阅读量:0
scrapy整体流程
scrapy的官方文档: https://docs.scrapy.org/en/latest/
引擎(engine)
scrapy的核心, 所有模块的衔接, 数据流程梳理.
调度器(scheduler)
本质上这东西可以看成是一个队列. 里面存放着一堆我们即将要发送的请求. 可以看成是一个url的容器. 它决定了下一步要去爬取哪一个url. 通常我们在这里可以对url进行去重操作.
下载器(downloader)
它的本质就是用来发动请求的一个模块. 小白完全可以把它理解成是一个get_page_source()的功能. 只不过这货返回的是一个response对象.
爬虫(spider)
负责解析下载器返回的response对象.从中提取到我们需要的数据.
管道(pipeline)
主要负责数据的存储和各种持久化操作.
1.创建工程
首先，打开控制台，cd到你想创建工程的文件夹下
scrapy startproject 项目名 提示创建成功
cd到spider文件夹内创建爬虫
scrapy genspider 爬虫名 要爬取的网站域名 这里项目名是你爬虫整个项目的名称
爬虫名是spider文件名，注意区分
这两个名称不允许一样，否则会报错
经过上述步骤之后，会出现下面这样的一系列文件夹
├── mySpider_2 │ ├── __init__.py │ ├── items.py │ ├── middlewares.py │ ├── pipelines.py │ ├── settings.py │ └── spiders │ ├── __init__.py │ └── 爬虫名.py # 多了一个这个. └── scrapy.cfg 说明你这个爬虫项目 成功创建了
2 进行相关设置
打开settings，发现其中有很多参数被注释了
我的习惯是五步走
（1）不看日志：LOG_LEVEL = 'WARNING' （2）不遵守robot_text协议：ROBOTSTXT_OBEY = False （3）设置代理ip，这部分后边细说 （4）降低请求数 CONCURRENT_REQUESTS = 4 不要太高容易崩 （5）在文件夹最外层创建spider-run文件，省的每次都要scrapy crawl 1.日志很多看起来很乱，编写的时候不需要看，维护的时候尽量打开，比较容易发现哪里出错
2.如果遵守协议你什么也拿不到
3.下边详细说
4.请求数不要太高，很容易被网站检测出你是爬虫，从而拒绝你的请求
5.spider_run的功能，就是运行爬虫，如果没有这个文件每次都要在终端里scrapy crawl
spider_run代码如下
from scrapy import cmdline cmdline.execute("scrapy crawl spider_name".split()) 建立完spider_run后，文件结构如下(spider_run一定会要建立在最外层，否则不生效)
├── mySpider_2 │ ├── __init__.py │ ├── items.py │ ├── middlewares.py │ ├── pipelines.py │ ├── settings.py │ └── spiders │ ├── __init__.py │ └── 爬虫名.py # 多了一个这个. └── scrapy.cfg └── spider_run.py 3.静态页面spider
在写spider之前，你首先应该观察你要爬的界面（右键检查）,是静态还是动态,
静态直接HTML获取对应字段,
动态需要抓包
完成创建后，打开spider文件会发现以下代码
import scrapy class YouxiSpider(scrapy.Spider): name = 'youxi' # 该名字非常关键, 我们在启动该爬虫的时候需要这个名字 allowed_domains = ['4399.com'] # 爬虫抓取的域.单网站爬取可以注释掉 start_urls = ['http://www.4399.com/flash/'] # 起始页 def parse(self, response, **kwargs): # response.text # 页面源代码 # response.xpath() # 通过xpath方式提取 # response.css() # 通过css方式提取 # response.json() # 提取json数据 # 用我们最熟悉的方式: xpath提取游戏名称, 游戏类别, 发布时间等信息 li_list = response.xpath("//ul[@class='n-game cf']/li") for li in li_list: name = li.xpath("./a/b/text()").extract_first() category = li.xpath("./em/a/text()").extract_first() date = li.xpath("./em/text()").extract_first() # 存储为字典 dic = { "name": name, "category": category, "date": date } # 将提取到的数据提交到管道内. yield dic # 注意, 这里只能返回 request对象, 字典, item数据, or None 这个spider中有三个地方需要注意
(1)解析
解析页面，自己去看xpath css 正则表达式
(2)parse函数间数据的传递
当一个参数需要再每个函数之间传递时，在一个parse函数末尾，现将传递参数内容和他的参数名对应起来，再使用mate函数进行传递
for ind, url in enumerate(main_category_list): main_category_name = main_category_names[ind] # meta用于再不同函数之间传递参数 yield scrapy.Request(url, callback=self.keshi_detail, meta={'main_category_name': main_category_name}) 信息传递出去了肯定要在keshi_detail函数中接收啊
