当前位置:澳门新葡亰网站所有平台 > 网址大全 > 教你分分钟学会用python爬虫框架Scrapy爬取心目中

教你分分钟学会用python爬虫框架Scrapy爬取心目中

文章作者:网址大全 上传时间:2019-11-07

Scrapy,Python开垦的三个飞速,高档案的次序的显示屏抓取和web抓取框架,用于抓取web站点并从页面中领取结构化的数额。Scrapy用项分布,能够用来数据开采、监测和自动化测验。

Scrapy吸引人的地点在于它是多个框架,任什么人都得以凭仗必要方便的改造。它也提供了三连串型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支撑。

Scratch,是抓取的意思,那个Python的爬虫框架叫Scrapy,大致也是其一意思吧,就叫它:小刮刮吧。

 

Scrapy 使用了 Twisted异步互连网库来处理网络通信。全部架构差没多少如下

网址大全 1Scrapy首要不外乎了以下组件:

  • 引擎(Scrapy)
    用来管理任何类其他数据流处理, 触发工作(框架宗旨)
  • 调度器(Scheduler)
    用来经受引擎发过来的乞请, 压入队列中, 并在内燃机再度呼吁的时候重临. 能够想像成三个U福特ExplorerL(抓取网页的网站或许说是链接卡塔尔国的预先队列, 由它来调节下三个要抓取的网站是何等, 相同的时间去除重复的网站
  • 下载器(Downloader)
    用来下载网页内容, 并将网页内容再次回到给蜘蛛(Scrapy下载器是树立在twisted那几个便捷的异步模型上的)
  • 爬虫(Spiders)
    爬虫是关键职业的, 用于从一定的网页中领到本人索要的音信, 即所谓的实业(Item)。客商也得以从当中提抽取链接,让Scrapy继续抓取下叁个页面
  • 类型管道(Pipeline)
    担当管理爬虫从网页中抽出的实体,首要的作用是长久化实体、验证实体的行之有效、消灭无需的新闻。当页面被爬虫拆解解析后,将被发送到项目管道,并透过几个特定的前后相继管理多少。
  • 下载器中间件(Downloader Middlewares)
    投身Scrapy引擎和下载器之间的框架,首假诺管理Scrapy引擎与下载器之间的号令及响应。
  • 爬虫中间件(Spider Middlewares)
    在于Scrapy引擎和爬虫之间的框架,首要办事是处理蜘蛛的响应输入和央求输出。
  • 调整中间件(Scheduler Middewares)
    介于Scrapy引擎和调整之间的中间件,从Scrapy引擎发送到调治的乞请和响应。

Scrapy运维流程大概如下:

  1. 内燃机从调解器中取出三个链接(U讴歌RDXL)用于接下去的抓取
  2. 内燃机把U奥迪Q7L封装成叁个恳求(Request)传给下载器
  3. 下载器把财富下载下来,并封装成应答包(Response)
  4. 爬虫分析Response
  5. 浅析出实体(Item卡塔 尔(阿拉伯语:قطر‎,则交由实体管道展开更为的拍卖
  6. 浅析出的是链接(U奥德赛L卡塔 尔(英语:State of Qatar),则把UCR-VL交给调节器等待抓取

一、安装

因为python3并不能完全扶助Scrapy,由此为了康健运营Scrapy,大家利用python2.7来编排和平运动转Scrapy。

 

 

1
pip install Scrapy

注:windows平台必要信任pywin32,请遵照本人系统32/六14人选用下载安装,

任何或然依附的安装包:lxml-3.6.4-cp27-cp27m-win_amd64.whl,VCForPython27.msi百度下载就可以

二、基本使用

1、创设项目

运转命令:

 

 

1
scrapy startproject p1(your_project_name)

2.电动创立目录的结果:

网址大全 2

文件注脚:

  • scrapy.cfg  项目标布局音讯,主要为Scrapy命令行工具提供二个底蕴的安顿新闻。(真正爬虫相关的配置音讯在settings.py文件中卡塔 尔(英语:State of Qatar)
  • items.py    设置数据存款和储蓄模板,用于结构化数据,如:Django的Model
  • pipelines    数据管理作为,如:平时结构化的多寡长久化
  • 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:创制文件,编写爬虫法规

专一:日常创制爬虫文件时,以网站域名命名

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

网址大全 3

演示代码:

 

 

