教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

什么是scrapy

Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和 自动化测试 。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。

Scratch，是抓取的意思，这个Python的爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

小编看到这个图的样子

↓ ↓ ↓ ↓

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)

• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取

2. 引擎把URL封装成一个请求(Request)传给下载器

3. 下载器把资源下载下来，并封装成应答包(Response)

4. 爬虫解析Response

5. 解析出实体（Item）,则交给实体管道进行进一步的处理

6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

安装 scrapy

基本使用

1、创建项目

运行命令:

scrapy startproject p1（ your_project _name）

2.自动创建目录的结果：

文件说明：

• scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）

• items.py    设置数据存储模板，用于结构化数据，如：Django的Model

• pipelines    数据处理行为，如：一般结构化的数据持久化

• 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：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

示例代码：

#!/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.爬虫文件需要定义一个类，并继承scrapy.spiders.Spider

• 2.必须定义name，即爬虫名，如果没有name，会报错。因为源码中是这样定义的：

• 3.编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；

• 4.定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些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：

4、运行

进入p1目录，运行命令

scrapy crawl xiaohau -- nolog

格式：scrapy crawl+爬虫名  –nolog即不显示日志

5.scrapy查询语法：

当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：

• 查询子子孙孙中的某个标签(以div标签为例)：//div

• 查询儿子中的某个标签(以div标签为例)：/div

• 查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签

• 查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]

• 查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容

• 查询某个属性的值（例如查询a标签的href属性）：//a/@href

示例代码：

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) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。

递归爬取网页

上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？

示例代码：

# 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 )

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

6.scrapy查询语法中的正则：

from scrapy . selector import Selector

from scrapy . http import HtmlResponse

html = "" "

en ">

UTF - 8 ">