标签：
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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
Scrapy框架
Scrapy 使用了 Twisted异步网络库来处理网络通讯。
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
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. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，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框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，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 Middewares)
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。
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
1 | pip install Scrapy |
注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/
运行命令:
1 | scrapy startproject your_project_name |
自动创建了目录：
1 2 3 4 5 6 7 8 9 | project_name/ scrapy.cfg project_name/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py |
文件说明：
scrapy.cfg 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）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则
注意：一般创建爬虫文件时，以网站域名命名
在spiders目录中新建 xiaohuar_spider.py 文件
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | #!/usr/bin/env python# -*- coding:utf-8 -*-import scrapy class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" #spider_name，下面运行时用这个名字 allowed_domains = ["xiaohuar.com"] start_urls = [ ] def parse(self, response): # print(response, type(response)) # from scrapy.http.response.html import HtmlResponse # print(response.body_as_unicode()) current_url = response.url body = response.body unicode_body = response.body_as_unicode() |
进入project_name目录，运行命令：
1 | scrapy crawl spider_name --nolog |
仅仅下载了初始url
以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕
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 39 40 41 42 | #!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorimport reimport urllibimport os class XiaoHuarSpider(scrapy.spiders.Spider): name = "xiaohuar" allowed_domains = ["xiaohuar.com"] start_urls = [ ] def parse(self, response): # 分析页面 # 找到页面中符合规则的内容（校花图片），保存 # 找到所有的a标签，再访问其他a标签，一层一层的搞下去 hxs = HtmlXPathSelector(response) #格式化HTML源码，选择器，如选择某个div下的a标签 # 当前页面！如果url是 http://www.xiaohuar.com/list-1-\d+.html items = hxs.select(‘//div[@class="item_list infinite_scroll"]/div‘) #找到校花列表下的所有div，一个div一个校花 for i in range(len(items)): src = hxs.select(‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src‘ % i).extract() name = hxs.select(‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()‘ % i).extract() school = hxs.select(‘//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()‘ % i).extract() if src: #保存图片 file_name = "%s_%s.jpg" % (school[0].encode(‘utf-8‘), name[0].encode(‘utf-8‘)) file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name) urllib.urlretrieve(ab_src, file_path) # 递归页面！获取所有的url，继续访问，并在其中寻找相同的url all_urls = hxs.select(‘//a/@href‘).extract() for url in all_urls: yield Request(url, callback=self.parse) #yield，递归的往下找 |
以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。
注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1
上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。看下面的实例：
在items.py中创建类：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | # -*- coding: utf-8 -*- # Define here the models for your scraped items## See documentation in: import scrapy class JieYiCaiItem(scrapy.Item): company = scrapy.Field() title = scrapy.Field() qq = scrapy.Field() info = scrapy.Field() more = scrapy.Field() |
上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：
spiders/jieyicai.py?
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 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 | #!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyimport hashlibfrom beauty.items import JieYiCaiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorfrom scrapy.spiders import CrawlSpider, Rulefrom scrapy.linkextractors import LinkExtractorclass JieYiCaiSpider(scrapy.spiders.Spider): count = 0 url_set = set() name = "jieyicai" allowed_domains = ["jieyicai.com"] start_urls = [ ] rules = [ #下面是符合规则的网址,但是不抓取内容,只是提取该页的链接(这里网址是虚构的,实际使用时请替换) #Rule(SgmlLinkExtractor(allow=(r‘http://test_url/test?page_index=\d+‘))), #下面是符合规则的网址,提取内容,(这里网址是虚构的,实际使用时请替换) #Rule(LinkExtractor(allow=(r‘http://www.jieyicai.com/Product/Detail.aspx?pid=\d+‘)), callback="parse"), ] def parse(self, response): md5_obj = hashlib.md5() md5_obj.update(response.url) md5_url = md5_obj.hexdigest() if md5_url in JieYiCaiSpider.url_set: pass else: JieYiCaiSpider.url_set.add(md5_url) hxs = HtmlXPathSelector(response) item = JieYiCaiItem() item[‘company‘] = hxs.select(‘//span[@class="username g-fs-14"]/text()‘).extract() item[‘qq‘] = hxs.select(‘//span[@class="g-left bor1qq"]/a/@href‘).re(‘.*uin=(?P<qq>\d*)&‘) item[‘info‘] = hxs.select(‘//div[@class="padd20 bor1 comard"]/text()‘).extract() item[‘more‘] = hxs.select(‘//li[@class="style4"]/a/@href‘).extract() item[‘title‘] = hxs.select(‘//div[@class="g-left prodetail-text"]/h2/text()‘).extract() yield item current_page_urls = hxs.select(‘//a/@href‘).extract() for i in range(len(current_page_urls)): url = current_page_urls[i] if url.startswith(‘/‘): url_ab = JieYiCaiSpider.domain + url yield Request(url_ab, callback=self.parse) |