def keshi_detail(self, response): main_category_name = response.meta['main_category_name'] (3)传递数据给item时的格式
当你将数据yield item时，请注意，一定要是item，不要用字典dic或者list
最简便的方法就是直接传到对应字段，参考以下代码
item['字段名']= response.xpath(.........) 直接将items中的字段名复制到这个位置，标准又完美，其实就是把数据结构定义好
这样你爬到的数据直接被yield到item中的对应字段
3.动态页面spider
对于动态页面有一个很明显的特征，在同一网址下的子链接，无论如何刷新都是同一个链接，这个链接，你对他直接进行请求，网站会拒绝你的请求，返回状态码400
这时，你要组装好你的headers，也就是请求头，网页拒绝你的请求就是因为你的请求头不对，请求头包含很多种参数，有些网页甚至要求你一一对应才会允许你的请求
这里我列一个比较稳妥的方案，你去要爬取的网页，右键检查，找出请求头的所有信息，全部复制下来，最后组装成一个字典，这样网页要检查哪个，随它去
request_headers = b""" :authority: www.xxxxx.cn :method: GET :path: /work/index.htm?from=index :scheme: https accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9 accept-encoding: gzip, deflate, br accept-language: zh-CN,zh;q=0.9 cache-control: max-age=0 cookie: _ga=GA1.2.1425286857.1577928625; route=2bf12a7e3d18498383e2970557db636f; dxy_da_cookie-id=4fd84d1297e8a4c397d35355c62f03131578878840013; Hm_lvt_17521045a35cb741c321d016e40c7f95=1578561472,1578620137,1578626115,1578878841; _gid=GA1.2.1118274719.1578878841; JOSESSIONID=459F925E8F455EB53F24BE736297EEF5-n2; _gat=1; Hm_lpvt_17521045a35cb741c321d016e40c7f95=1578894839 referer: https://www.jobmd.cn/work/index.htm?from=index sec-fetch-mode: navigate sec-fetch-site: same-origin sec-fetch-user: ?1 upgrade-insecure-requests: 1 user-agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36 """ headers = headers_raw_to_dict(request_headers) 尤其注意这里有一个关键的字段cookies，这个字段带着请求的身份信息，你复制登录的请求cookie，可以免密码登录，有的网页的cookie带时间戳需要自己组装
写好了请求头，解析界面发现是一堆乱码，什么也没有，
这是因为网页要知道你要请求哪些数据，才能给你返回，也就是常说的带数据返回
4.items.py
从上边spider中拿到的数据，无一例外最终都yield item，这个item可以理解为是一个数据库的自定义表，在数据库中有每个字段相应的位置
这部分很容易，格式是一样的
里面有你获取到的每个字段名字，
字段名 = scrapy.Field() 存储你每个字段的数据然后传递给pipline（管道）
itrem.py文件中的代码格式：
import scrapy class GameItem(scrapy.Item): # 定义数据结构 name = scrapy.Field() category = scrapy.Field() date = scrapy.Field() 这里需要注意的是，当你设置了很多个item时，
有一个问题，都是yield item 那程序怎么知道那个字段要进入哪个item呢？
你要先声明。你导入的是哪个item，我这里声明的是我上边在item里定义好的，那我后续进行传递参数，就会往这个GameItem里传递
item = GameItem() item['name']= response.xpath(.........) item['category']= response.xpath(.........) item['date']= response.xpath(.........) yield item 何必是item呢
大汉堡 = GameItem() 大汉堡['name']= response.xpath(.........) 大汉堡['category']= response.xpath(.........) 大汉堡['date']= response.xpath(.........) yield 大汉堡 开玩笑，中文相当不专业。。。
5. pipline.py（管道）
你想用pipline 请先去设置（settings）里打开pipline，打开pipline，打开pipline，重要的说三遍，不打开是不生效的
ITEM_PIPELINES = { 'caipiao.pipelines.CaipiaoFilePipeline': 300, } 从item中的传出来的数据进入了pipline. pipline主要负责数据的存储.你可以存为任何你想要的格式，
(1) 存储为csv文件
写入文件是一个非常简单的事情. 直接在pipeline中开启文件即可.
