5分钟快速掌握scrapy爬虫框架

1. scrapy简介

scrapy是分钟基于事件驱动的Twisted框架下用纯python写的爬虫框架。很早之前就开始用scrapy来爬取网络上的快速框架图片和文本信息，一直没有把细节记录下来。掌握这段时间，爬虫因为工作需要又重拾scrapy爬虫，分钟本文和大家分享下，快速框架包你一用就会，掌握 欢迎交流。爬虫

1.1 scrapy框架

scrapy框架包括5个主要的分钟组件和2个中间件Hook。

 ENGIINE：整个框架的快速框架控制中心， 控制整个爬虫的掌握流程。根据不同的爬虫条件添加不同的事件（就是用的Twisted）  SCHEDULER：事件调度器  DOWNLOADER：接收爬虫请求，从网上下载数据  SPIDERS：发起爬虫请求，分钟并解析DOWNLOADER返回的快速框架网页内容，同时和数据持久化进行交互,掌握需要开发者编写  ITEM PIPELINES：接收SPIDERS解析的结构化的字段，进行持久化等操作，需要开发者编写  MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之间一些额外的操作，hook的方式提供给开发者

从上可知，香港云服务器我们只要实现SPIDERS（要爬什么网站，怎么解析）和ITEM PIPELINES（如何处理解析后的内容）就可以了。其他的都是有框架帮你完成了。（图片来自网络，如果侵权联系必删）

1.2 scrapy数据流

我们再详细看下组件之间的数据流，会更清楚框架的内部运作。（图片来自网络，如果侵权联系必删）

  SPIDERS发爬虫请求给ENGIINE， 告诉它任务来了   ENGIINE将请求添加到SCHEDULER调度队列里, 说任务就交给你了，给我安排好   SCHEDULER看看手里的爬取请求很多，挑一个给ENGIINE， 说大哥帮忙转发给下载DOWNLOADER   ENGIINE：好的， DOWNLOADER你的任务来了   DOWNLOADER：开始下载了，下载好了，任务结果 交给ENGIINE   ENGIINE将结果给SPIDERS， 你的一个请求下载好了，快去解析吧   SPIDERS：好的，解析产生了结果字段。又给SPIDERS转发给ITEM PIPELINES   ITEM PIPELINES: 接收到字段内容，保存起来。

第1步到第8步，一个请求终于完成了。是云服务器不是觉得很多余？ENGIINE夹在中间当传话筒，能不能直接跳过？可以考虑跳过了会怎么样。

这里分析一下

SCHEDULER的作用：任务调度， 控制任务的并发，防止机器处理不过来  ENGIINE：就是基于Twisted框架, 当事件来（比如转发请求）的时候，通过回调的方式来执行对应的事件。我觉得ENGIINE让所有操作变的统一，都是按照事件的方式来组织其他组件， 其他组件以低耦合的方式运作；对于一种框架来说，无疑是必备的。

2. 基础：XPath

写爬虫最重要的是解析网页的内容，这个部分就介绍下通过XPath来解析网页，提取内容。

2.1 HTML节点和属性

（图片来自网络，如果侵权联系必删）

2.2 解析语法

 a / b：‘/’在 xpath里表示层级关系，左边的 a是云服务器提供商父节点，右边的 b是子节点  a // b：表示a下所有b，直接或者间接的  [@]：选择具有某个属性的节点   //div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点   //div[@class="container"]：选择具有 class属性的值为 container的 div节点  //a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签

一个例子 

response.xpath(//div[@class="taglist"]/ul//li//a//img/@data-original).get_all()  # 获取所有class属性（css）为taglist的div， 下一个层ul下的所有li下所有a下所有img标签下data-original属性  # data-original这里放的是图片的url地址 

更多详见

http://zvon.org/comp/r/tut-XPath_1.html#Pages~List_of_XPaths

3. 安装部署

Scrapy 是用纯python编写的，它依赖于几个关键的python包（以及其他包）：

 lxml 一个高效的XML和HTML解析器  parsel ，一个写在lxml上面的html/xml数据提取库,  w3lib ，用于处理URL和网页编码的多用途帮助程序  twisted 异步网络框架  cryptography 和 pyOpenSSL ，处理各种网络级安全需求  # 安装  pip install scrapy 

4. 创建爬虫项目 

scrapy startproject sexy  # 创建一个后的项目目录  # sexy  # │  scrapy.cfg  # │  # └─sexy  #     │  items.py  #     │  middlewares.py  #     │  pipelines.py  #     │  settings.py  #     │  __init__.py  #     │  #     ├─spiders  #     │  │  __init__.py  #     │  │  #     │  └─__pycache__  #     └─__pycache__  # 执行 需要到scrapy.cfg同级别的目录执行  scrapy crawl sexy 

从上可知，我们要写的是spiders里的具体的spider类和items.py和pipelines.py（对应的ITEM PIPELINES）

5. 开始scrapy爬虫

5.1 简单而强大的spider

这里实现的功能是从图片网站中下载图片，保存在本地， url做了脱敏。需要注意的点在注释要标明

 类要继承 scrapy.Spider  取一个唯一的name  爬取的网站url加到start_urls列表里  重写parse利用xpath解析reponse的内容

可以看到parse实现的时候没有转发给ITEM PIPELINES，直接处理了。这样简单的可以这么处理，如果业务很复杂，建议交给ITEM PIPELINES。后面会给例子 

