1. 安装
2. scrapy简单运行以及架构
1. 项目创建以及运行
- 创建项目
aaa@localhost pyspace % scrapy startproject demo1
New Scrapy project 'demo1', using template directory '/Library/Frameworks/Python.framework/Versions/3.10/lib/python3.10/site-packages/scrapy/templates/project', created in:
/Users/aaa/app/pyspace/demo1
You can start your first spider with:
cd demo1
scrapy genspider example example.com
- 项目组成
1.spiders 文件夹存放的是爬虫文件。我们需要在spiders下面新增 爬虫.py， 下面创建。 是实现爬虫核心功能的文件
2.items.py 定义数据结构
3.middlewares.py中间件， 代理
4.pipelines.py 管道文件，用于处理下载数据的后续处理。 里面只有一个类，可以自己定义多个。优先级是1-1000, 默认是300 优先级(值越小优先级越高)
5.settings.py 配置文件，比如是否遵守rebots 协议，User-Agent 定义等
- 创建爬虫文件
进入到项目的文件夹下面，然后创建spider
aaa@localhost pyspace % cd demo1
aaa@localhost demo1 % ls
demo1 scrapy.cfg
aaa@localhost demo1 % scrapy genspider baidu baidu.com
Created spider 'baidu' using template 'basic' in module:
demo1.spiders.baidu
执行玩上面的命令，会在项目的spiders目录下面新建一个baidu.py 修改后内容如下：
import scrapy
class BaiduSpider(scrapy.Spider):
# 爬虫的名字
name = 'baidu'
# 允许访问的域名(这里不需要家http)
allowed_domains = ['baidu.com']
# 起始的url，指的是第一次访问的url
start_urls = ['http://baidu.com/']
# 执行start_urls 的回调方法，方法中的response 就是返回的那个对象
# 相当于 response = urllib.request.urlopen(urls)
def parse(self, response):
print("======")
pass
- 运行上面的爬虫
语法：
这里需要注意： 上面有个robots 协议，可以理解为约定哪些可以爬，哪些不可以爬，我们访问
https://www.baidu.com/robots.txt 可以看到相关的描述。
1》修改不遵守robots协议，修改settings.py
将上面的配置修改为False， 或者直接注释掉。
2》执行爬虫baidu
aaa@localhost demo1 % pwd
/Users/aaa/app/pyspace/demo1
aaa@localhost demo1 % scrapy crawl baidu
3》结果可以看到自己打印的信息
- 修改代码，定位到百度一下按钮元素
import scrapy
class BaiduSpider(scrapy.Spider):
# 爬虫的名字
name = 'baidu'
# 允许访问的域名(这里不需要家http)
allowed_domains = ['baidu.com']
# 起始的url，指的是第一次访问的url
start_urls = ['http://baidu.com/']
# 执行start_urls 的回调方法，方法中的response 就是返回的那个对象
# 相当于 response = urllib.request.urlopen(urls)
def parse(self, response):
# print("======")
# 响应的是字符串
# print(response.text)
print("******")
# 响应的是二进制数据
# print(response.body)
# response.xpath 可以直接用xpayh 方法来解析response 中的内容. 返回的是一个 scrapy.selector.unified.SelectorList
subList = response.xpath('//*[@id="su"]')
print(subList)
print(subList.__class__)
# 可以用下标拿第一个元素，会拿到对应的元素。 也可以直接用 extract_first 获取。
# extract 和 extract_first 拿到的是一个我们获取的元素data
print(subList[0].extract())
print(subList[0].extract().__class__)
print(subList.extract_first())
print(subList.extract_first().__class__)
# .get() 等价于 .extract_first()
# print(subList.get())
# 比如直接拿按钮的 value 属性
# print(response.xpath('//*[@id="su"]/@value').extract_first())
当然可以用css 或者bs4 选择器：
subList = response.css('#su')1》重新运行
2》结果
******
[<Selector xpath='//*[@id="su"]' data='<input type="submit" id="su" value="百...'>]
<class 'scrapy.selector.unified.SelectorList'>
<input type="submit" id="su" value="百度一下" class="bg s_btn">
<class 'str'>
<input type="submit" id="su" value="百度一下" class="bg s_btn">
<class 'str'>
百度一下
2. 架构以及简单原理
1. 架构
1.引擎：自动运行，无需关注，会自动组织所有的请求对象，分发给下载器
2.下载器：从引擎处获取到请求对象后，请求数据
3.spiders：定义爬取的动作以及爬取的网站
4.调度器：有自己的调度规则
5.管道：按照一定的顺序对Item 进行处理。 可以理解为对数据进行处理，一般落库、保存为文件写在管道里面
2.工作原理
3. scrapy 例子
1. 爬取读书网
我们爬取，读书网里面类别为散文随笔的书籍信息，首页地址为:
https://www.dushu.com/book/1163_1.html
这里需要用到crawlspider， 用于定义一些规则用于提取页面符合规则的数据，然后继续爬取。页面爬取规则如下：
allow=() 正则表达式，提取符合正则的链接
deny=() 正则表达式，拒绝符合正则的连接
