专栏名称: Python开发者
人生苦短,我用 Python。伯乐在线旗下账号「Python开发者」分享 Python 相关的技术文章、工具资源、精选课程、热点资讯等。
目录
相关文章推荐
Python中文社区  ·  用 Python 解读股市情绪,让你从韭菜变镰刀 ·  4 天前  
Python爱好者社区  ·  王者归来!《大模型最佳实践》开源了。。。 ·  2 天前  
Python开发者  ·  太荒谬了!千人公司一刀切禁用 ... ·  4 天前  
Python爱好者社区  ·  突发!ETH官宣制裁中国学生,国防七子、中科 ... ·  1 周前  
Python爱好者社区  ·  700篇大模型论文 ·  1 周前  
51好读  ›  专栏  ›  Python开发者

使用 Scrapy 构建一个网络爬虫

Python开发者  · 公众号  · Python  · 2017-01-13 13:05

正文

(点击上方蓝字,快速关注我们)


来源:思诚之道

www.bjhee.com/scrapy.html

如有好文章投稿,请点击 → 这里了解详情


记得n年前项目需要一个灵活的爬虫工具,就组织了一个小团队用Java实现了一个爬虫框架,可以根据目标网站的结构、地址和需要的内容,做简单的配置开发,即可实现特定网站的爬虫功能。因为要考虑到各种特殊情形,开发还耗了不少人力。后来发现了Python下有这个Scrapy工具,瞬间觉得之前做的事情都白费了。对于一个普通的网络爬虫功能,Scrapy完全胜任,并把很多复杂的编程都包装好了。本文会介绍如何Scrapy构建一个简单的网络爬虫。


一个基本的爬虫工具,它应该具备以下几个功能:


  • 通过HTTP(S)请求,下载网页信息

  • 解析网页,抓取需要的内容

  • 保存内容

  • 从现有页面中找到有效链接,从而继续抓取下一个网页



我们来看下Scrapy怎么做到这些功能的。首先准备Scrapy环境,你需要安装Python(本文使用v2.7)和pip,然后用pip来安装lxml和scrapy。个人强烈建议使用virtualenv来安装环境,这样不同的项目之间不会冲突。详细步骤这里就不赘述了。对于Mac用户要注意,当使用pip安装lxml时,会出现类似于的下面错误:


Error: #include “xml/xmlversion.h” not found


解决这个问题,你需要先安装Xcode的command line tools,具体的方法是在命令行执行下面的命令即可。


$ xcode-select --install


环境安装好之后,我们来用Scrapy实现一个简单的爬虫,抓取本博客网站的文章标题,地址和摘要。


1. 创建工程


$ scrapy startproject my_crawler


该命令会在当前目录下创建一个名为”my_crawler”的工程,工程的目录结构如下


my_crawler

  |- my_crawler

  |    |- spiders

  |    |    |- __init__.py

  |    |- items.py

  |    |- pipelines.py

  |    |- setting.py

  |- scrapy.cfg


2. 设置待抓取内容的字段,本例中就是文章的标题,地址和摘要


修改”items.py”文件,在”MyCrawlerItem”类中加上如下代码:


# -*- coding: utf-8 -*-

import scrapy

class MyCrawlerItem(scrapy.Item):

    title = scrapy.Field()    # 文章标题

    url = scrapy.Field()      # 文章地址

    summary = scrapy.Field()  # 文章摘要

    pass


3. 编写网页解析代码


在”my_crawler/spiders”目录下,创建一个名为”crawl_spider.py”文件(文件名可以任意取)。代码如下


# -*- coding: utf-8 -*-

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from my_crawler.items import MyCrawlerItem

class MyCrawlSpider(CrawlSpider):

    name = 'my_crawler'               # Spider名,必须唯一,执行爬虫命令时使用

    allowed_domains = ['bjhee.com']   # 限定允许爬的域名,可设置多个

    start_urls = [

        "http://www.bjhee.com",       # 种子URL,可设置多个

    ]

    rules = (    # 对应特定URL,设置解析函数,可设置多个

        Rule(LinkExtractor(allow=r'/page/[0-9]+'),  # 指定允许继续爬取的URL格式,支持正则

                           callback='parse_item',   # 用于解析网页的回调函数名

                           follow=True

        ),

    )

    def parse_item(self, response):

