Python - 爬虫之Scrapy

欢迎关注微信公众号：[FSA全栈行动 👋]

# 一、scrapy 概念和流程

# 1、概念

Scrapy 是一个 python 编写的，被设计用于爬取网络数据、提取结构性数据的开源网络爬虫框架。

作用：少量的代码，就能够快速的抓取
官方文档：https://scrapy-chs.readthedocs.io/zh_CN/0.24/ (opens new window)

补充：Scrapy 使用了 Twisted 异步网络框架，可以加快下载速度

# 2、工作流程

scrapy流程图

其流程描述如下：

爬虫中起始的 url 构造成 request 对象 --> 爬虫中间件 --> 引擎 --> 调度器
调度器把 request --> 引擎 --> 下载中间件 --> 下载器
下载器发送请求，获取 response 响应 --> 下载中间件 --> 引擎 --> 爬虫中间件 --> 爬虫
爬虫提取 url 地址，组装成 request 对象 --> 爬虫中间件 --> 引擎 --> 调度器，重复步骤 2
爬虫提取数据 --> 引擎 --> 管道处理和保存数据

注意：

图中绿色线条表示数据的传递
图中中间件的位置决定了其作用
引擎处于 4 个模块中间，各个模块之间相互独立，只和引擎进行交互

# 3、各模块的具体作用

模块	作用	是否实现
Scrapy Engine(引擎)	总指挥：负责数据和信号在不同模块之间传递	scrapy 已经实现
Scheduler(调度器)	一个队列，存放引擎发过来的 request 请求	scrapy 已经实现
Downloader(下载器)	下载把引擎发过来的 request 请求，并返回给引擎	scrapy 已经实现
Spider(爬虫)	处理引擎发来的 response，提取数据、url，并交给引擎	*需要手写*
Item Pipeline(管道)	处理引擎传过来的数据，比如存储	*需要手写*
Downloader Middlewares(下载中间件)	可以自定义的下载扩展，比如设置代理	一般不用手写
Spider Middlewares(爬虫中间件)	可以自定义 requests 请求和进行 response 过滤	一般不用手写

注意：爬虫中间件和下载中间件只是运行逻辑的位置不同，作用是重复的：如替换 UA 等。

# 二、scrapy 入门使用

# 1、安装 scrapy

scrapy 有 2 种安装方式：

命令：
```
sudo apt-get install scrapy
```
pip：
```
pip/pip3 install scrapy
```

# 2、项目开发流程

创建项目：

scrapy startproject <项目名称>

eg:
	scrapy startproject myspider

生成一个爬虫：
```
scrapy genspider <爬虫名字> <允许爬取的域名>

eg:
	cd myspider
	scrapy genspider example example.com
```
- 爬虫名字：作用爬虫运行时的参数
- 允许爬取的域名：为对于爬虫设置的爬取范围，设置之后用于过滤要爬取的 url，如果爬取的 url 与允许的域不同则被过滤掉
  
  注意：执行完命令后，myspider/spiders 目录下，会多出一个 example.py 爬虫文件
提取数据：

根据网站结构在 spider 中实现数据采集相关内容
保存数据：

使用 pipeline 进行数据后续处理和保存
运行 scrapy
```
scrapy crawl <爬虫名字>
scrapy crawl <爬虫名字> --nolog

eg:
	scrapy crawl example
```
注意：需要在项目录下执行命令；--nolog 可以关闭框架日志信息输出

# 3、三个内置对象

request 请求对象：由 url method post_data headers 等构成
response 响应对象：由 url body status headers 等构成
item 数据对象：本质是字典

# 1）定位元素以及提取数据

解析并获取 scrapy 爬虫中的数据：利用 xpath 规则字符串进行定位和提取

response.xpath()：返回一个类似 List 的类型，其中包含的是 selector 对象，操作和列表一样，但是有一些额外方法：
- extract()：返回一个包含有字符串的列表
- extract_first()：返回列表中的第一个字符串，列表为空则返回 None

# 2）response 响应对象的常用属性

response.url：当前响应的 url 地址
response.request.url：当前响应对应的请求的 url 地址
response.headers：响应头
response.request.headers：当前响应的请求头
response.body：响应体，也就是 html 代码，byte 类型
response.status：响应状态码

# 4、入门实战

# 1）创建项目&爬虫

scrapy startproject myspider
cd myspider
scrapy genspider itcast itcast.cn

# 2）完善爬虫（抓取数据）

在/myspider/myspider/spiders/itcast.py 中修改内容如下：

import scrapy

class ItcastSpider(scrapy.Spider):
    name = 'itcast'
    # 2.检查域名
    allowed_domains = ['itcast.cn']
    # 1.修改起始url
    start_urls = ['http://itcast.cn/channel/teacher.shtml']  # 设置起始的url，我们只需要设置就好，通常会被自动的创建成请求发送

