Python爬虫：Scrapy 框架快速入门及实战演练

2020-07-31 15:41:22 浏览数 (1)

文章目录
  • 一、Scrapy 框架准备
  • 二、快速启动项目
    • 1、创建项目结构
    • 2、创建爬虫
    • 3、更改设置
    • 4、爬虫类分析
    • 5、编写启动脚本
  • 三、爬虫实战
    • 1、初步探索
    • 2、优化数据模型
    • 3、优化数据存储方式
    • 4、爬取多个页面

爬虫系列文章：

  • Python：使用爬虫获取中国最好的大学排名数据（爬虫入门）
  • Python：使用爬虫获取世界大学学术排名存储到 Excel 并作可视化输出
  • 多线程爬虫入门及问题解决（爬取表情包）

今天来介绍一下 Python 的一个爬虫框架Scrapy ，类似的还有 Portia Crawley。

本项目源码地址：https://github.com/wsuo/pythonHomework/tree/master/demo

一、Scrapy 框架准备

首先是安装爬虫这个框架：

代码语言：javascript复制
pip install scrapy

官方文档：https://docs.scrapy.org/en/latest/

如果是 Windows 下安装的，还需要安装一下这个：

代码语言：javascript复制
pip install pypiwin32

如果是 Ubuntu 上安装，需要提前安装这个：

代码语言：javascript复制
sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev

二、快速启动项目

以爬取糗事百科网站为例：https://www.qiushibaike.com/

可以分为以下四步：

代码语言：javascript复制
scrapy startproject demo
cd demo
scrapy genspider qsbk qiushibaike.com
scrapy crawl qsbk

1、创建项目结构

创建一个名为 demo 的项目，该命令仅仅是创建项目结构，你完全可以自己创建，只不过自动生成方便一些：

代码语言：javascript复制
scrapy startproject demo

使用 PyCharm 打开一个空的文件夹，然后进入终端输入命令即可：

项目结构如图：

  1. items.py：用来存放爬虫爬取下来数据的模型。
  2. middlewares.py：用来存放各种中间件的文件。
  3. pipelines.py：用来将items的模型存储到本地磁盘中。
  4. settings.py：本爬虫的一些配置信息（比如请求头、多久发送一次请求、ip代理池等）。
  5. scrapy.cfg：项目的配置文件。
  6. spiders包：以后所有的爬虫，都是存放到这个里面。

2、创建爬虫

先执行进入到工作目录：

代码语言：javascript复制
cd demo

然后执行命令创建爬虫：

代码语言：javascript复制
scrapy genspider qsbk qiushibaike.com

然后就会自动生成一个文件qsbk.py：

3、更改设置

首先我们要更改一下设置项，为了能够爬到我们想要的数据，我们这里 顶风作案 一下：

修改 ROBOTSTXT_OBEY = False；

然后加上请求头的 User-Agent，伪装为浏览器访问：

代码语言：javascript复制
DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'en',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.116 Safari/537.36',
}

4、爬虫类分析

下面我们来看一下爬虫类：

代码语言：javascript复制
name = 'qsbk'  # 运行的时候输入这个名字，比如
allowed_domains = ['qiushibaike.com']  # 允许的域名
start_urls = ['http://qiushibaike.com/']  # 开始的 url

我们先来试一下：

代码语言：javascript复制
class QsbkSpider(scrapy.Spider):
    name = 'qsbk'  # 运行的时候输入这个名字
    allowed_domains = ['qiushibaike.com']  # 允许的域名
    start_urls = ['https://www.qiushibaike.com/text/page/1/']  # 开始的 url

    def parse(self, response):
        print('-'*40)
        print(response)
        print(type(response))
        print('-'*40)

运行一下：scrapy crawl qsbk 就可以看到结果了。

代码语言：javascript复制
<200 https://www.qiushibaike.com/text/page/1/>
<class 'scrapy.http.response.html.HtmlResponse'>

类型为 HtmlResponse。

追踪这个类的父类：

可以看到有 xpath 的方法，说明我们可以使用 xpath 解析响应信息。

编写如下代码：

代码语言：javascript复制
def parse(self, response):
        content = response.xpath('//div[@class="content"]')
        print('-'*40)
        print(response)
        print(type(content))
        print(type(response))
        print('-'*40)

