[转] Python --- 爬虫框架Scrapy at a glance

Scrapy at a glance

　　Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。
　　其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

官方主页
Scrapy 0.24 documentation
GitHub项目主页

　　Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下：
Scrapy Architecture
　　Scrapy主要包括了以下组件：

引擎：用来处理整个系统的数据流处理，触发事务。
调度器：用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
下载器：用于下载网页内容，并将网页内容返回给蜘蛛。
蜘蛛：蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
项目管道：负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
蜘蛛中间件：介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

　　使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

Scrapy Tutorial

　　在本文中，假定您已经安装好Scrapy。如若不然，请参考 Installation guide。
　　接下来以爬取饮水思源BBS数据为例来讲述爬取过程，详见 bbsdmoz代码。
　　本篇教程中将带您完成下列任务：

1. 创建一个Scrapy项目
2. 定义提取的Item
3. 编写爬取网站的 spider 并提取 Item
4. 编写 Item Pipeline 来存储提取到的Item(即数据)

　　Scrapy由Python编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情，对于已经熟悉其他语言并且想快速学习Python的编程老手，我们推荐 Learn Python The Hard Way ，对于想从Python开始学习的编程新手，非程序员的Python学习资料列表将是您的选择。

Creating a project

　　在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令：

scrapy startproject bbsdmoz

　　该命令将会创建包含下列内容的 bbsDmoz 目录：

bbsDmoz/
scrapy.cfg
bbsDmoz/__init__.pyitems.pypipelines.pysettings.pyspiders/__init__.py...

　　这些文件分别是：

scrapy.cfg: 项目的配置文件
bbsDmoz/: 该项目的python模块。之后您将在此加入代码。
bbsDmoz/items.py: 项目中的item文件.
bbsDmoz/pipelines.py: 项目中的pipelines文件.
bbsDmoz/settings.py: 项目的设置文件.
bbsDmoz/spiders/: 放置spider代码的目录.

Defining our Item

　　Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。
　　类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item。(如果不了解ORM,不用担心，您会发现这个步骤非常简单)
　　首先根据需要从bbs网站获取到的数据对item进行建模。我们需要从中获取url，发帖板块，发帖人，以及帖子的内容。对此，在item中定义相应的字段。编辑 bbsDmoz 目录中的 items.py 文件：

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

# Define here the models for your scraped items

# See documentation in:

# http://doc.scrapy.org/en/latest/topics/items.html

from scrapy.item import Item, Field

class BbsDmozItem(Item):

# define the fields for your item here like:

# name = scrapy.Field()

url = Field()

forum = Field()

poster = Field()

content = Field()

　　一开始这看起来可能有点复杂，但是通过定义item，您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。

Our first Spider

　　Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。
　　其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容，提取生成 item 的方法。

创建一个Spider

　　为了创建一个Spider，保存在 bbsDmoz/spiders，您必须继承 scrapy.Spider 类，且定义以下三个属性:

name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
parse() 是spider的一个方法。被调用时，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 data)，提取数据(生成item)以及生成需要进一步处理的URL的Request 对象。

Selectors选择器

　　从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制： Scrapy Selectors 。关于selector和其他提取机制的信息请参考 Selector文档。
　　我们使用XPath来从页面的HTML源码中选择需要提取的数据。这里给出XPath表达式的例子及对应的含义:

/html/head/title: 选择HTML文档中 <head> 标签内的 <title> 元素
/html/head/title/text(): 选择上面提到的 <title> 元素的文字
//td: 选择所有的 <td> 元素
//div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

　　以饮水思源BBS一页面为例：https://bbs.sjtu.edu.cn/bbstcon?board=PhD&reid=1406973178&file=M.1406973178.A
　　观察HTML页面源码并创建我们需要的数据(种子名字，描述和大小)的XPath表达式。
　　通过观察，我们可以发现poster是包含在 pre/a 标签中的，这里是userid=jasperstream:

...

