Python爬虫——Scrapy框架(附有实战)
大家好!我是霖hero
有一天,我在逛街,突然被一声靓仔打断了我的脚步,回头一看,原来是水果摊阿姨叫我买水果,说我那么靓仔,便宜一点买给我,自恋的我无法拒绝阿姨的一声声靓仔,于是买了很多水果回家,家人问我水果多少钱,结果如何,没错,水果买贵了!今天我们使用scrapy框架来爬取北京新发地价格行情,了解商品价格,家人再也不怕我买贵东西啦。
Scrapy
在爬取之前,我们先来学习一下什么Scrapy框架。
Scrapy是一个基于Twisted的异步处理框架,是纯Python实现的爬虫框架,是提取结构性数据而编写的应用框架,其架构清晰,模块之间的耦合程度低,可扩展性极强,我们只需要少量的代码就能够快速抓取数据。
Scrapy框架
首先我们看看经典的Scrapy框架架构图,如下图所示:
学Scrapy框架的绝大部分都看过这个图,图中分了很多部分,接下来,我们通过下面的表来简单地了解各个部分的作用。
名称 | 作用 | 是否要手写代码 |
---|---|---|
Engine | 引擎,负责数据和信号的在不同模块间的传递。 | 否 |
Scheduler | 调度器,存放引擎发过来的requests请求,在引擎再次请求的时候将请求提供给引擎。 | 否 |
Downloader | 下载器,下载网页响应的内容并将内容返回给引擎。 | 否 |
Spiders | 爬虫,处理引擎传过来的网页内容并提取数据、url,并返回给引擎。 | 是 |
Item Pipeline | 管道,处理引擎传过来的数据,主要任务是清洗、验证和存储数据。 | 是 |
Downloader Middlewares | 下载器中间件,位于引擎和下载器之间的桥梁框架,主要是处理引擎与下载器之间的请求及响应,可以自定义下载扩展,如设置代理。 | 一般不用手写 |
Spider MiddlewaresSpider | 中间件,位于引擎和爬虫之间的桥梁框架,主要处理向爬虫输入的响应和输出的结果及新的请求。 | 一般不用手写 |
在表中,我们可以发现,每部分都要经过引擎,上图中Scrapy Engine部分也是放在正中心,由此可知,Engine引擎是整个框架的核心。
注意:这些模块部分只有Spiders和Item Pipeline需要我们自己手写代码,其他的大部分都不需要。
Scrapy项目
大致了解了Scrapy框架的各个部分后,接下来我们开始创建一个Scrapy项目,可以使用如下命令:
scrapy startproject <Scrapy项目名>
创建一个scrapy项目名为test1的项目,如下图所示:
这样我们就创建好Scrapy项目了,如下图所示:
其中:
-
spiders:存放spiders的文件夹;
-
items.py:Items的定义,定义爬取的数据结构;
-
middlewares.py:项目中间件文件,定义爬取时的中间件;
-
pipelines.py:项目管道文件,定义数据管道;
-
settings:项目设置文件;
-
scrapy.cfg:Scrapy部署配置文件。
Spider爬虫
创建spider爬虫
要创建Spider爬虫,首先我们要进入刚才创建的Scrapy目录中,再在命令行运行以下命令:
scrapy genspider <爬虫名字> <允许爬取的域名>
以Quotes to Scrape网站为例子,该网站是一个著名作家名言的网站,创建Spider爬虫如下图所示:
创建spider爬虫后,spiders文件夹中多了一个firstspider.py,这个py文件就是我们创建爬虫,文件内容如下所示:
import scrapy
class FirstspiderSpider(scrapy.Spider):
name = 'firstSpider'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
pass
其中:
-
class FirstspiderSpider()是自定义spider类,继承自scrapy.Spider
-
name是定义此爬虫名称的字符串,每个项目唯一的名字,用来区分不同的Spider,启动爬虫时使用scrapy crawl +该爬虫名字;
-
allowed_domains是允许爬取的域名,防止爬虫爬到其他网站;
-
start_urls是最开始爬取的url;
-
parse()方法是负责解析返回响应、提取数据或进一步生成要处理的请求,注意:不能修改这个方法的名字。
parse()提取数据并启动爬虫
大致了解了firstspider.py文件内容后,我们接下来尝试在parse()方法中提取响应的数据,具体代码如下所示:
xpath_parse = response.xpath('/html/body/div[1]/div[2]/div[1]/div')
for xpath in xpath_parse:
item={}
item['text'] = xpath.xpath('./span[1]/text()').extract_first().replace('“','').replace('”','') item['author']=xpath.xpath('./span[2]/small/text()').extract_first()