    # 3.在parse方法中实现爬取逻辑
    def parse(self, response):
        # 解析方法，通常用于起始url对应响应的解析
        # 定义对于网站的相关操作
        # with open('itcast.html', 'wb') as f:
        #     f.write(response.body)

        # 获取所有老师节点
        node_list = response.xpath('//div[@class="li_txt"]')

        # 遍历老师节点列表
        for node in node_list:
            temp = {}

            # xpath方法返回的是选择器对象列表，extract()用于从选择器对象中提取数据
            # temp['name'] = node.xpath('./h3/text()')[0].extract()
            # temp['title'] = node.xpath('./h4/text()')[0].extract()
            # temp['desc'] = node.xpath('./p/text()')[0].extract()

            # xpath结果为只含有一个值的列表，可以使用extract_first()，如果为多个值则使用extract()
            temp['name'] = node.xpath('./h3/text()').extract_first()
            temp['title'] = node.xpath('./h4/text()').extract_first()
            temp['desc'] = node.xpath('./p/text()').extract_first()

            # {'name': [<Selector xpath='./h3/text()' data='黄老师'>], 'title': [<Selector xpath='./h4/text()' data='高级讲师'>], 'desc': [<Selector xpath='./p/text()' data='15年+的软件开发与教学经验，参与中国联通VOP系统，中国联通在线计费系统...'>]}
            # extract()之后：
            # {'name': '黄老师', 'title': '高级讲师', 'desc': '15年+的软件开发与教学经验，参与中国联通VOP系统，中国联通在线计费系统，道路交通事故救助基金管理系统等的开发工作；\r\n拥有丰富的教学经验。'}
            print(temp)

            yield temp

注意：

scrapy.Spider爬虫类中必须有名为 parse 的解析
如果网站结构层次比较复杂，也可以自定义其他解析函数
在解析函数中提取的 url 地址如果要发送请求，则必须属于 allowed_domains 范围内，但是 start_urls 中的 url 地址不受这个限制
parse() 函数中使用 yield 返回数值。
yield 能够传递的对象只能是：BaseItem，Request，dict，None

# 3）完善管道（保存数据）

定义一个管道类
重写管道类的 process_item() 方法
process_item() 方法处理完 item 之后必须返回给引擎

这里直接使用创建项目时默认创建好的管道类：/myspider/myspider/pipelines/MyspiderPipeline，修改内容如下：

import json


class MyspiderPipeline:

    def __init__(self):
        self.file = open('itcast.json', 'w')

    def process_item(self, item, spider):
        # print('item:', item)
        # 将字典数据序列化
        json_data = json.dumps(item, ensure_ascii=False) + ',\n'

        # 将数据写入文件
        self.file.write(json_data)

        # 默认使用完管道之后需要将数据返回给引擎
        return item

    def __del__(self):
        self.file.close()

# 4）启用管道

ITEM_PIPELINES = {
   'myspider.pipelines.MyspiderPipeline': 300,
   # 'myspider.pipelines.MyspiderPipelineOther': 301,
}

配置项中，键为使用的管道类，管道类引用声明使用.进行分割，分别为：项目目录.文件.管理类。
配置项中，值为管道的使用顺序，设置的数值越小越先执行，该值一般设置在 1000 以内。

# 5）运行爬虫

在控制台运行如下命令即可运行爬虫：

scrapy crawl itcast
scrapy crawl itcast --nolog

# 三、scrapy 数据建模(items)

# 1、数据建模

通常在项目开发过程中，需要在 items.py 中进行数据建模

# 1）为什么要建模

定义 item 即提前规划好哪些字段需要抓取，防止手误，因为定义好之后，在运行过程中，系统会自动检查
配置注释一起可以清晰的知道要抓取哪些字段，没有定义的字段不能抓取，在目标字段少的时候可以使用字典代替
使用 scrapy 的一些特定组件中需要 Item 做支持，如 scrapy 的 ImagesPipeline 管道类。

# 2）如何建模

在 items.py 文件中定义发提取的字段：

import scrapy

class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()  # 讲师的名字
    title = scrapy.Field()  # 讲师的职称
    desc = scrapy.Field()  # 讲师的介绍