<pre>

[<a href='bbspst?board=PhD&file=M.1406973178.A'>回复本文</a>][<a href='bbscon?board=PhD&file=M.1406973178.A'>原帖</a>] 发信人: <a href="bbsqry?userid=jasperstream">jasperstream</a>

　　因此可以提取jasperstream的 XPath 表达式为：

'//pre/a/text()'

　　同理我可以提取其他内容的XPath，并最好在提取之后验证其正确性。上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。如果您想了解的更多，我们推荐这篇XPath教程。
　　为了配合XPath，Scrapy除了提供了 Selector 之外，还提供了方法来避免每次从response中提取数据时生成selector的麻烦。
　　Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):

xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表。
css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表.
extract(): 序列化该节点为unicode字符串并返回list。
re(): 根据传入的正则表达式对数据进行提取，返回unicode字符串list列表。

　　如提取上述的poster的数据：

sel.xpath('//pre/a/text()').extract()

使用Item

　　Item 对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)。一般来说，Spider将会将爬取到的数据以 Item 对象返回。　

Spider代码

　　以下为我们的第一个Spider代码，保存在 bbsDmoz/spiders 目录下的 forumSpider.py 文件中：

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

'''

bbsSpider, Created on Oct, 2014

#version: 1.0

#author: chenqx @http://chenqx.github.com

See more: http://doc.scrapy.org/en/latest/index.html

'''

from scrapy.selector import Selector

from scrapy.http import Request

from scrapy.contrib.spiders import CrawlSpider

from scrapy.contrib.loader import ItemLoader

from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor

from bbs.items import BbsItem

class forumSpider(CrawlSpider):

# name of spiders

name = 'bbsSpider'

allow_domain = ['bbs.sjtu.edu.cn']

start_urls = [ 'https://bbs.sjtu.edu.cn/bbsall' ]

link_extractor = {

'page': SgmlLinkExtractor(allow = '/bbsdoc,board,\w+\.html$'),

'page_down': SgmlLinkExtractor(allow = '/bbsdoc,board,\w+,page,\d+\.html$'),

'content': SgmlLinkExtractor(allow = '/bbscon,board,\w+,file,M\.\d+\.A\.html$'),

}

_x_query = {

'page_content': '//pre/text()[2]',

'poster' : '//pre/a/text()',

'forum' : '//center/text()[2]',

}

def parse(self, response):

for link in self.link_extractor['page'].extract_links(response):

yield Request(url = link.url, callback=self.parse_page)

def parse_page(self, response):

for link in self.link_extractor['page_down'].extract_links(response):

yield Request(url = link.url, callback=self.parse_page)

for link in self.link_extractor['content'].extract_links(response):

yield Request(url = link.url, callback=self.parse_content)

def parse_content(self, response):

bbsItem_loader = ItemLoader(item=BbsItem(), response = response)

url = str(response.url)

bbsItem_loader.add_value('url', url)

bbsItem_loader.add_xpath('forum', self._x_query['forum'])

bbsItem_loader.add_xpath('poster', self._x_query['poster'])

bbsItem_loader.add_xpath('content', self._x_query['page_content'])

return bbsItem_loader.load_item()

Define Item Pipeline

　　当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。
　　每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。
　　以下是item pipeline的一些典型应用：

清理HTML数据
验证爬取的数据(检查item包含某些字段)
查重(并丢弃)
将爬取结果保存，如保存到数据库、XML、JSON等文件中

编写 Item Pipeline

　　编写你自己的item pipeline很简单，每个item pipeline组件是一个独立的Python类，同时必须实现以下方法:

 process_item(item, spider)每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象，或是抛出 DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理。参数：item (Item object) – 由 parse 方法返回的 Item 对象spider (Spider object) – 抓取到这个 Item 对象对应的爬虫对象

　　此外,他们也可以实现以下方法：

open_spider(spider)当spider被开启时，这个方法被调用。参数: spider (Spider object) – 被开启的spider
close_spider(spider)当spider被关闭时，这个方法被调用，可以再爬虫关闭后进行相应的数据处理。参数: spider (Spider object) – 被关闭的spider