此处代码的关键在于：
将获取的数据封装在了Item对象中
yield Item对象 （一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）
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 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 | import jsonfrom twisted.enterprise import adbapiimport MySQLdb.cursorsimport remobile_re = re.compile(r‘(13[0-9]|15[012356789]|17[678]|18[0-9]|14[57])[0-9]{8}‘)phone_re = re.compile(r‘(\d+-\d+|\d+)‘)class JsonPipeline(object): def __init__(self): self.file = open(‘/Users/wupeiqi/PycharmProjects/beauty/beauty/jieyicai.json‘, ‘wb‘) def process_item(self, item, spider): line = "%s %s\n" % (item[‘company‘][0].encode(‘utf-8‘), item[‘title‘][0].encode(‘utf-8‘)) self.file.write(line) return itemclass DBPipeline(object): def __init__(self): self.db_pool = adbapi.ConnectionPool(‘MySQLdb‘, db=‘DbCenter‘, user=‘root‘, passwd=‘123‘, cursorclass=MySQLdb.cursors.DictCursor, use_unicode=True) def process_item(self, item, spider): query = self.db_pool.runInteraction(self._conditional_insert, item) query.addErrback(self.handle_error) return item def _conditional_insert(self, tx, item): tx.execute("select nid from company where company = %s", (item[‘company‘][0], )) result = tx.fetchone() if result: pass else: phone_obj = phone_re.search(item[‘info‘][0].strip()) phone = phone_obj.group() if phone_obj else ‘ ‘ mobile_obj = mobile_re.search(item[‘info‘][1].strip()) mobile = mobile_obj.group() if mobile_obj else ‘ ‘ values = ( item[‘company‘][0], item[‘qq‘][0], phone, mobile, item[‘info‘][2].strip(), item[‘more‘][0]) tx.execute("insert into company(company,qq,phone,mobile,address,more) values(%s,%s,%s,%s,%s,%s)", values) def handle_error(self, e): print ‘error‘,e |
上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。
在settings.py中做如下配置：
1 2 3 4 5 | ITEM_PIPELINES = { ‘beauty.pipelines.DBPipeline‘: 300, ‘beauty.pipelines.JsonPipeline‘: 100,}# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。 |
更多请参见Scrapy文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
demo
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 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 | #!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyimport hashlibfrom tutorial.items import JinLuoSiItemfrom scrapy.http import Requestfrom scrapy.selector import HtmlXPathSelectorclass JinLuoSiSpider(scrapy.spiders.Spider): count = 0 url_set = set() name = "jluosi" allowed_domains = ["jluosi.com"] start_urls = [ ] def parse(self, response): md5_obj = hashlib.md5() md5_obj.update(response.url) md5_url = md5_obj.hexdigest() if md5_url in JinLuoSiSpider.url_set: pass else: JinLuoSiSpider.url_set.add(md5_url) hxs = HtmlXPathSelector(response) item = JinLuoSiItem() item[‘company‘] = hxs.select(‘//div[@class="ShopAddress"]/ul/li[1]/text()‘).extract() item[‘link‘] = hxs.select(‘//div[@class="ShopAddress"]/ul/li[2]/text()‘).extract() item[‘qq‘] = hxs.select(‘//div[@class="ShopAddress"]//a/@href‘).re(‘.*uin=(?P<qq>\d*)&‘) item[‘address‘] = hxs.select(‘//div[@class="ShopAddress"]/ul/li[4]/text()‘).extract() item[‘title‘] = hxs.select(‘//h1[@class="goodsDetail_goodsName"]/text()‘).extract() item[‘unit‘] = hxs.select(‘//table[@class="R_WebDetail_content_tab"]//tr[1]//td[3]/text()‘).extract() product_list = [] product_tr = hxs.select(‘//table[@class="R_WebDetail_content_tab"]//tr‘) for i in range(2,len(product_tr)): temp = { ‘standard‘:hxs.select(‘//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[2]/text()‘ %i).extract()[0].strip(), ‘price‘:hxs.select(‘//table[@class="R_WebDetail_content_tab"]//tr[%d]//td[3]/text()‘ %i).extract()[0].strip(), } product_list.append(temp) item[‘product_list‘] = product_list yield item current_page_urls = hxs.select(‘//a/@href‘).extract() for i in range(len(current_page_urls)): url = current_page_urls[i] url_ab = url yield Request(url_ab, callback=self.parse) |
更多选择器规则：http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/selectors.html
标签：
原文地址：http://www.cnblogs.com/daliangtou/p/5487536.html