# if __name__ == '__main__':
#     item = MyspiderItem()
#     item['name'] = 'lqr'  # ok
#     item['nama'] = 'lqr'  # KeyError: 'MyspiderItem does not support field: nama'

注意：scrapy.Item 可以理解为一个更高级的 “字典”，可以对键名进行限制、校验。但切记它不是字典，如果你需要对字典进行操作，可以使用 dict() 将scrapy.Item 进行强制转换。

# 3）使用模板类

模板类定义以后，需要在爬虫中导入并且实例化，之后的使用方法和字典相同：

# 如果报包报错有2种解决办法：
# 1、PyCharm以myspider为根目录重新打开项目
# 2、不以myspider为根目录的话，可以右键myspider-->Make Directory as-->Sources Root
from myspider.items import MyspiderItem

    def parse(self, response):
        item = MyspiderItem()
        ...
        item['name'] = node.xpath('./h3/text()').extract_first()
        item['title'] = node.xpath('./h4/text()').extract_first()
        item['desc'] = node.xpath('./p/text()').extract_first()
		...
        yield item

# 4）开发流程总结

创建项目
```
scrapy startproject 项目名
```
明确目标
- 在 items.py 文件中进行建模

创建爬虫

scrapy genspider 爬虫名 允许的域

编写爬虫

修改start_urls
检查修改allowed_domains
编写解析方法

保存数据
- 在 pipelines.py 文件中定义对数据处理的管道
- 在 settings.py 文件中注册启用管道

# 四、scrapy 处理翻页(Request)

# 1、思路

找到下一页的 url 地址
构造 url 地址的请求对象，传递给引擎

# 2、实现步骤

确定 url 地址
构造请求
```
scrapy.Request(url, callback)
```
- callback：指定解析函数名称，表示该请求返回的响应使用哪一个函数进行解析
把请求交给引擎

# 3、实战（网易招聘爬虫）

# 1）思路分析

获取首页数据
寻找下一页地址，进行翻页，获取数据

# 2）代码实现

创建项目

scrapy startproject wangyi

cd wangyi
scrapy gespider job 163.com

定义模板类

import scrapy


class WangyiItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    link = scrapy.Field()
    depart = scrapy.Field()
    category = scrapy.Field()
    type = scrapy.Field()
    address = scrapy.Field()
    num = scrapy.Field()
    date = scrapy.Field()

编写爬虫（抓取数据）

import scrapy
from wangyi.items import WangyiItem


class JobSpider(scrapy.Spider):
    name = 'job'
    # 2.检查修改allowed_domains
    allowed_domains = ['163.com']
    # 1.修改start_urls
    start_urls = ['https://hr.163.com/position/list.do']

    def parse(self, response):
        # 提取数据
        # 获取所有职位节点列表
        node_list = response.xpath('//*[@class="position-tb"]/tbody/tr')

        # 遍历节点列表
        for num, node in enumerate(node_list):
            # 设置过滤条件，将目标节点获取出来
            if num % 2 == 0:
                item = WangyiItem()
                item['name'] = node.xpath('./td[1]/a/text()').extract_first()
                # item['link'] = 'https://hr.163.com' + node.xpath('./td[1]/a/@href').extract_first()
                # response.urljoin()用于拼接相对路径的url，可以理解为自动补全
                item['link'] = response.urljoin(node.xpath('./td[1]/a/@href').extract_first())
                item['depart'] = node.xpath('./td[2]/text()').extract_first()
                item['category'] = node.xpath('./td[3]/text()').extract_first()
                item['type'] = node.xpath('./td[4]/text()').extract_first()
                item['address'] = node.xpath('./td[5]/text()').extract_first()
                item['num'] = node.xpath('./td[6]/text()').extract_first().strip()
                item['date'] = node.xpath('./td[7]/text()').extract_first()
                # print(item)
                yield item

        # 模拟翻页
        part_url = response.xpath('/html/body/div[2]/div[2]/div[2]/div/a[last()]/@href').extract_first()
        # 判断终止条件
        if part_url != 'javascript:void(0)':
            next_url = response.urljoin(part_url)
            # 构建请求对象，并且返回给引擎
            yield scrapy.Request(
                url=next_url,
                callback=self.parse
            )

注意：引擎根据爬虫 yield 的对象类型，将对象分配给对应的模块处理，比如：如果是模板类对象或字典，则会交给管道(Item Pipeline)；如果是 Request 对象，则会交给队列(Scheduler)。

编写管道（存储数据）

import json


class WangyiPipeline:

    def __init__(self):
        self.file = open('wangyi.json', 'w')

    def process_item(self, item, spider):
        item = dict(item)

        str_data = json.dumps(item, ensure_ascii=False) + ',\n'

        self.file.write(str_data)

        return item

    def __del__(self):
        self.file.close()