        # 通过XPath获取Dom元素

        articles = response.xpath('//*[@id="main"]/ul/li')

        for article in articles:

            item = MyCrawlerItem()

            item['title'] = article.xpath('h3[@class="entry-title"]/a/text()').extract()[0]

            item['url'] = article.xpath('h3[@class="entry-title"]/a/@href').extract()[0]

            item['summary'] = article.xpath('div[2]/p/text()').extract()[0]

            yield item


对于XPath不熟悉的朋友,可以通过Chrome的debug工具获取元素的XPath。



4. 让我们测试下爬虫的效果


在命令行中输入:


$ scrapy crawl my_crawler


注意,这里的”my_crawler”就是你在”crawl_spider.py”文件中起的Spider名。


没过几秒钟,你就会看到要抓取的字段内容打印在控制台上了。就是这么神奇!Scrapy将HTTP(S)请求,内容下载,待抓取和已抓取的URL队列的管理都封装好了。你的主要工作基本上就是设置URL规则及编写解析的方法。


我们将抓取的内容保存为JSON文件:


$ scrapy crawl my_crawler -o my_crawler.json -t json


你可以在当前目录下,找到文件”my_crawler.json”,里面保存的就是我们要抓取的字段信息。(参数”-t json”可以省去)


5. 将结果保存到数据库


这里我们采用MongoDB,你需要先安装Python的MongoDB库”pymongo”。编辑”my_crawler”目录下的”pipelines.py”文件,在”MyCrawlerPipeline”类中加上如下代码:


# -*- coding: utf-8 -*-

import pymongo

from scrapy.conf import settings

from scrapy.exceptions import DropItem

class MyCrawlerPipeline(object):

    def __init__(self):

        # 设置MongoDB连接

        connection = pymongo.Connection(

            settings['MONGO_SERVER'],

            settings['MONGO_PORT']

        )

        db = connection[settings['MONGO_DB']]

        self.collection = db[settings['MONGO_COLLECTION']]

    # 处理每个被抓取的MyCrawlerItem项

    def process_item(self, item, spider):

        valid = True

        for data in item:

            if not data:  # 过滤掉存在空字段的项

                valid = False

                raise DropItem("Missing {0}!".format(data))

        if valid:

            # 也可以用self.collection.insert(dict(item)),使用upsert可以防止重复项

            self.collection.update({'url': item['url']}, dict(item), upsert=True)

        return item


再打开”my_crawler”目录下的”settings.py”文件,在文件末尾加上pipeline的设置:


ITEM_PIPELINES = {

    'my_crawler.pipelines.MyCrawlerPipeline': 300,    # 设置Pipeline,可以多个,值为执行优先级

}

# MongoDB连接信息

MONGO_SERVER = 'localhost'

MONGO_PORT = 27017

MONGO_DB = 'bjhee'

MONGO_COLLECTION = 'articles'

DOWNLOAD_DELAY=2    # 如果网络慢,可以适当加些延迟,单位是秒


6. 执行爬虫


$ scrapy crawl my_crawler


别忘了启动MongoDB并创建”bjhee”数据库哦。现在你可以在MongoDB里查询到记录了。



总结下,使用Scrapy来构建一个网络爬虫,你需要做的就是:


  • “items.py”中定义爬取字段

  • 在”spiders”目录下创建你的爬虫,编写解析函数和规则

  • “pipelines.py”中对爬取后的结果做处理

  • “settings.py”设置必要的参数


其他的事情,Scrapy都帮你做了。下图就是Scrapy具体工作的流程。怎么样?开始写一个自己的爬虫吧。



本例中的代码可以在这里下载(http://www.bjhee.com/downloads/201511/my_crawler.tar.gz)。


觉得本文对你有帮助?请分享给更多人

关注「Python开发者」

看更多技术干货