print(item)
这样我们就成功提取到引擎响应的内容数据了,接着输入以下命令来运行spider爬虫:
scrapy crawl firstSpider
运行结果如下:
运行后发现我们结果里面多了很多log日志,这时可以通过在settings.py添加以下代码,就可以屏蔽这些log日志:
LOG_LEVEL="WARNING"
这样就可以直接输入我们想要的内容,如下图所示:
有人可能问:那User-Agent在哪里设置?
我们可以在settings.py中设置User-Agent,代码如下所示:
items.py介绍
为了避免拼写错误或者定义字段错误,我们可以在items.py文件中定义好字段,在上面提取数据中,我们获取了text、author内容,所以我们可以在items.py定义text和author字段,具体代码如下所示:
import scrapy
class Test1Item(scrapy.Item):
text= scrapy.Field()
author = scrapy.Field()
在items.py文件中,我们只需要使用scrapy.Field()来进行定义即可,scrapy.Field()是一个字典,总的来说我们可以把该类理解为一个字典。
接着在firstspider.py文件中导入我们的items.py,以及修改item={},如下所示:
from test1.items import Test1Item
item=Test1Item()
有人可能会说为什么要多此一举定义一个字典呢?
当我们在获取到数据的时候,使用不同的item来存放不同的数据,在把数据交给pipeline的时候,可以通过isinstance(item,Test1Item)来判断数据属于哪个item,进行不同的数据(item)处理。
例如我们获取到京东、淘宝、拼多多的数据时,我们可以items.py文件中定义好对应的字段,具体代码如下:
import scrapy
class jingdongItem(scrapy.Item):
text= scrapy.Field()
author = scrapy.Field()
class taobaoItem(scrapy.Item):
text= scrapy.Field()
author = scrapy.Field()
class pddItem(scrapy.Item):
text= scrapy.Field()
author = scrapy.Field()
定义好字段后,这是我们通过在pipeline.py文件中编写代码,对不同的item数据进行区分,具体代码如下:
from test1.items import jingdongItem
class Test1Pipeline:
def process_item(self, item, spider):
if isinstance(item,jingdongItem):
print(item)
首先我们通过导入我们的items.py,通过isinstance()函数来就可以成功获取到对应的item数据了。
pipelines.py介绍
Item Pipeline为项目管道,当Item生成后,它就会自动被送到Item Pipeline进行处理,我们常用Item Pipeline来做以下操作:
-
清理HTML数据;
-
验证爬取数据,检测爬取字段;
-
查看并丢弃重复内容;
-
将爬取结果保存到数据库。
pipelines.py内容如下所示:
from itemadapter import ItemAdapter
class Test1Pipeline:
def process_item(self, item, spider):
return item
在process_item()方法中,传入了两个参数,一个参数是item,每次Spider生成的Item都会作为参数传递过来。另一个参数是spider,就是Spider的示例。
完成pipeline代码后,需要在setting.py中设置开启,开启方式很简单,只要把setting.py内容中的以下代码的注释取消即可:
ITEM_PIPELINES = {
'test1.pipelines.Test1Pipeline': 300,
}
其中:
-
test1.pipelines.Test1Pipeline是pipeline的位置;
-
300是pipeline的权重。
注意:
-
pipeline的权重越小优先级越高;
-
pipeline中的process_item()方法名不能修改为其他的名称;
-
pipeline能够定义多个。
当我们有多个spider爬虫时,为了满足不同的spider爬虫需求,这时可以定义不同的pipeline处理不同的item内容;
当一个spider的内容可能要做不同的操作时,例如存入不同的数据库中,这时可以定义不同的pipeline处理不同的item操作。
例如当我们有多个spider爬虫时,可以通过pipeline.py编写代码定义多个pipeline,具体代码如下:
class jingdongPipeline1:
def process_item(self, item, spider):
if spider.name=="jingdong":
print(item)
return item
class taobaoPipeline:
def process_item(self, item, spider):
if spider.name=="taobao":
print(item)
return item
这样我们就可以处理到对应的spider爬虫传递过来的数据了。
定义好pipeline后,我们要在settings.py中设置pipeline权重,也就是那个pipeline先运行,具体代码如下:
ITEM_PIPELINES = {
'test1.pipelines.jingdongPipeline': 300,
'test1.pipelines.taobaoPipeline': 301,
}
数据传输到pipeline中
在上面我们已经提取到想要的数据,接下来将数据传到pipeline中,传输很简单,我们只需要使用yield,代码如下:
yield item
没错,只要在spider爬虫中写入这一行代码即可,那么为什么要使用yield呢?,我用return不能行吗?
行,但yield是让整个函数变成一个生成器,每次遍历的时候挨个读到内存中,这样不会导致内存的占用量瞬间变高。
实现翻页
我们成功获取到了一页数据了,那么问题来了,如何实现翻页呢,方法有很多种,我们主要介绍两种。
第一种:使用start_requests()方法
我们通过在spider爬虫中,也就是我们创建的firstspider.py中添加以下代码,具体代码如下:
def start_requests(self):
for i in range(1,3):
url=f'https://quotes.toscrape.com/page/{i}/'
yield scrapy.Request(url=url,callback=self.parse)
第二种:在parse()方法中实现翻页
我们可以通过parse()方法中实现翻页,具体代码如下:
for i in range(2,3):
url = f'https://quotes.toscrape.com/page/{i}/'
yield scrapy.Request(url=url,callback=self.parse)
大家可以发现,上面两种翻页方式都差不多,只是一个在start_requests()方法实现,一个在parse()方法实现。
但都要使用scrapy.Request()方法,该方法能构建一个requests,同时指定提取数据的callback函数
scrapy.Requeset(url,callback,method='GET',headers,cookies,meta,dont_filter=False)
其中:
-
url:表示爬取的url链接;
-
callback:指定传入的url交给哪个解析函数去处理;
-
headers:请求头;
-
cookies:用于识别用户身份、进行回话跟踪而存储在用户本地终端上的数据;
-
meta:实现在不同的解析函数中传递数据;
-
dont_filter:让scrapy的去重不会过滤当前url,scrapy默认有url去重的功能。
保存数据
我们已经获取到数据而且实现了翻页,接下来是保存数据。
保存在文件中
当我们要把数据保存成文件的时候,不需要任何额外的代码,只要执行如下代码即可:
scrapy crawl spider爬虫名 -o xxx.json #保存为JSON文件
scrapy crawl spider爬虫名 -o xxx.jl或jsonlines #每个Item输出一行json
scrapy crawl spider爬虫名 -o xxx.csv #保存为csv文件
scrapy crawl spider爬虫名 -o xxx.xml #保存为xml文件
想要保存为什么格式的文件,只要修改后缀就可以了,在这里我就不一一例举了。
保存MongoDB中
当我们要把数据保存在MongoDB数据库的时候,就要使用Item Pipeline模块了,也就是说要在pipeline.py中编写代码,具体代码如下所示:
from pymongo import MongoClient
client=MongoClient()
collection=client["test1"]["firstspider"]
class Test1Pipeline:
def process_item(self, item, spider):
collection.insert(item)
return item
首先我们导入MongoClient模块并实例化MongoClient,创建一个集合,然后在process_item()方法中使用insert()方法把数据插入MongoDB数据库中。
好了,Scrapy知识就讲到这里,接下来爬取北京新发地价格行情,顺便巩固我们今天学的知识。
实战演练