启用管道

ITEM_PIPELINES = {
    'wangyi.pipelines.WangyiPipeline': 300,
}

运行爬虫

scrapy crawl job --nolog

# 3）扩展：

可以在 settings 中设置 ROBOTS 协议

# False表示忽略网站的robots.txt协议，默认为True
ROBOTSTXT_OBEY = False

可以在 settings 中设置 User-Agent：

# scrapy发送的每一个请求的默认UA都是设置的这个User-Agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36'

# 4、scrapy.Request 的更多参数

scrapy.Request(url[, callback, method="GET", headers, body, cookies, meta, dont_filter=False])

注意：中括号[]里的参数为可选参数

参数解释：

callback：表示当前 url 的响应交给哪个函数去处理
meta：实现数据在不同的解析函数中传递，meta 默认带有部分数据，比如下载延迟，请求深度等
dont_filter：默认为 False，会过滤请求的 url 地址，即请求过的 url 地址不会继续被请求，对需要重复请求的 url 地址可以把它设置为 True，比如贴吧的翻页请求，页面的数据总是在变化，start_urls 中的地址会被反复请求，否则程序不会启动
method：指定 POST 或 GET 请求
headers：接收一个字典，其中不包括 cookies
cookies：接收一个字典，专门放置 cookies
body：接收 json 字符串，为 POST 的数据，发送 payload_post 请求时使用

# 1）meta 参数的使用

meta 的使用：
- meta 可以实现数据在不同的解析函数中传递
meta 的注意事项：
- meta 参数是一个字典
- meta 字典中有一个固定的键 proxy，表示代理 ip
使用举例：

def parse(self, response):
    ...
    yield scrapy.Request(detail_url, callback=self.parse_detail, meta={'item': item})
    ...


def parse_detail(self,response):
    # 获取之前传入的item
    item = response.meta['item']

# 1、模拟登录的不同实现方式

requests 模块
- 直接携带 cookies 请求页面
- 找到 url 地址，发送 post 请求存储 cookie
selenium（浏览器自动处理 cookie）
- 找到对应的 input 标签，输入文本点击登录
scrapy
- 直接携带 cookies
- 找 url 地址，发送 post 请求存储 cookie

# 2、scrapy 直接携带 cookies 获取需要登录信息的页面

应用场景：

cookie 过期时间很长，常见于一些不规范的网站
能在 cookie 过期之前把所有的数据拿到
配合其他程序使用，比如其使用 selenium 把登录之后的 cookie 获取到并保存到本地，scrapy 发送请求之前先读取本地 cookie

scrapy 中 start_url 是通过 start_requests 来进行处理的，可能通过重写该方法让 start_url 携带上请求头信息，实现代码如下：

import scrapy


class Git1Spider(scrapy.Spider):
    name = 'git1'
    allowed_domains = ['github.com']
    start_urls = ['https://github.com/GitLqr']

    def start_requests(self):
        """
        重写start_requests，发送携带cookies的Request。
        默认start_requests只是普通的get请求，不会携带自定义的头信息
        """
        url = self.start_urls[0]

        temp = '_octo=GH1.1.1045146750.1615451260; _device_id=cd8d64981fcb3fd4ba7f587873e97804'
        # 把cookies字符串转成字典
        cookies = {data.split('=')[0]: data.split('=')[-1] for data in temp.split('; ')}

        yield scrapy.Request(
            url=url,
            callback=self.parse,
            cookies=cookies
        )

    def parse(self, response):
        print(response.xpath('/html/head/title/text()').extract_first())

注意：

scrapy 中 cookie 不能够放在 headers 中，在构造请求的时候有专门的 cookies 参数，能够接收字典形式的 cookie
可能需要在 settings 中设置 ROBOTS 协议、USER_AGENT

# 2、scrapy.Request 发送 post 请求

scrapy.Request 发送 post 请求有两种方式：

通过 scrapy.Request() 指定 method、body 参数来发送 post 请求（不推荐）
使用 scrapy.FormRequest() 来发送 post 请求（推荐）

注意：scrapy.FormRequest() 能够发送表单和 ajax 请求，参考阅读 https://www.jb51.net/article/146769.htm (opens new window)

举例：

import scrapy


class Git2Spider(scrapy.Spider):
    name = 'git2'
    allowed_domains = ['github.com']
    start_urls = ['http://github.com/login']

    def parse(self, response):
        username = 'GitLqr'
        password = 'balabala'

