人人都会数据采集- Scrapy 爬虫框架入门

Hekko 岂安科技研发工程师

喜欢(擅长)瞎折腾

★ 在这个言必称“大数据”“人工智能”的时代,数据分析与挖掘逐渐成为互联网从业者必备的技能。本文介绍了利用轻量级爬虫框架 scrapy 来进行数据采集的基本方法。 ★

一、scrapy简介

scrapy 是一套用 Python 编写的异步爬虫框架,基于 Twisted 实现,运行于 Linux/Windows/MacOS 等多种环境,具有速度快、扩展性强、使用简便等特点。即便是新手也能迅速掌握并编写出所需要的爬虫程序。scrapy 可以在本地运行,也能部署到云端(scrapyd)实现真正的生产级数据采集系统。

我们通过一个实例来学习如何利用 scrapy 从网络上采集数据。“博客园”是一个技术类的综合资讯网站,本次我们的任务是采集该网站 MySQL 类别 https://www.cnblogs.com/cate/mysql/ 下所有文章的标题、摘要、发布日期、阅读数量,共4个字段。最终的成果是一个包含了所有4个字段的文本文件。如图所示:

bigsec

最终拿到的数据如下所示,每条记录有四行,分别是标题、阅读数量、发布时间、文章摘要:

bigsec

二、安装scrapy

下面来看看怎么安装 scrapy。首先你的系统里必须得有 Python 和 pip,本文以最常见的 Python2.7.5 版本为例。pip 是 Python 的包管理工具,一般来说 Linux 系统中都会默认安装。在命令行下输入如下命令并执行:

sudo pip install scrapy -i http://pypi.douban.com/simple –trusted-host=pypi.douban.com

pip 会从豆瓣网的软件源下载并安装 scrapy,所有依赖的包都会被自动下载安装。”sudo”的意思是以超级用户的权限执行这条命令。所有的进度条都走完之后,如果提示类似”Successfully installed Twisted, scrapy … “,则说明安装成功。

三、scrapy交互环境

scrapy 同时也提供了一个可交互运行的 Shell,能够供我们方便地测试解析规则。scrapy 安装成功之后,在命令行输入 scrapy shell 即可启动 scrapy 的交互环境。scrapy shell 的提示符是三个大于号>>>,表示可以接收命令了。我们先用 fetch() 方法来获取首页内容:

>>> fetch( “https://www.cnblogs.com/cate/mysql/” )

如果屏幕上有如下输出,则说明网页内容已经获取到了。

2017-09-04 07:46:55 [scrapy.core.engine] INFO: Spider opened
2017-09-04 07:46:55 [scrapy.core.engine] DEBUG: Crawled (200) 
<GET https://www.cnblogs.com/cate/mysql/> (referer: None)

获取到的响应会保存在 response 对象中。该对象的 status 属性表示 HTTP 响应状态,正常情况为 200。

>>> print response.status
200

text 属性表示返回的内容数据,从这些数据中可以解析出需要的内容。

>>> print response.text

u'<!DOCTYPE html>\r\n<html lang=”zh-cn”>\r\n<head>\r\n    
<meta charset=”utf-8″ />\r\n    
<meta name=”viewport” content=”width=device-width, initial-scale=1″ />\r\n    
<meta name=”referrer” content=”always” />\r\n    
<title>MySQL – \u7f51\u7ad9\u5206\u7c7b – \u535a\u5ba2\u56ed</title>\r\n        
<link rel=”shortcut icon” href=”//common.cnblogs.com/favicon.ico” type=”image/x-icon” />’

可以看到是一堆很乱的 HTML 代码,没法直观地找到我们需要的数据。这个时候我们可以通过浏览器的“开发者工具”来获取指定数据的 DOM 路径。用浏览器打开网页 https://www.cnblogs.com/cate/mysql/ 之后,按下 F12 键即可启动开发者工具,并迅速定位指定的内容。

bigsec

可以看到我们需要的4个字段都在 / body / div(id=”wrapper”) / div(id=”main”) / div(id=”post_list”) / div(class=”post_item”) / div(class=”post_item_body”) / 下,每一个”post_item_body”都包含一篇文章的标题、摘要、发布日期、阅读数量。我们先获取所有的”post_item_body”,然后再从里面分别解析出每篇文章的4个字段。

>>> post_item_body = response.xpath( “//div[@id=’wrapper’]/div[@id=’main’]/div[@id=’post_list’]/div[@class=’post_item’]/div[@class=’post_item_body’]” )
>>> len( post_item_body )
20

response 的 xpath 方法能够利用 xpath 解析器获取 DOM 数据,xpath 的语法请参考官网文档。可以看到我们拿到了首页所有 20 篇文章的 postitembody。那么如何将每篇文章的这4个字段提取出来呢?

我们以第一篇文章为例。先取第一个 postitembody:

>>> first_article = post_item_body[ 0 ]

标题在 postitembody 节点下的 h3 / a 中,xpath 方法中text()的作用是取当前节点的文字,extract_first() 和 strip() 则是将 xpath 表达式中的节点提取出来并过滤掉前后的空格和回车符:

>>> article_title = first_article.xpath( “h3/a/text()” ).extract_first().strip()
>>> print article_title

Mysql之表的操作与索引操作

然后用类似的方式提取出文章摘要:

>>> article_summary = first_article.xpath( “p[@class=’post_item_summary’]/text()” ).extract_first().strip()
>>> print article_summary

表的操作: 1.表的创建: create table if not exists table_name(字段定义); 例子:

create table if not exists user(id int auto_increment, uname varchar(20), address varch …

在提取 postitemfoot 的时候,发现提取出了两组内容,第一组是空内容,第二组才是“发布于 XXX”的文字。我们将第二组内容提取出来,并过滤掉“发布于”三个字:

>>> post_date = first_article.xpath( “div[@class=’post_item_foot’]/text()” ).extract()[ 1 ].split( “发布于” )[ 1 ].strip()
>>> print post_date
2017-09-03 18:13

最后将阅读数量提取出来:

>>> article_view = first_article.xpath( “div[@class=’post_item_foot’]/span[@class=’article_view’]/a/text()” ).extract_first()
>>> print article_view
阅读(6)

很多人觉得 xpath 方法里的规则太过复杂。其实只要了解一点 HTML 文件的 DOM 结构,掌握 xpath 的提取规则还是比较轻松容易的。好在 scrapy shell 允许我们反复对 DOM 文件进行尝试解析。实验成功的 xpath 表达式就可以直接用在项目里了。

四、创建scrapy项目

scrapy shell 仅仅适用于测试目标网站是否可以正常采集以及采集之后如何解析,真正做项目的时候还需要从头建立一个 scrapy 项目。 输入以下命令退出 scrapy shell 并返回 Linux 命令行:

>>> exit()

假设我们的项目名称叫 cnblogs_scrapy ,则可通过下面的命令来创建一个 scrapy 项目:

scrapy startproject cnblogs_scrapy

会自动生成如下结构的目录与文件:

|– cnblogs_scrapy
|        |– __init__.py
|        |– items.py
|        |– middlewares.py
|        |– pipelines.py
|        |– settings.py
|        `– spiders
|                `– __init__.py
`– scrapy.cfg

五、解析与存储

我们需要改三个地方:

在spiders目录下建一个文件cnblogs_mysql.py 内容如下:

# -*- coding: utf-8 -*-

import scrapy

import sys
reload( sys )
sys.setdefaultencoding( "utf8" )

class CnblogsMySQL(scrapy.Spider):

    # 爬虫的名字,必须有这个变量
    name = 'cnblogs_mysql'

    page_index = 1

    # 初始地址,必须有这个变量
    start_urls = [
        'https://www.cnblogs.com/cate/mysql/' + str( page_index ),
    ]

    def parse(self, response):

        post_items = response.xpath( 
            "//div[@id='wrapper']/div[@id='main']/div[@id='post_list']/div[@class='post_item']/div[@class='post_item_body']" 
                )

        for post_item_body in post_items:
            yield {
                'article_title': 
                    post_item_body.xpath( "h3/a/text()" ).extract_first().strip(),
                'article_summary': 
                    post_item_body.xpath( "p[@class='post_item_summary']/text()" ).extract_first().strip(),
                'post_date': 
                    post_item_body.xpath( "div[@class='post_item_foot']/text()" ).extract()[ 1 ].strip(),
                'article_view' : 
                    post_item_body.xpath( 
                            "div[@class='post_item_foot']/span[@class='article_view']/a/text()" 
                        ).extract_first().strip()
            }

        next_page_url = None
        self.page_index += 1
        if self.page_index <= 20:
            next_page_url = "https://www.cnblogs.com/cate/mysql/" + str( self.page_index )
        else:
            next_page_url = None

        if next_page_url is not None:
            yield scrapy.Request(response.urljoin(next_page_url))

这个就是我们的爬虫,其中 name 和 start_urls 两个变量必须存在。parse 方法的作用是将响应内容解析为我们需要的数据。parse 中的 for 循环就是在提取每一页中的 20 篇文章。解析并提取完成后,通过 yield 将结果抛到 pipeline 进行存储。

修改pipelines.py文件,内容如下:

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


class CnblogsScrapyPipeline(object):

    def open_spider( self, spider ):

        self.fp = open( "data.list", "w" )

    def close_spider( self, spider ):

        self.fp.close()

    def process_item(self, item, spider):

        self.fp.write( item[ "article_title" ] + "\n" )
        self.fp.write( item[ "article_view" ] + "\n" )
        self.fp.write( item[ "post_date" ] + "\n" )
        self.fp.write( item[ "article_summary" ] + "\n\n" )

        return item

可以看到有三个方法。这三个方法是从基类中继承而来。openspider/closespider 分别在爬虫启动和结束的时候执行,一般用作初始化及收尾。process_item 会在每一次 spider 解析出数据后 yield 的时候执行,用来处理解析的结果。上面这个 pipeline 的作用是将每一条记录都存储到文件中。当然也可以通过 pipeline 将内容存储到数据库或其它地方。

配置pipeline

注意仅仅有这个 pipeline 文件还不能工作,需要在配置文件中向 scrapy 声明 pipeline。同目录下有个 settings.py 文件,加入如下内容:

ITEM_PIPELINES = {
        'cnblogs_scrapy.pipelines.CnblogsScrapyPipeline': 300,
}

后面的数字是 pipeline 的权重,如果一个爬虫有多个 pipeline,各个 pipeline 的执行顺序由这个权重来决定。

修改完成并保存之后,退到 cnblogs_scrapy 的上层目录,并输入以下命令启动爬虫:

scrapy crawl cnblogs_mysql

所有经过处理的信息都会输出到屏幕上。结束之后,当前目录中会生成名为 data.list 的文件,里面存储了本次采集的所有数据。

六、翻页

cnblogsmysql.py 的 parse 方法中有个 nextpage_url 变量,一般情况下这个变量的内容应当是当前页面的下一页 URL,该 URL 当然也可以通过解析页面来获取。获得下一页的URL之后,用 scrapy.Request 来发起新一次的请求。 简单起见本文通过直接拼接 URL 的形式来指定仅采集前 20 页的数据。

七、其它

用 scrapy 发请求之前,也可以自己构造 Request,这样就能伪装为真实访问来避免被封。一般情况下有修改 User-Agent、随机采集时间、随机代理 IP 等方法。 scrapy 项目可以直接运行,也可以部署在云端进行批量采集和监控。云端部署需要用到 scrapyd,操作起来也很简单,有需要的话可自行参考官网文档。