class CaipiaoFilePipeline: def process_item(self, item, spider): with open("pig.txt", mode="a", encoding='utf-8') as f: # 写入文件 f.write(f"{item['name']}, {'_'.join(item['age'])}, {'_'.join(item['sex'])}\n") return item 但是你这个代码写的意思是，你没存储一条数据就要打开一次文件，如果我有上千万条数据岂不是要打开上千次
我希望的是, 只打开一次这个文件, 我可以在pipeline中创建两个方法, 一个是open_spider(), 另一个是close_spider(). 看名字也能明白其含义:
open_spider(), 在爬虫开始的时候执行一次
close_spider(), 在爬虫结束的时候执行一次
这样我就能打开一次文件，然后存储，爬虫运行完毕，关闭这个文件
class CaipiaoFilePipeline: def open_spider(self, spider): self.f = open("caipiao.txt", mode="a", encoding='utf-8') def close_spider(self, spider): if self.f: self.f.close() def process_item(self, item, spider): # 写入文件 self.f.write(f"{item['name']}, {'_'.join(item['age'])}, {'_'.join(item['sex'])}\n") return item （2）mysql数据库写入
首先, 在open_spider中创建好数据库连接. 在close_spider中关闭链接. 在proccess_item中对数据进行保存工作.
先把mysql相关设置丢到settings里
# MYSQL配置信息 MYSQL_CONFIG = { "host": "localhost", "port": 3306, "user": "root", "password": "test123456", "database": "spider", } from caipiao.settings import MYSQL_CONFIG as mysql import pymysql class CaipiaoMySQLPipeline: def open_spider(self, spider): self.conn = pymysql.connect(host=mysql["host"], port=mysql["port"], user=mysql["user"], password=mysql["password"], database=mysql["database"]) def close_spider(self, spider): self.conn.close() def process_item(self, item, spider): # 写入文件 try: cursor = self.conn.cursor() sql = "insert into caipiao(qihao, red, blue) values(%s, %s, %s)" red = ",".join(item['red_ball']) blue = ",".join(item['blue_ball']) cursor.execute(sql, (item['qihao'], red, blue)) self.conn.commit() spider.logger.info(f"保存数据{item}") except Exception as e: self.conn.rollback() spider.logger.error(f"保存数据库失败!", e, f"数据是: {item}") # 记录错误日志 return item 别忘了把pipeline设置一下
ITEM_PIPELINES = { 'caipiao.pipelines.CaipiaoMySQLPipeline': 301, } （3） mongodb数据库写入
mongodb数据库写入和mysql写入如出一辙…不废话直接上代码吧
MONGO_CONFIG = { "host": "localhost", "port": 27017, 'has_user': True, 'user': "python_admin", "password": "123456", "db": "python" } from caipiao.settings import MONGO_CONFIG as mongo import pymongo class CaipiaoMongoDBPipeline: def open_spider(self, spider): client = pymongo.MongoClient(host=mongo['host'], port=mongo['port']) db = client[mongo['db']] if mongo['has_user']: db.authenticate(mongo['user'], mongo['password']) self.client = client self.collection = db['caipiao'] def close_spider(self, spider): self.client.close() def process_item(self, item, spider): self.collection.insert({"qihao": item['qihao'], 'red': item["red_ball"], 'blue': item['blue_ball']}) return item ITEM_PIPELINES = { # 三个管道可以共存~ 'caipiao.pipelines.CaipiaoFilePipeline': 300, 'caipiao.pipelines.CaipiaoMySQLPipeline': 301, 'caipiao.pipelines.CaipiaoMongoDBPipeline': 302, } 4. 文件保存
这里面对的场景是，某个网站上有一个文件，我想要讲这些文件批量的下载下来，
在网页上，点击下载，就能下载这个文件，但背后的原理是，你点击的时候，相当于发送了一个请求，服务器会响应给你下载链接。这样电脑就会下载，我们需要拿到的也是这个下载链接，我曾经爬药监局的审批文件就是这个套路
（1）首先,建好项目, 在items中 定义好数据结构