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"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.gg4493.cn/",
    ]
 
    def parse(self, response):
        # print(response, type(response))
        # from scrapy.http.response.html import HtmlResponse
        # print(response.body_as_unicode())
 
        current_url = response.url #爬取时请求的url
        body = response.body  #返回的html
        unicode_body = response.body_as_unicode()#返回的html unicode编码

备注:

  • 1.爬虫文件要求定义三个类,并持续scrapy.spiders.Spider
  • 2.必得定义name,即爬虫名,如果没有name,会报错。因为源码中是这样定义的:

网址大全 4

  • 网址大全,3.编写函数parse,这里要求注意的是,该函数名不能够退换,因为Scrapy源码中默许callback函数的函数名便是parse;
  • 4.概念供给爬取的url,放在列表中,因为能够爬取三个url,Scrapy源码是三个For循环,从上到下爬取那么些url,使用生成器迭代将url发送给下载器下载url的html。源码截图:

网址大全 5

网址大全 6

网址大全 7

4、运行

进去p1目录,运转命令

 

 

1
scrapy crawl xiaohau --nolog

格式:scrapy crawl+爬虫名  –nolog即不显得日志

5.scrapy查询语法:

当我们爬取大量的网页,要是本身写正则相配,会很艰难,也很浪费时间,令人欣尉的是,scrapy内部匡助更简约的询问语法,帮忙我们去html中查询大家须求的竹签和标签内容以至标签属性。下边逐风流洒脱开展介绍:

  • 查询子孙后代中的有些标签(以div标签为例)://div
  • 查询儿子中的有个别标签(以div标签为例):/div
  • 询问标签中包涵有些class属性的竹签://div[@class=’c1′]即子孙后代中标签是div且class=‘c1’的竹签
  • 查询标签中蕴藏有个别class=‘c1’并且自定义属性name=‘alex’的价签://div[@class=’c1′][@name=’alex’]
  • 查询某些标签的公文内容://div/span/text() 即查询世世代代中div上边包车型地铁span标签中的文本内容
  • 询问有个别属性的值(比方查询a标签的href属性卡塔 尔(英语:State of Qatar)://a/@href

演示代码:

 

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
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)#创建查询对象
 
       # 如果url是 http://www.xiaohuar.com/list-1-d+.html
       if re.match('http://www.gg4493.cn/', response.url): #如果url能够匹配到需要爬取的url,即本站url
           items = hxs.select('//div[@class="item_list infinite_scroll"]/div') #select中填写查询目标,按scrapy查询语法书写
           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()#查询所有img标签的src属性,即获取校花图片地址
               name = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract() #获取span的文本内容,即校花姓名
               school = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract() #校花学校
               if src:
                   ab_src = "http://www.gg4493.cn/" + src[0]#相对路径拼接
                   file_name = "%s_%s.jpg" % (school[0].encode('utf-8'), name[0].encode('utf-8')) #文件名,因为python27默认编码格式是unicode编码,因此我们需要编码成utf-8
                   file_path = os.path.join("/Users/wupeiqi/PycharmProjects/beauty/pic", file_name)
                   urllib.urlretrieve(ab_src, file_path)

注:urllib.urlretrieve(ab_src, file_path) ,接受文件路线和内需保留的门径,会自动去文件路线下载并保存到大家钦点的本土路线。

5.递归爬取网页

上述代码仅仅落成了二个url的爬取,假诺该url的爬取的开始和结果中含有了别的url,而笔者辈也想对其张开爬取,那么什么样实现递归爬取网页呢?

示范代码:

 

 

1
2
3
4
5
# 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:
            if url.startswith('http://www.gg4493.cn/'):
                yield Request(url, callback=self.parse)

即经过yield生成器向每一个url发送request央浼,并实施回来函数parse,从而递归获取校花图片和校花姓名高校等信息。

注:能够改善settings.py 中的配置文件,以此来钦点“递归”的层数,如: DEPTH_LIMIT = 1

6.scrapy询问语法中的正则:

 

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
from scrapy.selector import Selector
from scrapy.http import HtmlResponse
html = """<!DOCTYPE html>
<html>
<head lang="en">
    <meta charset="UTF-8">
    <title></title>
</head>
<body>
    <li class="item-"><a href="link.html">first item</a></li>
    <li class="item-0"><a href="link1.html">first item</a></li>
    <li class="item-1"><a href="link2.html">second item</a></li>
</body>
</html>
"""
response = HtmlResponse(url='http://www.gg4493.cn/', body=html,encoding='utf-8')
ret = Selector(response=response).xpath('//li[re:test(@class, "item-d*")]//@href').extract()
print(ret)