allow_domains() 允许的域名
deny_domains=() 拒绝的域名
restrict_xpaths=() 提取符合xpath规则的连接
restract_css=() 提取符合css规则的连接
2. 创建项目以及运行
- 创建项目
scrapy startproject dushu
cd dushu
scrapy genspider -t crawl read_dushu www.dushu.com
# 查看现有的爬虫名称
aaa@localhost dushu % scrapy list
read_dushu
- 修改代码
1》修改read_dushu.py：item 数据结构用最简单的dict 字典数据类型
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class ReadDushuSpider(CrawlSpider):
name = 'read_dushu'
allowed_domains = ['www.dushu.com']
start_urls = ['https://www.dushu.com/book/1163_1.html']
'''
follow 表示是否追踪后面的代码。 也就是从后续的页面继续利用此规则。
False: 只适用于当前页
True: 后续爬取的页面继续利用规则，效果就是爬取的椰树会增加 (后续页面访问的时候页号会增加，第一页只显示13， 后面的用... 表示)
'''
rules = (
Rule(LinkExtractor(allow=r'/book/1163_\d+.html'), callback='parse_item', follow=True),
)
def parse_item(self, response):
# 这里的item 是用一个dict 字典存取其数据
item = {}
div_list = response.xpath('//div[@class="bookslist"]/ul/li/div')
for div in div_list:
# data-original 表示图片是懒加载，不能获取src 属性
item['src'] = div.xpath('./div/a/img/@data-original').extract_first()
item['name'] = div.xpath('./div/a/img/@alt').extract_first()
item['author'] = div.xpath('./p[1]/a[1]/text()|./p[1]/text()').extract_first()
yield item
2》pipelines.py 修改
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
class DushuPipeline:
'''
open_spider\close_spider 方法只会调用一次。 一般用于资源的打开和关闭
'''
def open_spider(self,spider):
self.fp = open('dushu.json','w',encoding='utf-8')
def process_item(self, item, spider):
self.fp.write(str(item))
return item
def close_spider(self,spider):
self.fp.close()
3》修改settings.py，取消遵循robots 协议以及放开pipeline
# Obey robots.txt rules
# ROBOTSTXT_OBEY = True
...
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'dushu.pipelines.DushuPipeline': 300,
}
- 运行项目
- 修改代码的item， 用数据结构代替dict数据类型
1》修改items.py
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class DushuItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field()
src = scrapy.Field()
author = scrapy.Field()
2》修改spiders/reader_dushu.py
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from dushu.items import DushuItem
class ReadDushuSpider(CrawlSpider):
name = 'read_dushu'
allowed_domains = ['www.dushu.com']
start_urls = ['https://www.dushu.com/book/1163_1.html']
'''
follow 表示是否追踪后面的代码。 也就是从后续的页面继续利用此规则。
False: 只适用于当前页
True: 后续爬取的页面继续利用规则，效果就是爬取的椰树会增加 (后续页面访问的时候页号会增加，第一页只显示13， 后面的用... 表示)
'''
rules = (
Rule(LinkExtractor(allow=r'/book/1163_\d+.html'), callback='parse_item', follow=False),
)
def parse_item(self, response):
# 这里的item 是用一个dict 字典存取其数据
item = {}
div_list = response.xpath('//div[@class="bookslist"]/ul/li/div')
for div in div_list:
# data-original 表示图片是懒加载，不能获取src 属性
src = div.xpath('./div/a/img/@data-original').extract_first()
name = div.xpath('./div/a/img/@alt').extract_first()
author = div.xpath('./p[1]/a[1]/text()|./p[1]/text()').extract_first()
yield DushuItem(src=src, name=name, author=author)
3. 继续改造项目，将书详情的价格也爬取出来
实现的效果就是将读书网点击书籍后的价格也爬取出来。
- 修改items.py 增加价格price 字段
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class DushuItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field()
src = scrapy.Field()
author = scrapy.Field()
price = scrapy.Field()
- 修改spiders/read_dushu.py
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from dushu.items import DushuItem
