5分钟快速掌握scrapy爬虫框架

1. scrapy简介

scrapy是基于事件驱动的Twisted框架下用纯python写的爬虫框架。很早之前就开始用scrapy来爬取网络上的图片和文本信息，一直没有把细节记录下来。这段时间，因为工作需要又重拾scrapy爬虫，本文和大家分享下，包你一用就会， 欢迎交流。

1.1 scrapy框架

scrapy框架包括5个主要的组件和2个中间件Hook。

•  ENGIINE：整个框架的控制中心， 控制整个爬虫的流程。根据不同的条件添加不同的事件（就是用的Twisted）
•  SCHEDULER：事件调度器
•  DOWNLOADER：接收爬虫请求，从网上下载数据
•  SPIDERS：发起爬虫请求，并解析DOWNLOADER返回的网页内容，同时和数据持久化进行交互,需要开发者编写
•  ITEM PIPELINES：接收SPIDERS解析的结构化的字段，进行持久化等操作，需要开发者编写
•  MIDDLEWARES：ENGIINE和SPIDERS, ENGIINE和DOWNLOADER之间一些额外的操作，hook的方式提供给开发者

从上可知，我们只要实现SPIDERS（要爬什么网站，怎么解析）和ITEM PIPELINES（如何处理解析后的内容）就可以了。其他的都是有框架帮你完成了。（图片来自网络，如果侵权联系必删）

1.2 scrapy数据流

我们再详细看下组件之间的数据流，会更清楚框架的内部运作。（图片来自网络，如果侵权联系必删）

1.   SPIDERS发爬虫请求给ENGIINE， 告诉它任务来了
2.   ENGIINE将请求添加到SCHEDULER调度队列里, 说任务就交给你了，给我安排好
3.   SCHEDULER看看手里的爬取请求很多，挑一个给ENGIINE， 说大哥帮忙转发给下载DOWNLOADER
4.   ENGIINE：好的， DOWNLOADER你的任务来了
5.   DOWNLOADER：开始下载了，下载好了，任务结果 交给ENGIINE
6.   ENGIINE将结果给SPIDERS， 你的一个请求下载好了，快去解析吧
7.   SPIDERS：好的，解析产生了结果字段。又给SPIDERS转发给ITEM PIPELINES
8.   ITEM PIPELINES: 接收到字段内容，保存起来。

第1步到第8步，一个请求终于完成了。是不是觉得很多余？ENGIINE夹在中间当传话筒，能不能直接跳过？可以考虑跳过了会怎么样。

这里分析一下

• SCHEDULER的作用：任务调度， 控制任务的并发，防止机器处理不过来
•  ENGIINE：就是基于Twisted框架, 当事件来（比如转发请求）的时候，通过回调的方式来执行对应的事件。我觉得ENGIINE让所有操作变的统一，都是按照事件的方式来组织其他组件， 其他组件以低耦合的方式运作；对于一种框架来说，无疑是必备的。

2. 基础：XPath

写爬虫最重要的是解析网页的内容，这个部分就介绍下通过XPath来解析网页，提取内容。

2.1 HTML节点和属性

（图片来自网络，如果侵权联系必删）

2.2 解析语法

•  a / b：‘/’在 xpath里表示层级关系，左边的 a是父节点，右边的 b是子节点
•  a // b：表示a下所有b，直接或者间接的
•  [@]：选择具有某个属性的节点
  •   //div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点
  •   //div[@class="container"]：选择具有 class属性的值为 container的 div节点
•  //a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签

一个例子 

response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all()  
# 获取所有class属性（css）为taglist的div， 下一个层ul下的所有li下所有a下所有img标签下data-original属性  
# data-original这里放的是图片的url地址 

更多详见

http://zvon.org/comp/r/tut-XPath_1.html

3. 安装部署

Scrapy 是用纯python编写的，它依赖于几个关键的python包（以及其他包）：

•  lxml 一个高效的XML和HTML解析器
•  parsel ，一个写在lxml上面的html/xml数据提取库,
•  w3lib ，用于处理URL和网页编码的多用途帮助程序
•  twisted 异步网络框架
•  cryptography 和 pyOpenSSL ，处理各种网络级安全需求 

# 安装  
pip install scrapy 

4. 创建爬虫项目 

scrapy startproject sexy  
# 创建一个后的项目目录  
# sexy  
# │  scrapy.cfg  
# │  
# └─sexy  
#     │  items.py  
#     │  middlewares.py  
#     │  pipelines.py  
#     │  settings.py  
#     │  __init__.py  
#     │  
#     ├─spiders  
#     │  │  __init__.py  
#     │  │  
#     │  └─__pycache__  
#     └─__pycache__  
# 执行 需要到scrapy.cfg同级别的目录执行  
scrapy crawl sexy 

从上可知，我们要写的是spiders里的具体的spider类和items.py和pipelines.py（对应的ITEM PIPELINES）

5. 开始scrapy爬虫

5.1 简单而强大的spider

这里实现的功能是从图片网站中下载图片，保存在本地， url做了脱敏。需要注意的点在注释要标明

•  类要继承 scrapy.Spider
•  取一个唯一的name
•  爬取的网站url加到start_urls列表里
•  重写parse利用xpath解析reponse的内容

可以看到parse实现的时候没有转发给ITEM PIPELINES，直接处理了。这样简单的可以这么处理，如果业务很复杂，建议交给ITEM PIPELINES。后面会给例子 

