内容简介：Scrapy是一个优秀的Python爬虫框架，可以很方便的爬取web站点的信息供我们分析和挖掘，在这记录下最近使用的一些心得。通过pip或者easy_install安装:首先在items.py里定义要抓取的内容,以豆瓣美女为例：
Scrapy是一个优秀的 Python 爬虫框架，可以很方便的爬取web站点的信息供我们分析和挖掘，在这记录下最近使用的一些心得。
1.安装
通过pip或者easy_install安装:
sudo pip install scrapy
2.创建爬虫项目
scrapy startproject youProjectName
3.抓取数据
首先在items.py里定义要抓取的内容,以豆瓣美女为例：
from scrapy.item import Field,Item
class DoubanmeinvItem(Item):
feedId = Field() #feedId
userId = Field() #用户id
createOn = Field() #创建时间
title = Field() #feedTitle
thumbUrl = Field() #feed缩略图url
href = Field() #feed链接
description = Field() #feed简介
pics = Field() #feed的图片列表
userInfo = Field() #用户信息
class UserItem(Item):
userId = Field() #用户id
name = Field() #用户name
avatar = Field() #用户头像
创建爬虫文件,cd到工程文件夹下后输入命令:
scrapy genspider dbMeinv dbmeinv.com
接着编辑爬虫文件，实例如下：
# -*- coding: utf-8 -*-
import scrapy
import re
from DoubanMeinv.items import DoubanmeinvItem,UserItem
import json
import time
from datetime import datetime
from scrapy.exceptions import CloseSpider
import sys
reload(sys)
sys.setdefaultencoding('utf8')
class DbmeinvSpider(scrapy.Spider):
name = "dbMeinv"
allowed_domains = ["www.dbmeinv.com"]
start_urls = (
'http://www.dbmeinv.com/dbgroup/rank.htm?pager_offset=1',
)
baseUrl = 'http://www.dbmeinv.com'
close_down = False
def parse(self, response):
request = scrapy.Request(response.url,callback=self.parsePageContent)
yield request
#解析每一页的列表
def parsePageContent(self, response):
for sel in response.xpath('//div[@id="main"]//li[@class="span3"]'):
item = DoubanmeinvItem()
title = sel.xpath('.//div[@class="bottombar"]//a[1]/text()').extract()[0]
#用strip()方法过滤开头的\r\n\t和空格符
item['title'] = title.strip()
item['thumbUrl'] = sel.xpath('.//div[@class="img_single"]//img/@src').extract()[0]
href = sel.xpath('.//div[@class="img_single"]/a/@href').extract()[0]
item['href'] = href
#正则解析id
pattern = re.compile("dbgroup/(\d*)")
res = pattern.search(href).groups()
item['feedId'] = res[0]
#跳转到详情页面
request = scrapy.Request(href,callback=self.parseMeinvDetailInfo)
request.meta['item'] = item
yield request
#判断是否超过限制应该停止
if(self.close_down == True):
print "数据重复，close spider"
raise CloseSpider(reason = "reach max limit")
else:
#获取下一页并加载
next_link = response.xpath('//div[@class="clearfix"]//li[@class="next next_page"]/a/@href')
if(next_link):
url = next_link.extract()[0]
link = self.baseUrl + url
yield scrapy.Request(link,callback=self.parsePageContent)
#解析详情页面
def parseMeinvDetailInfo(self, response):
item = response.meta['item']
description = response.xpath('//div[@class="panel-body markdown"]/p[1]/text()')
if(description):
item['description'] = description.extract()[0]
else:
item['description'] = ''
#上传时间
createOn = response.xpath('//div[@class="info"]/abbr/@title').extract()[0]
format = "%Y-%m-%d %H:%M:%S.%f"
t = datetime.strptime(createOn,format)
timestamp = int(time.mktime(t.timetuple()))
item['createOn'] = timestamp
#用户信息
user = UserItem()
avatar = response.xpath('//div[@class="user-card"]/div[@class="pic"]/img/@src').extract()[0]
name = response.xpath('//div[@class="user-card"]/div[@class="info"]//li[@class="name"]/text()').extract()[0]
home = response.xpath('//div[@class="user-card"]/div[@class="opt"]/a[@target="_users"]/@href').extract()[0]
user['avatar'] = avatar
user['name'] = name
#正则解析id
pattern = re.compile("/users/(\d*)")
res = pattern.search(home).groups()
user['userId'] = res[0]
item['userId'] = res[0]
#将item关联user
item['userInfo'] = user
#解析链接
pics = []
links = response.xpath('//div[@class="panel-body markdown"]/div[@class="topic-figure cc"]')
if(links):
for a in links:
img = a.xpath('./img/@src')
if(img):
picUrl = img.extract()[0]
pics.append(picUrl)
#转成json字符串保存
item['pics'] = json.dumps(list(pics))
yield item
需要说明的几点内容：
-
allowed_domin指定Spider在哪个网站爬取数据 -
start_urls包含了Spider在启动时进行爬取的url列表 -
parse方法继承自父类，每个初始URL完成下载后生成的Response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response)，提取数据(生成item)以及生成需要进一步处理的URL的Request对象 -
xpath解析数据的时候使用(也可以使用css)，关于xpath和css的详细用法请自行搜索 -
xpath从某个子元素里解析数据时要使用element.xpath('./***')而不能使用element.xpath('/***')，否则是从最外层解析而不是从element下开始解析 -
web站点爬取的text经常包含了我们不想要的\r\n\t或者是空格等字符,这个时候就要使用Python的
strip()方法来过滤掉这些数据 - 抓取的web页面时间经常是2015-10-1 12:00:00格式，但是我们存储到数据库时要想转成timeStamp的格式，这里用Python的time相关类库来处理,代码见上面
-
抓取完某个页面的时候，可能我们还需要抓取跟它相关的详情页面数据，这里用生成
Scrapy.Request的方式来继续抓取,并且将当前的item存储到新的request的meta数据中以供后面的代码中读取到已抓取的item -
如果我们想要在某些情况下停止Spider的抓取，在这里设置一个flag位,并在适当的地方抛出一个
CloseSpider的异常来停止爬虫，后面会接着提到这个技巧
4.运行爬虫
scrapy crawl youSpiderName
5.编写Pipeline
如果我们要将数据存储到 MySQL 数据库中，需要安装MySQLdb，安装过程很多坑，遇到了再Google解决吧。一切搞定之后开始编写pipelines.py和settings.py文件
首先在settings.py文件中定义好连接MySQL数据库的所需信息，如下所示:
DB_SERVER = 'MySQLdb'
DB_CONNECT = {
'host' : 'localhost',
'user' : 'root',
'passwd' : '',
'port' : 3306,
'db' :'dbMeizi',
'charset' : 'utf8',
'use_unicode' : True
}
然后编辑pipelines.py文件，添加代码如下:
from scrapy.conf import settings
from scrapy.exceptions import DropItem
from twisted.enterprise import adbapi
import json
class DoubanmeinvPipeline(object):
#插入的 sql 语句
feed_key = ['feedId','userId','createOn','title','thumbUrl','href','description','pics']
user_key = ['userId','name','avatar']
insertFeed_sql = '''insert into MeiziFeed (%s) values (%s)'''
insertUser_sql = '''insert into MeiziUser (%s) values (%s)'''
feed_query_sql = "select * from MeiziFeed where feedId = %s"
user_query_sql = "select * from MeiziUser where userId = %s"
feed_seen_sql = "select feedId from MeiziFeed"
user_seen_sql = "select userId from MeiziUser"
max_dropcount = 50
current_dropcount = 0
def __init__(self):
dbargs = settings.get('DB_CONNECT')
db_server = settings.get('DB_SERVER')
dbpool = adbapi.ConnectionPool(db_server,**dbargs)
self.dbpool = dbpool
#更新看过的id列表
d = self.dbpool.runInteraction(self.update_feed_seen_ids)
d.addErrback(self._database_error)
u = self.dbpool.runInteraction(self.update_user_seen_ids)
u.addErrback(self._database_error)
def __del__(self):
self.dbpool.close()
#更新feed已录入的id列表
def update_feed_seen_ids(self, tx):
tx.execute(self.feed_seen_sql)
result = tx.fetchall()
if result:
#id[0]是因为result的子项是tuple类型
self.feed_ids_seen = set([int(id[0]) for id in result])
else:
#设置已查看过的id列表
self.feed_ids_seen = set()
#更新user已录入的id列表
def update_user_seen_ids(self, tx):
tx.execute(self.user_seen_sql)
result = tx.fetchall()
if result:
#id[0]是因为result的子项是tuple类型
self.user_ids_seen = set([int(id[0]) for id in result])
else:
#设置已查看过的id列表
self.user_ids_seen = set()
#处理每个item并返回
def process_item(self, item, spider):
query = self.dbpool.runInteraction(self._conditional_insert, item)
query.addErrback(self._database_error, item)
feedId = item['feedId']
if(int(feedId) in self.feed_ids_seen):
self.current_dropcount += 1
if(self.current_dropcount >= self.max_dropcount):
spider.close_down = True
raise DropItem("重复的数据:%s" % item['feedId'])
else:
return item
#插入数据
def _conditional_insert(self, tx, item):
#插入Feed
tx.execute(self.feed_query_sql, (item['feedId']))
result = tx.fetchone()
if result == None:
self.insert_data(item,self.insertFeed_sql,self.feed_key)
else:
print "该feed已存在数据库中:%s" % item['feedId']
#添加进seen列表中
feedId = item['feedId']
if int(feedId) not in self.feed_ids_seen:
self.feed_ids_seen.add(int(feedId))
#插入User
user = item['userInfo']
tx.execute(self.user_query_sql, (user['userId']))
user_result = tx.fetchone()
if user_result == None:
self.insert_data(user,self.insertUser_sql,self.user_key)
else:
print "该用户已存在数据库:%s" % user['userId']
#添加进seen列表中
userId = user['userId']
if int(userId) not in self.user_ids_seen:
self.user_ids_seen.add(int(userId))
#插入数据到数据库中
def insert_data(self, item, insert, sql_key):
fields = u','.join(sql_key)
qm = u','.join([u'%s'] * len(sql_key))
sql = insert % (fields,qm)
data = [item[k] for k in sql_key]
return self.dbpool.runOperation(sql,data)
#数据库错误
def _database_error(self, e):
print "Database error: ", e
说明几点内容：
process_item CloseSpider
最后在settings.py文件中启用pipeline
ITEM_PIPELINES = {
'DoubanMeinv.pipelines.DoubanmeinvPipeline': 300,
# 'DoubanMeinv.pipelines.ImageCachePipeline': 500,
}
6.变换User-Agent，避免爬虫被ban
我们抓取的网站可能会检查User-Agent，所以为了爬虫正常运行我们需要设置请求的User-Agent。对于频繁的请求，还要对User-Agent做随机变换以防被ban,这里通过设置Downloader Middleware来修改爬虫的request和respons
在setting.py文件中添加User-Agent列表
DOWNLOADER_MIDDLEWARES = {
'DoubanMeinv.middlewares.RandomUserAgent': 1,
}
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
]
修改middlewares.py文件添加如下代码：
import random
class RandomUserAgent(object):
def __init__(self, agents):
self.agents = agents
@classmethod
def from_crawler(cls, crawler):
return cls(crawler.settings.getlist('USER_AGENTS'))
def process_request(self, request, spider):
request.headers.setdefault('User-Agent', random.choice(self.agents))
7.禁用Cookie+设置请求延迟
某些网站可能会根据cookie来分析爬取的轨迹，为了被ban，我们最好也禁用掉cookie;同时为了避免请求太频繁而造成爬虫被ban，我们还需要设置请求间隔时间,在settings.py文件中添加以下代码:
DOWNLOAD_DELAY=1 COOKIES_ENABLED=False
8.抓取图片并保存到本地
有时候我们想把抓取到的图片直接下载并保存到本地，可以用Scrapy内置的 ImagesPipeline
来处理,因为 ImagesPipeline
用到了PIL这个图片处理模块，所以我们首先需要使用pip来安装 Pillow
安装成功后，在pipelines.py代码中添加以下代码：
from scrapy.pipelines.images import ImagesPipeline
from scrapy import Request
import json
class ImageCachePipeline(ImagesPipeline):
def get_media_requests(self, item, info):
pics = item['pics']
list = json.loads(pics)
for image_url in list:
yield Request(image_url)
def item_completed(self, results, item, info):
image_paths=[x['path'] for ok,x in results if ok]
if not image_paths:
print "图片未下载好:%s" % image_paths
raise DropItem('图片未下载好 %s'%image_paths)
ImagesPipeline类有一个 get_media_requests
方法来进行下载的控制，所以我们在这里解析imgUrl并发起进行一个Request,在下载完成之后，会把结果传递到 item_completed
方法，包括 下载是否成功（ True or False) 以及下载下来保存的路径和下载的路径，这里改写这个方法让他把下载失败的（Flase）的图片的路径输出出来
接下来在settings.py里设置下载图片的文件目录并启用ImageCachePipeline
#设置图片保存到本地的地址和过期时间
IMAGES_STORE='/Users/chen/Pictures/Meizi'
IMAGES_EXPIRES = 90
ITEM_PIPELINES = {
'DoubanMeinv.pipelines.DoubanmeinvPipeline': 300,
'DoubanMeinv.pipelines.ImageCachePipeline': 500,
}
等待爬虫执行完之后去IMAGES_STORE路径下查看图片就是了
9.自动运行爬虫
为了源源不断获取数据，可通过命令让爬虫每天都运行来抓取数据
// 为当前用户新增任务 crontab -e // 增加如下记录 注意替换自己的爬虫目录 由于环境变量的原因，scrapy要给出全路径 0 10 * * * cd /home/chen/pyWork/DoubanMeinvScrapy && /usr/bin/scrapy crawl dbmeinv
上面的命令添加了一个任务，这个任务会每天早上10：00启动，这个任务要做得就是进入爬虫目录，并启动爬虫。
如果你不知道自己的scrapy的全路径，可以用终端下用 which scrapy
来查看
总结:
以上的内容只是自己在使用Scrapy过程中的一些心得体会，算是简单入门Scrapy了，接下来还得了解分布式爬取以及一些更高级的技巧，以后有新的经验了再更新。Enjoy it!
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- Python爬虫笔记
- 网络爬虫框架开发笔记
- Node系列-爬虫踩坑笔记
- 「Python笔记」python爬虫简单实战
- 爬虫学习笔记（2）使用MongoDB保存拉钩数据
- python 爬虫开发从入门到实践 读书笔记(一)
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
高性能网站建设进阶指南
Steve Souders / 口碑网前端团队 / 电子工业出版社 / 2010年4月 / 49.80元
性能是任何一个网站成功的关键，然而，如今日益丰富的内容和大量使用Ajax的Web应用程序已迫使浏览器达到其处理能力的极限。Steve Souders是Google Web性能布道者和前Yahoo！首席性能工程师，他在本书中提供了宝贵的技术来帮助你优化网站性能。 Souders的上一本畅销书《高性能网站建设指南》（High Performance Web Sites）震惊了Web开发界，它揭示......一起来看看 《高性能网站建设进阶指南》 这本书的介绍吧!