爬取分析
首先我们进入北京新发地价格行情网页并打开开发者工具,如下图所示:
经过简单的查找,发现每个getPriceData.html存放着价格行情的数据,由此可得,我们可以通过getPriceData.html来进行数据的获取。
观察Headers请求,如下图所示:
发现它是POST请求,请求URL链接是http://www.xinfadi.com.cn/getPriceData.html,current是翻页的重要参数,limit是每页有多少行数据,我们可以构造消息体,代码如下所示:
data={
'limit': '20',
'current':page
}
通过scrapy.Request()方法将消息体传入到参数里面。
或者我们可以根据测试和观察规律,自己构造URL链接,通过观察分析,请求的URL链接可以为:
http://www.xinfadi.com.cn/getPriceData.html?limit=20¤t=1
http://www.xinfadi.com.cn/getPriceData.html?limit=20¤t=2
http://www.xinfadi.com.cn/getPriceData.html?limit=20¤t=3
创建Spider爬虫
分析北京新发地价格行情后,接下来我们首先创建一个Scrapy项目,使用如下命令:
scrapy startproject Vegetables
这样我们就成功创建了一个Scrapy项目,项目文件如下所示:
接下来创建spider爬虫,使用如下命令:
scrapy genspider vegetables www.xinfadi.com.cn
创建后vegetables.py内容如下所示:
import scrapy
class VegetablesSpider(scrapy.Spider):
name = 'vegetables'
allowed_domains = ['www.xinfadi.com.cn']
start_urls = ['https://www.xinfadi.com.cn']
def parse(self, response):
pass
提取数据
在提取数据前,我们首先把要爬取的数据字段在items.py文件中定义好,代码如下所示:
import scrapy
class VegetablesItem(scrapy.Item):
# define the fields for your item here like:
productName = scrapy.Field()
lowPrice=scrapy.Field()
highPrice=scrapy.Field()
这里我们定义了三个字段分别是productName、lowPrice、highPrice
定义好字段后,接下来将在创建的vegetables.py文件中进行数据的提取,具体代码如下
import scrapy
from Vegetables.items import VegetablesItem
class VegetablesSpider(scrapy.Spider):
name = 'vegetables'
allowed_domains = ['www.xinfadi.com.cn']
def start_requests(self):
for i in range(1, 3):
url = f'http://www.xinfadi.com.cn/getPriceData.html?limit=20¤t={i}'
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
html = response.json()
fooddata = html.get('list')
for i in fooddata:
item=VegetablesItem()
item['highPrice'] =i.get('highPrice'),
item['lowPrice'] = i.get('lowPrice'),
item['prodName'] = i.get('prodName'),
yield item
首先我们导入vegetablesitem,使用start_requests函数实现翻页,大家可以使用刚才我们所讲的方法实现翻页,实现翻页后,我们通过编写parse()方法实现数据的获取,首先我们把引擎响应的数据以json()格式存放在html里面,调用get()方法来提取我们想要的数据,最后通过yield生成器返回给引擎。
最后我们在settings.py设置引擎的启动,代码如下所示:
ITEM_PIPELINES = {
'Vegetables.pipelines.VegetablesPipeline': 300,
}
在这里我们就不保存数据在MongoDB数据库里面了,我们直接启动Spider爬虫并把数据以csv格式输出,使用如下命令:
scrapy crawl vegetables -o 11.c
运行结果如下:
好了,Scrapy框架爬取北京新发地就讲解到这里了,感谢观看!!!
更多推荐
所有评论(0)