　　本文爬虫的item pipeline如下，保存为XML文件：

# -*- 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

from scrapy import signals

from scrapy import log

from bbsDmoz.items import BbsDmozItem

from twisted.enterprise import adbapi

from scrapy.contrib.exporter import XmlItemExporter

from dataProcess import dataProcess

class XmlWritePipeline(object):

def __init__(self):

pass

@classmethod

def from_crawler(cls, crawler):

pipeline = cls()

crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)

crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)

return pipeline

def spider_opened(self, spider):

self.file = open('bbsData.xml', 'wb')

self.expoter = XmlItemExporter(self.file)

self.expoter.start_exporting()

def spider_closed(self, spider):

self.expoter.finish_exporting()

self.file.close()

# process the crawled data, define and call dataProcess function

# dataProcess('bbsData.xml', 'text.txt')

def process_item(self, item, spider):

self.expoter.export_item(item)

return item

启用和设置 Item Pipeline

　　为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 就像下面这个例子：

ITEM_PIPELINES = {

'bbsDmoz.pipelines.XmlWritePipeline': 1000,

}

　　分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

Settings

　　Scrapy设定(settings)提供了定制Scrapy组件的方法。您可以控制包括核心(core)，插件(extension)，pipeline及spider组件。
　　设定为代码提供了提取以key-value映射的配置值的的全局命名空间(namespace)。设定可以通过下面介绍的多种机制进行设置。
　　设定(settings)同时也是选择当前激活的Scrapy项目的方法(如果您有多个的话)。
　　在setting配置文件中，你可一定以抓取的速率、是否在桌面显示抓取过程信息等。详细请参考内置设定列表请参考。
　　本爬虫的setting配置如下：

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

# Scrapy settings for bbs project

# For simplicity, this file contains only the most important settings by

# default. All the other settings are documented here:

# http://doc.scrapy.org/en/latest/topics/settings.html

BOT_NAME = 'bbsDomz'

CONCURRENT_REQUESTS = 200

LOG_LEVEL = 'INFO'

COOKIES_ENABLED = True

RETRY_ENABLED = True

SPIDER_MODULES = ['bbsDomz.spiders']

NEWSPIDER_MODULE = 'bbsDomz.spiders'

# JOBDIR = 'jobdir'

ITEM_PIPELINES = {

'bbsDomz.pipelines.XmlWritePipeline': 1000,

}

Crawling

　　写好爬虫程序后，我们就可以运行程序抓取数据。进入项目的根目录bbsDomz/下，执行下列命令启动spider：

scrapy crawl bbsSpider

　这样就等程序运行结束就还可以啦。

原文地址: http://chenqx.github.io/2014/11/09/Scrapy-Tutorial-for-BBSSpider/

转载的这篇博文确实写得非常到位, 那么再总结下我个人的理解.

1, Scrapy工作流程:

发起请求->下载中间件处理请求->下载数据得到response->中间件对response处理->parse函数解析response, 提取所需信息->生成Item->pipeline处理Item,存储等

我们最常用的就是定义Item, 定制parse和pipeline了, 其他的Scrapy都已经做得非常好了.

2, Items模块, 定义需要提取的数据格式, 类似Django中得models.py中定义的内容, 但Scrapy的Items中不会涉及数据库.

将数据存入数据库或者文件,需要在pipeline中处理. 这一点其实非常好理解, Items只是定义格式, 而pipeline是类似管道, 连接在Items数据和DB之间.

3, spider是定义的爬虫, 对下载数据进行解析, 生成符合规范的Item或者对新的url发起请求. 默认是在parse函数(也可以自定义)中对start_url进行解析, 即解析其页面内容, 同时返回下一个要抓取的页面或返回items列表.

默认下载操作是静态的, 所以对于动态页面就不好做.

这一点暂时没有找到办法解决. 目测貌似是需要自己写一个下载中间件, 模拟用户行为, 等页面改变之后再拉取. 后续, 会再补充一篇, 学习一下自己写下载中间件的过程.

4, pipeline是对Item进行进一步处理或存储的模块. 传入的是spider对象, 这样可以将一个pipeline和多个spider关联起来, 共同存储.

目前, 只是用到了Scrapy的最基本的一些功能, 并未进行非常深入的研究, 如链接抽取类, 与mongodb的结合, 各种定制中间件等.