class MeinvItem(scrapy.Item): name = scrapy.Field() img_url = scrapy.Field() img_path = scrapy.Field() （2）完善spider, 注意看yield scrapy.Request()
import scrapy from meinv.items import MeinvItem class TupianzhijiaSpider(scrapy.Spider): name = 'tupianzhijia' allowed_domains = ['tupianzj.com'] start_urls = ['https://www.tupianzj.com/bizhi/DNmeinv/'] def parse(self, resp, **kwargs): li_list = resp.xpath("//ul[@class='list_con_box_ul']/li") for li in li_list: href = li.xpath("./a/@href").extract_first() # 拿到href为了什么? 进入详情页啊 """ url: 请求地址 method: 请求方式 callback: 回调函数 errback: 报错回调 dont_filter: 默认False, 表示"不过滤", 该请求会重新进行发送 headers: 请求头. cookies: cookie信息 """ yield scrapy.Request( url=resp.urljoin(href), # scrapy的url拼接 method='get', callback=self.parse_detail, ) # 下一页 next_page = resp.xpath('//div[@class="pages"]/ul/li/a[contains(text(), "下一页")]/@href').extract_first() if next_page: yield scrapy.Request( url=resp.urljoin(next_page), method='get', callback=self.parse ) def parse_detail(self, resp): img_src = resp.xpath('//*[@id="bigpic"]/a[1]/img/@src').extract_first() name = resp.xpath('//*[@id="container"]/div/div/div[2]/h1/text()').extract_first() meinv = MeinvItem() meinv['name'] = name meinv['img_url'] = img_src yield meinv 关于Request()的参数:
url: 请求地址
method: 请求方式
callback: 回调函数
errback: 报错回调
dont_filter: 默认False, 表示"不过滤", 该请求会重新进行发送
headers: 请求头.
cookies: cookie信息
接下来就是下载问题了. 如何在pipeline中下载一张图片呢?
Scrapy早就帮你准备好了. 在Scrapy中有一个ImagesPipeline可以实现自动图片下载功能.
from scrapy.pipelines.images import ImagesPipeline, FilesPipeline import pymysql from meinv.settings import MYSQL import scrapy class MeinvPipeline: def open_spider(self, spider): self.conn = pymysql.connect( host=MYSQL['host'], port=MYSQL['port'], user=MYSQL['user'], password=MYSQL['password'], database=MYSQL['database'] ) def close_spider(self, spider): if self.conn: self.conn.close() def process_item(self, item, spider): try: cursor = self.conn.cursor() sql = "insert into tu (name, img_src, img_path) values (%s, %s, %s)" cursor.execute(sql, (item['name'], item['img_src'], item['img_path'])) self.conn.commit() except: self.conn.rollback() finally: if cursor: cursor.close() return item class MeinvSavePipeline(ImagesPipeline): def get_media_requests(self, item, info): # 发送请求去下载图片 # 如果是一堆图片. 可以使用循环去得到每一个url, 然后在yield每一个图片对应的Request对象 return scrapy.Request(item['img_url']) def file_path(self, request, response=None, info=None): # 准备好图片的名称 filename = request.url.split("/")[-1] return f"img/{filename}" def item_completed(self, results, item, info): # 文件存储的路径 ok, res = results[0] # print(res['path']) item['img_path'] = res["path"] return item 最后, 需要在settings中设置以下内容:
MYSQL = { "host": "localhost", "port": 3306, "user": "root", "password": "test123456", "database": 'spider' } ITEM_PIPELINES = { 'meinv.pipelines.MeinvPipeline': 303, 'meinv.pipelines.MeinvSavePipeline': 301, } # 图片保存路径 -> ImagesPipeline IMAGES_STORE= './my_tu' # 文件保存路径 -> FilesPipeline FILES_STORE = './my_tu' 