class ReadDushuSpider(CrawlSpider):
name = 'read_dushu'
allowed_domains = ['www.dushu.com']
start_urls = ['https://www.dushu.com/book/1163_1.html']
'''
follow 表示是否追踪后面的代码。 也就是从后续的页面继续利用此规则。
False: 只适用于当前页
True: 后续爬取的页面继续利用规则，效果就是爬取的椰树会增加 (后续页面访问的时候页号会增加，第一页只显示13， 后面的用... 表示)
'''
rules = (
Rule(LinkExtractor(allow=r'/book/1163_\d+.html'), callback='parse_item', follow=False),
)
def parse_item(self, response):
# 这里的item 是用一个dict 字典存取其数据
item = {}
div_list = response.xpath('//div[@class="bookslist"]/ul/li/div')
for div in div_list:
# data-original 表示图片是懒加载，不能获取src 属性
src = div.xpath('./div/a/img/@data-original').extract_first()
name = div.xpath('./div/a/img/@alt').extract_first()
author = div.xpath('./p[1]/a[1]/text()|./p[1]/text()').extract_first()
url = div.xpath('./div/a/@href').extract_first()
url = "https://www.dushu.com" + url
yield scrapy.Request(url=url, callback=self.parse_second, meta={'name': name, 'src': src, 'author': author})
def parse_second(self, response):
price = response.xpath('//div[@class="book-details"]//span/text()').get()
name = response.meta['name']
src = response.meta['src']
author = response.meta['author']
yield DushuItem(src=src, name=name, author=author, price=price)
- 测试运行
4. 继续改造，增加pipeline将图片下载下来
- 需要安装 pillow
- 修改piplines.py
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
from scrapy.pipelines.images import ImagesPipeline
import scrapy
class DushuPipeline:
'''
open_spider\close_spider 方法只会调用一次。 一般用于资源的打开和关闭
'''
def open_spider(self,spider):
self.fp = open('dushu.json','w',encoding='utf-8')
def process_item(self, item, spider):
self.fp.write(str(item))
return item
def close_spider(self,spider):
self.fp.close()
class ImgsPipLine(ImagesPipeline):
def get_media_requests(self, item, info):
yield scrapy.Request(url=item['src'], meta={'item': item})
# 返回图片名称即可, 路径在全局配置文件中进行配置
def file_path(self, request, response=None, info=None):
print("******")
item = request.meta['item']
filePath = item['name']
return filePath
def item_completed(self, results, item, info):
return item
- 修改settings.py增加相关配置
LOG_LEVEL = "WARNING"
IMAGES_STORE = './result' #文件保存路径
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
# 这两个请求头是必须的，没有referer 访问图片会报错403 。
'referer': 'https://www.dushu.com/book/1163_11.html',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36'
}
ITEM_PIPELINES = {
'dushu.pipelines.DushuPipeline': 300,
'dushu.pipelines.ImgsPipLine': 301,
}
- 测试
运行后会在根目录 生成result 目录，然后下载相关的jpg 图片。
5. 修改scrapy日志级别
修改settings.py
6. 编写main 类启动scrapy 程序
- 方法一
from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(__file__)));
execute(["srcapy","crawl","read_dushu"])
- 方法二
import os
# 无法获取控制台输出的内容，只是简单的执行cmd指令，返回命令退出状态，其中结果为0表示执行成功
# retValue = os.system("ipconfig")
# print(retValue)
# 可以获取控制台输出的内容，返回的是一个file对象
# 'r' 消除转义符带来的影响,即'\'
# retValue = os.popen('ipconfig', 'r')
# res = retValue.read()
# for line in res.splitlines():
# print(line)
# retValue.close()
# 执行scrapy 程序
retValue = os.popen('scrapy list', 'r')
res = retValue.read()
for line in res.splitlines():
print(line)
retValue.close()
参考:
https://docs.scrapy.org/en/latest/topics/commands.html
https://docs.scrapy.org/en/latest/topics/architecture.html
【当你用心写完每一篇博客之后,你会发现它比你用代码实现功能更有成就感!】
