better and better

网络爬虫框架scrapy

（配置型爬虫）

什么是爬虫框架？

• 爬虫框架是实现爬虫功能的一个软件结构和功能组件集合
• 爬虫框架是个半成品，帮助用户实现专业网络爬虫

scrapy框架结构(“5+2”结构)

1. spider:

• 解析downloader返回的响应（Response）
• 产生爬取项（scraped item）
• 产生额外的爬去请求（Request）
  需要用户编写配置代码

1. engine(引擎):

• 控制所有模块之间的数据流
• 根据条件触发事件
  不需要用户修改

1. scheduler(调度器):

• 对所有爬取请求进行调度处理
  不需要用户修改

1. downloader(下载器):

• 根据请求下载网页
  不需要用户修改

1. item pipelines():

• 以流水线处理spider产生的爬取项
• 由一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型
• 可能操作包括：清理、检验和查重爬取项中的HTML数据，将数据存储到数据库中
  需要用户编写配置代码

1. downloader middleware(中间件):

• 目的：实施engine、scheduler和downloader之间进行用户可配置的控制
• 功能：修改、丢弃、新增请求或响应
  用户可以编写配置代码

1. spider middleware(中间件):

• 目的：对请求和爬去项的再处理
• 功能：修改、丢弃、新增请求或爬取项
  用户可以编写配置代码

数据流

• 1.Engine从Spider处获得爬取请求(Request)
• 2.Engine将爬取请求转发给Scheduler,用于调度
• 3.Engine从Scheduler处获得下一个爬取的请求
• 4.Engine将爬取请求通过中间件发送给Downloader
• 5.爬取网页后，Downloader形成响应(Response)，通过中间件(Middleware)发给Engine
• 6.Engine将收到的响应通过中间件发送给Spider处理
• 7.Spider处理响应后产生爬取项（scraped item）和新的爬取请求(Requests)给Engine
• 8.Engine将爬取项发送给Item Pipeline(框架出口)
• 9.Engine将爬取请求发送给Scheduler

• Engine控制各模块数据流，不间断从Scheduler处获得爬取请求，直到请求为空
• 框架入口：Spider的初始爬取请求
• 框架出口：Item Pipeline

scrapy命令行

格式

scrapy <command> [options] [args]

常用命令

demohttps://python123.io/ws/demo.html

创建工程

scrapy startproject python123demo

创建爬虫

scrapy genspider demo python123.io
//生成了一个名为demo的spider
//在spider目录下增加代码文件demo.py（该文件也可以手工生成）    

demo.py文件

1
2
3
4
5
6
7
8
9
10
11

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    allowed_domains = ['python123.io']
    start_urls = ['http://python123.io/']

    def parse(self, response):
        pass

配置产生的spider爬虫

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['python123.io']
    start_urls = ['http://python123.io/ws/demo.html']

    def parse(self, response):
        #存储文件名demo.html
        file_name = response.url.split('/')[-1]
        with open(file_name,"wb") as f:
            f.write(response.body)
            self.log('Saved file %s' % file_name)#日志

* 另一个版本

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

# -*- coding: utf-8 -*-
import scrapy


class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['python123.io']
    #start_urls = ['http://python123.io/ws/demo.html']
    def start_requests(self):
        urls = [
                   'http://python123.io/ws/demo.html'
               ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        #存储文件名demo.html
        file_name = response.url.split('/')[-1]
        with open(file_name,"wb") as f:
            f.write(response.body)
            self.log('Saved file %s' % file_name)#日志

运行爬虫

scrapy crawl demo

Scrapy爬虫数据类型

• Request类
• Response类
• Item类

Request类

class scrapy.http.Request()

• Request对象表示一个HTTP请求
• 由Spider生成，由Downloader执行

Response类

class scrapy.http.Response()

• Response对象表示一个HTTp响应
• 由Downloader生成，由Spider处理

Item类

class scrapy.item.Item()

• Item对象表示一个从HTML页面中提取的信息内容
• 由Spider生成，由Item Pipeline处理
• Item类似字典类型，可以按照字典类型操作

Scrapy爬虫的使用步骤

1. 创建一个工程和Spider模板
2. 编写Spider
3. 编写Item Pipeline
4. 优化配置策略

scrapy爬虫信息提取方法

• Beautifui Soup
• lxml
• re
• XPath Selector
• CSS Selector