# 目录结果为：spiders/sexy_spider.py  
import scrapy  
import os  
import requests  
import time  
def download_from_url(url):  
    response = requests.get(url, stream=True)  
    if response.status_code == requests.codes.ok:  
        return response.content  
    else:  
        print('%s-%s' % (url, response.status_code))  
        return None  
class SexySpider(scrapy.Spider):  
   # 如果有多个spider， name要唯一  
    name = 'sexy'  
    allowed_domains = ['uumdfdfnt.94demo.com']  
    allowed_urls = ['http://uumdfdfnt.94demo.com/']  
    # 需要爬取的网站url加到start_urls list里  
    start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']  
    save_path = '/home/sexy/dingziku'  
    def parse(self, response):  
        # 解析网站，获取图片列表  
        img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  
        time.sleep(1)  
        # 处理图片， 具体业务操作， 可交给items， 见5.2 items例子  
        for img_url in img_list:  
            file_name = img_url.split('/')[-1]  
            content = download_from_url(img_url)  
            if content is not None:  
                with open(os.path.join(self.save_path, file_name), 'wb') as fw:  
                    fw.write(content)  
        # 自动下一页（见5.3 自动下一页）  
        next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()  
        if next_page is not None:  
            next_page = response.urljoin(next_page)  
            yield scrapy.Request(next_page, callback=self.parse) 

5.2 items和pipline例子

这里说明下两个的作用

•  items：提供一个字段存储， spider会将数据存在这里
•  pipline：会从items取数据，进行业务操作，比如5.1中的保存图片；又比如存储到数据库中等

我们来改写下上面的例子

•  items.py其实就是定义字段scrapy.Field() 

import scrapy 
class SexyItem(scrapy.Item):  
    # define the fields for your item here like:  
    # name = scrapy.Field()  
    img_url = scrapy.Field() 

•  spiders/sexy_spider.py 

import scrapy  
import os  
# 导入item  
from ..items import SexyItem  
class SexySpider(scrapy.Spider): 
   # 如果有多个spider， name要唯一  
    name = 'sexy'  
    allowed_domains = ['uumdfdfnt.94demo.com']  
    allowed_urls = ['http://uumdfdfnt.94demo.com/']  
    # 需要爬取的网站url加到start_urls list里  
    start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html']  
    save_path = '/home/sexy/dingziku'  
    def parse(self, response):  
        # 解析网站，获取图片列表  
        img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall()  
        time.sleep(1)  
        # 处理图片， 具体业务操作， 可交给yield items  
        for img_url in img_list:  
            items = SexyItem()  
            items['img_url'] = img_url  
            yield items 

•  pipelines.py 

import os  
import requests  
def download_from_url(url):  
    response = requests.get(url, stream=True)  
    if response.status_code == requests.codes.ok:  
        return response.content  
    else:  
        print('%s-%s' % (url, response.status_code))  
        return None 
 class SexyPipeline(object):  
    def __init__(self):  
        self.save_path = '/tmp'  
    def process_item(self, item, spider):  
        if spider.name == 'sexy':  
            # 取出item里内容  
            img_url = item['img_url']           
             # 业务处理  
            file_name = img_url.split('/')[-1]  
            content = download_from_url(img_url)  
            if content is not None:  
                with open(os.path.join(self.save_path, file_name), 'wb') as fw:  
                    fw.write(content)  
        return item 

•  重要的配置要开启在settings.py中开启piplines类，数值表示优先级 

ITEM_PIPELINES = {  
   'sexy.pipelines.SexyPipeline': 300,  
} 

5.3 自动下一页

有时候我们不仅要爬取请求页面中的内容，还要递归式的爬取里面的超链接url，特别是下一页这种，解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。

•  先在页面解析下下一页的url
•  scrapy.Request(next_page, callback=self.parse) 发起一个请求，并调用parse来解析，当然你可以用其他的解析

完美了，完整例子见5.1 

next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get()  
if next_page is not None:  
   next_page = response.urljoin(next_page)  
   yield scrapy.Request(next_page, callback=self.parse) 

5.4 中间件

•  下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request，响应process_response和异常process_exception三个钩子函数。
•  处理请求process_request: 传给DOWNLOADER之前做的操作
•  响应process_response：DOWNLOADER给ENGIINE响应之前的操作

这里举一个添加模拟浏览器请求的方式，防止爬虫被封锁。重写process_request 

from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware  
import random  
agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;',  
              'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1',  
              'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',  
              'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',  
              'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)']  
class RandomUserAgent(UserAgentMiddleware):  
    def process_request(self, request, spider):  
        ua = random.choice(agents)  
        request.headers.setdefault('User-agent',ua,) 

统一要在settings.py中开启下载中间件，数值表示优先级 

DOWNLOADER_MIDDLEWARES = {  
    'sexy.middlewares.customUserAgent.RandomUserAgent': 20,  
} 

5.5 可用配置settings.py

除了上面提供的pipline配置开启和中间件配置外，下面介绍几个常用的配置

•  爬虫机器人规则：ROBOTSTXT_OBEY = False， 如果要爬取的网站有设置robots.txt，最好设置为False
•  CONCURRENT_REQUESTS：并发请求
•  DOWNLOAD_DELAY：下载延迟，可以适当配置，避免把网站也爬挂了。

所有的配置详见 https://doc.scrapy.org/en/latest/topics/settings.html

6. 总结

相信从上面的介绍，你已经可以动手写一个你自己的爬虫了。我也完成了做笔记的任务了。scrapy还提供更加详细的细节，可参见https://docs.scrapy.org/en/latest/。

最后总结如下：

•  scrapy是基于事件驱动Twisted框架的爬虫框架。ENGIINE是核心，负责串起其他组件
•  开发只要编写spider和item pipline和中间件， download和schedule交给框架
•  scrapy crawl 你的爬虫name，name要唯一
•  爬取的url放在start_urls， spider会自动Request的，parse来解析
•  pipline和中间件要记得在settings中开启
•  关注下settings的常用配置，需要时看下文档