 

  • 语法则则:Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract(),即基于re正则极度,test即相配,属性名是class,相称的正则表明式是”item-d*”,然后拿走该标签的href属性。

 

 

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
60
61
62
63
#!/usr/bin/env python
# -*- coding:utf-8 -*-
 
import scrapy
import hashlib
from tutorial.items import JinLuoSiItem
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
 
 
class JinLuoSiSpider(scrapy.spiders.Spider):
    count = 0
    url_set = set()
 
    name = "jluosi"
    domain = 'http://www.girl4493.cn/'
    allowed_domains = ["jluosi.com"]
 
    start_urls = [
        "http://www.mimi131.cn/",
    ]
 
    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)
            if response.url.startswith('http://www.jluosi.com:80/ec/goodsDetail.action'):
                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]
                if url.startswith('http://www.baby199.cn'):
                    url_ab = url
                    yield Request(url_ab, callback=self.parse)
 
选择器规则Demo
 
选择器规则Demo

接收器准绳Demo

 

 

 

1
2
3
4
5
def parse(self, response):
    from scrapy.http.cookies import CookieJar
    cookieJar = CookieJar()
    cookieJar.extract_cookies(response, response.request)
    print(cookieJar._cookies)

赢得响应cookie

越来越多选取器准绳:

7、格式化管理

上述实例只是简短的图纸处理,所以在parse方法中央机关单位接处理。假诺对于想要获取更加多的数目(获取页面包车型大巴价钱、商品名称、QQ等卡塔 尔(英语:State of Qatar),则能够动用Scrapy的items将数据格式化,然后统黄金年代交由pipelines来拍卖。即不相同功能用分裂文件贯彻。

items:即客商要求爬取哪些数据,是用来格式化数据,并告诉pipelines哪些数据供给保留。

示例items.py文件:

 

 

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:
# http://doc.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class JieYiCaiItem(scrapy.Item):
 
    company = scrapy.Field()
    title = scrapy.Field()
    qq = scrapy.Field()
    info = scrapy.Field()
    more = scrapy.Field()

即:须求爬取全数url中的集团名,title,qq,基本消息info,越多新闻more。

上述定义模板,未来对于从呼吁的源码中收获的数据生龙活虎致坚守此布局来收获,所以在spider中供给有须臾间操作:

 

 

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
60
#!/usr/bin/env python
# -*- coding:utf-8 -*-
 
import scrapy
import hashlib
from beauty.items import JieYiCaiItem
from scrapy.http import Request
from scrapy.selector import HtmlXPathSelector
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
 
 
class JieYiCaiSpider(scrapy.spiders.Spider):
    count = 0
    url_set = set()
 
    name = "jieyicai"
    domain = 'http://www.meimei233.com'
    allowed_domains = ["jieyicai.com"]
 
    start_urls = [
        "http://www.meimei333.com",
    ]
 
    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)
            if response.url.startswith('http://www.jieyicai.com/Product/Detail.aspx'):
                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)
 
spider
 
spider

spider

上述代码中:对url实行md5加密的指标是幸免url过长,也平价保存在缓存或数据库中。

此处代码的关键在于:

  • 将赢得的数额封装在了Item对象中
  • yield Item对象 (黄金年代旦parse中施行yield Item对象,则自动将该指标交个pipelines的类来拍卖卡塔 尔(阿拉伯语:قطر‎

 

 

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
60
61
62
63
64
65
66
67
68
# -*- 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 json
from twisted.enterprise import adbapi
import MySQLdb.cursors
import re
 
mobile_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  %sn" % (item['company'][0].encode('utf-8'), item['title'][0].encode('utf-8'))
        self.file.write(line)
        return item
 
class 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
 
pipelines
 
pipelines

上述代码中多少个类的目标是,能够而且保留在文书和数据库中,保存的开始的一段时期级能够在布置文件settings中定义。

 

 

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。

小结:本文对python爬虫框架Scrapy做了详细剖析和实例批注

本文由澳门新葡亰网站所有平台发布于网址大全,转载请注明出处:教你分分钟学会用python爬虫框架Scrapy爬取心目中

关键词: