人人都会数据采集- Scrapy 爬虫框架入门

喜欢ヅ旅行 2022-06-02 09:46 258阅读 0赞

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：

![SouthEast][]

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：

![SouthEast 1][]

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

<title>MySQL – \\u7f51\\u7ad9\\u5206\\u7c7b – \\u535a\\u5ba2\\u56ed</title>\\r\\n

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。

![SouthEast 2][]

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 )

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 post\_item\_body。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 post\_item\_body：

>>> first\_article = post\_item\_body\[ 0 \]

标题在 post\_item\_body 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 post\_item\_foot 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。open\_spider/close\_spider 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

cnblogs\_mysql.py 的 parse 方法中有个 next\_page\_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。

[SouthEast]: /images/20220602/e5ea210bac6146bdb21a661334fb04b9.png
[SouthEast 1]: /images/20220602/69ed0be890d64446b1b33a0260256591.png
[SouthEast 2]: /images/20220602/af089d280e7a4678bd736b8eb0d0274d.png