        # 从登录页面响应中解析出post数据
        token = response.xpath('//input[@name="authenticity_token"]/@value').extract_first()

        post_data = {
            'commit': 'Sign in',
            'authenticity_token': token,
            'login': username,
            'password': password,
            'webauthn-support': 'supported',
        }
        print(post_data)

        # 针对登录url发送post请求
        yield scrapy.FormRequest(
            url='https://github.com/session',
            callback=self.after_login,
            formdata=post_data
        )

    def after_login(self, response):
        yield scrapy.Request('https://github.com/GitLqr', callback=self.check_login)

    def check_login(self, response):
        print(response.xpath('/html/head/title/text()').extract_first())

注意：在 settings.py 中通过设置 COOKIES_DEBUG = True 能够在终端查看到 cookie 的传递过程

# 六、scrapy 管道的使用

# 1、pipeline 中常用的方法

process_item(self, item, spider)：
- 管道类中必须有的函数
- 实现对 item 数据的处理
- 必须 return item
open_spider(self, spider)：在爬虫开启的时候仅执行一次
close_spider(self, spider)：在爬虫关闭的时候仅执行一次

注意：以上 3 个方法，可以通过 spider.name 获取爬虫的名字

# 2、pipeline 判断数据来源

scrapy 的 Item Pipeline 模块可以有多个管道，当有一个 spider 把数据对象通过引擎交给 Item Pipeline 模块时， Item Pipeline 模块中的所有管道会按 settings.py 中指定的管道顺序一一被执行。但很多时候，我们需要管道针对特定爬虫做数据存储的，这时就需要在管道中对数据对象的来源做判断。

注意：不同的 pipeline 能够对一个或多个爬虫进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存

举例：

爬虫 1：job.py

import scrapy
from wangyi.items import WangyiItem


class JobSpider(scrapy.Spider):
    name = 'job'
    ...

    def parse(self, response):
        ...
        yield item

爬虫 2：job_simple.py

import scrapy
from wangyi.items import WangyiSimpleItem


class JobSimpleSpider(scrapy.Spider):
    name = 'job_simple'
    ...

    def parse(self, response):
        ...
        yield item

2 个管道：pipelines.py

class WangyiPipeline:

    def open_spider(self, spider):
        if spider.name == 'job':
            self.file = open('wangyi.json', 'w')

    def process_item(self, item, spider):
        if spider.name == 'job':
            item = dict(item)
            str_data = json.dumps(item, ensure_ascii=False) + ',\n'
            self.file.write(str_data)
        return item

    def close_spider(self, spider):
        if spider.name == 'job':
            self.file.close()


class WangyiSimplePipeline:

    def open_spider(self, spider):
        if spider.name == 'job_simple':
            self.file = open('wangyi_simple.json', 'w')

    def process_item(self, item, spider):
        if spider.name == 'job_simple':
            item = dict(item)
            str_data = json.dumps(item, ensure_ascii=False) + ',\n'
            self.file.write(str_data)
        return item

    def close_spider(self, spider):
        if spider.name == 'job_simple':
            self.file.close()

# 3、pipeline 使用注意点

使用之前需要在 settings 中开启
pipeline 在 settings 中键表示位置（即 pipeline 在项目中的位置可以自定义），值表示距离引擎的远近，越近数据会越先经过：权重值小的优先执行
有多个 pipeline 的时候，process_item 的方法必须 return item，否则后一个 pipeline 取到的数据为 None 值
pipeline 中 process_item 方法必须要有，否则 item 没有办法接收和处理
process_item 方法接收 item 和 spider，其中 spider 表示当前传递 item 过来的 spider
open_spider(spider)：能够在爬虫开启的时候执行一次
close_spider(spider)：能够在爬虫关闭的时候执行一次
上述俩个方法经常用于爬虫和数据库的交互，在爬虫开启的时候建立和数据库的连接，在爬虫关闭的时候断开和数据库的连接

# 七、scrapy 中间件

# 1、介绍

# 1）分类

根据 scrapy 运行流程中所在位置不同，对 scrapy 中间件进行分类：

下载中间件
爬虫中间件

# 2）作用

scrapy 中间件的作用是：预处理 request 和 response 对象

对 header 以及 cookie 进行更换和处理
使用代理 ip 等
对请求进行定制化操作

# 3）比较

默认情况下，两种中间件都在 middlewares.py 一个文件中
爬虫中间件使用方法和下载中间件相同，且功能重复，通常使用下载中间件

# 2、使用方法

注意：结合 scrapy 流程图可方便理解