER = 'feigu'

#数据库用户feigu的密码

MYSQL_PASSWORD = 'feigu'

MYSQL_PORT = 3306

#你自己数据库的名称

MYSQL_DB = 'testdb'

CHARSET = 'utf8'

5、利用pipeline，把数据导入mysql数据库
pipeline.py文件定义数据存储的方式，此处定义数据存储的逻辑，可以将数据存储加载到MySQL数据库，MongoDB数据库，文件，CSV，Excel等存储介质中，如下以存储载CSV为例。
编辑pipeline.py文件

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import pymysql
import csv
from scrapy.utils.project import get_project_settings

#下面把抓取数据导出为csv文件

class MyProjectPipeline_csv(object):
    def process_item(self, item, spider):
        csvFile = open('/home/hadoop/ipynb/my_project/td_list.csv',mode='a') 
        files = csv.writer(csvFile,delimiter=',')
        files.writerow([str(item['name'],encoding="utf-8"),str(item['title'],encoding="utf-8"),str(item['info'],encoding="utf-8")])
        #files.writerow('\n')
        return item

#下面是将爬取到的信息插入到MySQL数据库中
class MyProjectPipeline_mysql(object):
    def __init__(self):
       self.settings = get_project_settings()
       self.host=self.settings.get('MYSQL_HOST')
       self.user=self.settings.get('MYSQL_USER')
       self.pwd=self.settings.get('MYSQL_PASSWORD')
       self.db=self.settings.get('MYSQL_DB')

    def process_item(self, item, spider):
#数据库连接
        con=pymysql.connect(host=self.host,user=self.user,passwd=self.pwd,db=self.db)
#数据库游标
        cue=con.cursor()
        print("mysql connect succes")#测试语句，这在程序执行时非常有效的理解程序是否执行到这一步
	 	#sql="insert into tdlist (name,title,info) values(%s,%s,%s)" % (item['name'],item['title'],item['info'])
        try:
            cue.execute("insert into teacherlist (name,title,info) values(%s,%s,%s)",[ item['name'],item['title'],item['info']])
            print("insert success")
        except Exception as e:
            print('Insert error:',e)
            con.rollback()
            
        else:
            con.commit()
        con.close()
        return item

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

# Define your item pipelines here

# Don't forget to add your pipeline to the ITEM_PIPELINES setting

# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import pymysql

import csv

from scrapy.utils.project import get_project_settings

#下面把抓取数据导出为csv文件

class MyProjectPipeline_csv(object):

def process_item(self, item, spider):

csvFile = open('/home/hadoop/ipynb/my_project/td_list.csv',mode='a')

files = csv.writer(csvFile,delimiter=',')

files.writerow([str(item['name'],encoding="utf-8"),str(item['title'],encoding="utf-8"),str(item['info'],encoding="utf-8")])

#files.writerow('\n')

return item

#下面是将爬取到的信息插入到MySQL数据库中

class MyProjectPipeline_mysql(object):

def __init__(self):

self.settings = get_project_settings()

self.host=self.settings.get('MYSQL_HOST')

self.user=self.settings.get('MYSQL_USER')

self.pwd=self.settings.get('MYSQL_PASSWORD')

self.db=self.settings.get('MYSQL_DB')

def process_item(self, item, spider):

#数据库连接

con=pymysql.connect(host=self.host,user=self.user,passwd=self.pwd,db=self.db)

#数据库游标

cue=con.cursor()

print("mysql connect succes")#测试语句，这在程序执行时非常有效的理解程序是否执行到这一步

#sql="insert into tdlist (name,title,info) values(%s,%s,%s)" % (item['name'],item['title'],item['info'])

try:

cue.execute("insert into teacherlist (name,title,info) values(%s,%s,%s)",[ item['name'],item['title'],item['info']])

print("insert success")

except Exception as e:

print('Insert error:',e)

con.rollback()

else:

con.commit()

con.close()

return item

6、修改settles.py文件
为说明通过pipeline导入数据程序，在文件settings.py后，添加如下一行：

ITEM_PIPELINES = {'my_project.pipelines.MyProjectPipeline_csv': 100,'my_project.pipelines.MyProjectPipeline_mysql': 200}

1	ITEM_PIPELINES = {'my_project.pipelines.MyProjectPipeline_csv': 100,'my_project.pipelines.MyProjectPipeline_mysql': 200}

7、运行以下命令

scrapy crawl itcast

1	scrapy crawl itcast

8、查询结果
csv文件内容：

查看数据库对应表部分记录：

Python技术交流与分享

分享技术平台

4.1 Scrapy 框架入门简介

4.1.1 Scrapy 框架

4.1.2 Scrapy 流程

4.1.3 Scrapy 开发一般步骤

4.1.4.Scrapy安装

4.2入门案例

4.2.1 创建项目

4.2.2 明确目标

4.2.3 制作爬虫

《第4章 Scrapy爬虫入门实例》有1个想法