输出：

追踪类SelectorList，找到selector类：

观察该类的方法。

比较重要的方法就是 extract方法可以将 SelectorList类型的转化为列表类型，并且里面装的是字符串，extract_first方法是获取第一个元素。

5、编写启动脚本

由于每次都要输入命令启动挺麻烦的，所以我们可以使用脚本文件执行命令行的命令。

创建一个start.py文件，随便在哪里创建都可以；

内容如下：

代码语言：javascript复制
from scrapy import cmdline

cmdline.execute(['scrapy', 'crawl', 'qsbk', '--nolog'])

三、爬虫实战

我们先初步的探索，然后慢慢的优化。

1、初步探索

继续上一步的操作，我们在爬虫类QsbkSpider中继续写逻辑。

先来获取一下作者的名称小试牛刀一下，编写代码：

代码语言：javascript复制
class QsbkSpider(scrapy.Spider):
    name = 'qsbk'  # 运行的时候输入这个名字
    allowed_domains = ['qiushibaike.com']  # 允许的域名
    start_urls = ['https://www.qiushibaike.com/text/page/1/']  # 开始的 url

    def parse(self, response):
        divs = response.xpath('//div[@class="col1 old-style-col1"]/div')
        for div in divs:
            author = div.xpath('./div[@class="author clearfix"]//h2/text()').get().strip()
            print(author)

查看输出结果：

说明这是可以的，下面我们继续爬取后面的内容，比如爬取段子的内容。

代码语言：javascript复制
content = ''.join(div.xpath('.//div[@class="content"]/span[1]/text()').getall()).strip()

yield 的作用是将函数作为一个生成器返回，以后遍历的时候就会把数据一个一个的拿过去

代码语言：javascript复制
def parse(self, response):
        divs = response.xpath('//div[@class="col1 old-style-col1"]/div')
        for div in divs:
            author = div.xpath('.//h2/text()').get().strip()
            content = ''.join(div.xpath('.//div[@class="content"]/span[1]/text()').getall()).strip()
            # yield 的作用是将函数作为一个生成器,以后遍历的时候就会把数据一个一个的拿过去
            yield {'昵称': author, '段子内容': content}

然后我们可以存储到本地，这就是需要到管道中执行了，所以打开DemoPipeline类：

代码语言：javascript复制
class DemoPipeline(object):
    def process_item(self, item, spider):
        return item
    
    def open_spider(self, spider):
        print('爬虫开始')
    
    def close_spider(self, spider):
        print('爬虫结束')

后面两个方法默认是没有的，但是如果我们有文件操作最好可以放在这里面。

但是在使用之前，我们必须要先到配置文件中打开管道：

后面这个值越小越先执行。

编写代码：

代码语言：javascript复制
import json

class DemoPipeline(object):
    def process_item(self, item, spider):
        json.dump(item, self.file, ensure_ascii=False, indent=4)
        self.file.write('n')
        return item

    def open_spider(self, spider):
        self.file = open('dz.json', 'a', encoding='utf-8')
        print('爬虫开始')

    def close_spider(self, spider):
        self.file.close()
        print('爬虫结束')

执行结果：

2、优化数据模型

我们之前使用的是自己造的一个字典在爬虫类和管道之间传输，但是更好的做法是使用数据模型，下面我们来实现一下。

定义一个类DemoItem：

代码语言：javascript复制
class DemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field()
    content = scrapy.Field()

然后我们在爬虫类中引入这个模型：

代码语言：javascript复制
import scrapy
# noinspection PyUnresolvedReferences
from demo.items import DemoItem


class QsbkSpider(scrapy.Spider):
    name = 'qsbk'  # 运行的时候输入这个名字
    allowed_domains = ['qiushibaike.com']  # 允许的域名
    start_urls = ['https://www.qiushibaike.com/text/page/1/']  # 开始的 url

    def parse(self, response):
        divs = response.xpath('//div[@class="col1 old-style-col1"]/div')
        for div in divs:
            author = div.xpath('.//h2/text()').get().strip()
            content = ''.join(div.xpath('.//div[@class="content"]/span[1]/text()').getall()).strip()
            # yield 的作用是将函数作为一个生成器,以后遍历的时候就会把数据一个一个的拿过去
            yield DemoItem(author=author, content=content)