# 目录结果为：spiders/sexy_spider.py  import scrapy  import os  import requests  import time  def download_from_url(url):      response = requests.get(url, stream=True)      if response.status_code == requests.codes.ok:          return response.content      else:          print(%s-%s % (url, response.status_code))          return None  class SexySpider(scrapy.Spider):     # 如果有多个spider， name要唯一      name = sexy      allowed_domains = [uumdfdfnt.94demo.com]      allowed_urls = [http://uumdfdfnt.94demo.com/]      # 需要爬取的网站url加到start_urls list里      start_urls = [http://uumdfdfnt.94demo.com/tag/dingziku/index.html]      save_path = /home/sexy/dingziku      def parse(self, response):          # 解析网站，获取图片列表          img_list = response.xpath(//div[@class="taglist"]/ul//li//a//img/@data-original).getall()          time.sleep(1)          # 处理图片， 具体业务操作， 可交给items， 见5.2 items例子          for img_url in img_list:              file_name = img_url.split(/)[-1]              content = download_from_url(img_url)              if content is not None:                  with open(os.path.join(self.save_path, file_name), wb) as fw:                      fw.write(content)          # 自动下一页（见5.3 自动下一页）          next_page = response.xpath(//div[@class="page both"]/ul/a[text()="下一页"]/@href).get()          if next_page is not None:              next_page = response.urljoin(next_page)              yield scrapy.Request(next_page, callback=self.parse) 

5.2 items和pipline例子

这里说明下两个的作用

 items：提供一个字段存储， spider会将数据存在这里  pipline：会从items取数据，进行业务操作，比如5.1中的保存图片；又比如存储到数据库中等

我们来改写下上面的例子

 items.py其实就是定义字段scrapy.Field()  import scrapy class SexyItem(scrapy.Item):      # define the fields for your item here like:      # name = scrapy.Field()      img_url = scrapy.Field()   spiders/sexy_spider.py  import scrapy  import os  # 导入item  from ..items import SexyItem  class SexySpider(scrapy.Spider):    # 如果有多个spider， name要唯一      name = sexy      allowed_domains = [uumdfdfnt.94demo.com]      allowed_urls = [http://uumdfdfnt.94demo.com/]      # 需要爬取的网站url加到start_urls list里      start_urls = [http://uumdfdfnt.94demo.com/tag/dingziku/index.html]      save_path = /home/sexy/dingziku      def parse(self, response):          # 解析网站，获取图片列表          img_list = response.xpath(//div[@class="taglist"]/ul//li//a//img/@data-original).getall()          time.sleep(1)          # 处理图片， 具体业务操作， 可交给yield items          for img_url in img_list:              items = SexyItem()              items[img_url] = img_url              yield items   pipelines.py  import os  import requests  def download_from_url(url):      response = requests.get(url, stream=True)      if response.status_code == requests.codes.ok:          return response.content      else:          print(%s-%s % (url, response.status_code))          return None  class SexyPipeline(object):      def __init__(self):          self.save_path = /tmp      def process_item(self, item, spider):          if spider.name == sexy:              # 取出item里内容              img_url = item[img_url]                        # 业务处理              file_name = img_url.split(/)[-1]              content = download_from_url(img_url)              if content is not None:                  with open(os.path.join(self.save_path, file_name), wb) as fw:                      fw.write(content)          return item   重要的配置要开启在settings.py中开启piplines类，数值表示优先级  ITEM_PIPELINES = {      sexy.pipelines.SexyPipeline: 300,  } 

5.3 自动下一页

有时候我们不仅要爬取请求页面中的内容，还要递归式的爬取里面的超链接url，特别是下一页这种，解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。

 先在页面解析下下一页的url  scrapy.Request(next_page, callback=self.parse) 发起一个请求，并调用parse来解析，当然你可以用其他的解析

完美了，完整例子见5.1 

next_page = response.xpath(//div[@class="page both"]/ul/a[text()="下一页"]/@href).get()  if next_page is not None:     next_page = response.urljoin(next_page)     yield scrapy.Request(next_page, callback=self.parse) 

5.4 中间件

 下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request，响应process_response和异常process_exception三个钩子函数。  处理请求process_request: 传给DOWNLOADER之前做的操作  响应process_response：DOWNLOADER给ENGIINE响应之前的操作

这里举一个添加模拟浏览器请求的方式，防止爬虫被封锁。重写process_request 

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware  import random  agents = [Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;,                Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1,                Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11,                Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11,                Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)]  class RandomUserAgent(UserAgentMiddleware):      def process_request(self, request, spider):          ua = random.choice(agents)          request.headers.setdefault(User-agent,ua,) 

统一要在settings.py中开启下载中间件，数值表示优先级 

DOWNLOADER_MIDDLEWARES = {       sexy.middlewares.customUserAgent.RandomUserAgent: 20,  } 

5.5 可用配置settings.py

除了上面提供的pipline配置开启和中间件配置外，下面介绍几个常用的配置

 爬虫机器人规则：ROBOTSTXT_OBEY = False， 如果要爬取的网站有设置robots.txt，最好设置为False  CONCURRENT_REQUESTS：并发请求  DOWNLOAD_DELAY：下载延迟，可以适当配置，避免把网站也爬挂了。

所有的配置详见 https://doc.scrapy.org/en/latest/topics/settings.html

6. 总结

相信从上面的介绍，你已经可以动手写一个你自己的爬虫了。我也完成了做笔记的任务了。scrapy还提供更加详细的细节，可参见https://docs.scrapy.org/en/latest/。

最后总结如下：

 scrapy是基于事件驱动Twisted框架的爬虫框架。ENGIINE是核心，负责串起其他组件  开发只要编写spider和item pipline和中间件， download和schedule交给框架  scrapy crawl 你的爬虫name，name要唯一  爬取的url放在start_urls， spider会自动Request的，parse来解析  pipline和中间件要记得在settings中开启  关注下settings的常用配置，需要时看下文档 

很赞哦!（66941）