好处就是：解耦，约定数据种类，更规范。

但是在管道中获取的时候会有问题，因为他获取的是一个 DemoItem 类型的参数，我们要把它转化为字典类型。

代码语言：javascript复制
json.dump(dict(item), self.file, ensure_ascii=False, indent=4)

3、优化数据存储方式

优化存储方式肯定要修改管道中的代码，所以我们先注释掉之前写的代码。

使用 scrapy 自带的 JSON 持久化方式。

代码语言：javascript复制
from scrapy.exporters import JsonItemExporter


class DemoPipeline(object):
    def __init__(self):
        self.file = open('dz.json', 'wb')
        self.exporter = JsonItemExporter(self.file, ensure_ascii=False, encoding='utf-8')

    def open_spider(self, spider):
        print('爬虫开始了')
        # 使用二进制打开
        self.exporter.start_exporting()

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

    def close_spider(self, spider):
        self.exporter.finish_exporting()
        self.file.close()
        print('爬虫结束了')

注意这里必须是文件打开的方式必须是 wb 而且不能指定编码格式。

这样执行的结果就是装在一个列表当中了。

它的执行流程其实就是先将数据塞到一个列表当中，然后调用finish_exporting()写入文件中。

所以他有一个缺陷就是如果 item 比较大的话，他的列表也比较大，一直在内存中就会比较耗内存。

所以我们可以使用JsonLinesItemExporter这个类，他就是不缓存到一个列表当中，直接一行一行的写入文件。

代码如下：

代码语言：javascript复制
class DemoPipeline(object):
    def __init__(self):
        self.file = open('dz.json', 'wb')
        self.exporter = JsonLinesItemExporter(self.file, ensure_ascii=False, encoding='utf-8')

    def open_spider(self, spider):
        print('爬虫开始了')

    def process_item(self, item, spider):
        self.exporter.export_item(item)
        return item

    def close_spider(self, spider):
        self.file.close()
        print('爬虫结束了')

结果如下：

还有很多文件格式的保存方法，比如 xml、csv、pickel 等等，这里就不再一一演示了。

4、爬取多个页面

我们之前爬的都是单页面，那么怎么才能爬取多页面呢？

我们再来分析一下页面结构：

可以看到最后一个 li 标签中就是页数，但是有一点要注意的就是到最后一页的时候要有一个判断。

我们使用 xpath 来获取 href 的值：

在爬虫类中编写代码：

代码语言：javascript复制
class QsbkSpider(scrapy.Spider):
    name = 'qsbk'  # 运行的时候输入这个名字
    allowed_domains = ['qiushibaike.com']  # 允许的域名
    start_urls = ['https://www.qiushibaike.com/text/page/1/']  # 开始的 url
    base_domain = 'https://www.qiushibaike.com'

    def parse(self, response):
        divs = response.xpath('//div[@class="col1 old-style-col1"]/div')
        for div in divs:
            author = div.xpath('.//h2/text()').get().strip()
            content = ''.join(div.xpath('.//div[@class="content"]/span[1]/text()').getall()).strip()
            # yield 的作用是将函数作为一个生成器,以后遍历的时候就会把数据一个一个的拿过去
            yield DemoItem(author=author, content=content)
        next_url = response.xpath('//ul[@class="pagination"]//li[last()]/a/@href').get()
        if not next_url:
            return
        else:
            yield scrapy.Request(self.base_domain   next_url, callback=self.parse)

我们在设置页面设置下载的延时，这样的话可以控制爬的速度，因为太快的话容易被发现，而且还有可能把别人服务器搞垮了：

执行结果：

当然这样不是最好的解决方案，后续文章会讲解 CrawlSpider 类的使用。

参考链接：

  • https://www.bilibili.com/video/BV124411A7Ep
  • https://docs.scrapy.org/en/latest/
爬虫 https 网络安全 scrapy python

0 人点赞