Scrapy:Python的爬蟲框架----原理介紹
Scrapy介紹
Scrapy是一個為了爬取網站資料,提取結構性資料而編寫的應用框架。 可以應用在包括資料探勘,資訊處理或儲存歷史資料等一系列的程式中。
所謂網路爬蟲,就是一個在網上到處或定向抓取資料的程式,當然,這種說法不夠專業,更專業的描述就是,抓取特定網站網頁的HTML資料。抓取網頁的一般方法是,定義一個入口頁面,然後一般一個頁面會有其他頁面的URL,於是從當前頁面獲取到這些URL加入到爬蟲的抓取佇列中,然後進入到新頁面後再遞迴的進行上述的操作,其實說來就跟深度遍歷或廣度遍歷一樣。
Scrapy 使用 Twisted這個非同步網路庫來處理網路通訊,架構清晰,並且包含了各種中介軟體介面,可以靈活的完成各種需求。
整體架構
- 引擎(Scrapy Engine),用來處理整個系統的資料流處理,觸發事務。
- 排程器(Scheduler),用來接受引擎發過來的請求,壓入佇列中,並在引擎再次請求的時候返回。
- 下載器(Downloader),用於下載網頁內容,並將網頁內容返回給蜘蛛。
- 蜘蛛(Spiders),蜘蛛是主要幹活的,用它來制訂特定域名或網頁的解析規則。編寫用於分析response並提取item(即獲取到的item)或額外跟進的URL的類。 每個spider負責處理一個特定(或一些)網站。
- 專案管道(Item Pipeline),負責處理有蜘蛛從網頁中抽取的專案,他的主要任務是清晰、驗證和儲存資料。當頁面被蜘蛛解析後,將被髮送到專案管道,並經過幾個特定的次序處理資料。
- 下載器中介軟體(Downloader Middlewares),位於Scrapy引擎和下載器之間的鉤子框架,主要是處理Scrapy引擎與下載器之間的請求及響應。
- 蜘蛛中介軟體(Spider Middlewares),介於Scrapy引擎和蜘蛛之間的鉤子框架,主要工作是處理蜘蛛的響應輸入和請求輸出。
- 排程中介軟體(Scheduler Middlewares),介於Scrapy引擎和排程之間的中介軟體,從Scrapy引擎傳送到排程的請求和響應。
爬取流程
上圖綠線是資料流向,首先從初始URL開始,Scheduler會將其交給Downloader進行下載,下載之後會交給Spider進行分析,Spider分析出來的結果有兩種:一種是需要進一步抓取的連結,例如之前分析的“下一頁”的連結,這些東西會被傳回Scheduler;另一種是需要儲存的資料,它們則被送到Item Pipeline那裡,那是對資料進行後期處理(詳細分析、過濾、儲存等)的地方。另外,在資料流動的通道里還可以安裝各種中介軟體,進行必要的處理。
資料流
Scrapy中的資料流由執行引擎控制,其過程如下:
- 引擎開啟一個網站(open a domain),找到處理該網站的Spider並向該spider請求第一個要爬取的URL(s)。
- 引擎從Spider中獲取到第一個要爬取的URL並在排程器(Scheduler)以Request排程。
- 引擎向排程器請求下一個要爬取的URL。
- 排程器返回下一個要爬取的URL給引擎,引擎將URL通過下載中介軟體(請求(request)方向)轉發給下載器(Downloader)。
- 一旦頁面下載完畢,下載器生成一個該頁面的Response,並將其通過下載中介軟體(返回(response)方向)傳送給引擎。
- 引擎從下載器中接收到Response並通過Spider中介軟體(輸入方向)傳送給Spider處理。
- Spider處理Response並返回爬取到的Item及(跟進的)新的Request給引擎。
- 引擎將(Spider返回的)爬取到的Item給Item Pipeline,將(Spider返回的)Request給排程器。
- (從第二步)重複直到排程器中沒有更多地request,引擎關閉該網站。
Scrapy專案基本流程
預設的Scrapy專案結構
使用全域性命令startproject建立專案,在project_name資料夾下建立一個名為project_name的Scrapy專案。
scrapy startproject myproject
雖然可以被修改,但所有的Scrapy專案預設有類似於下邊的檔案結構:
scrapy.cfg
myproject/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
spider1.py
spider2.py
...
scrapy.cfg 存放的目錄被認為是 專案的根目錄 。該檔案中包含python模組名的欄位定義了專案的設定。
定義要抓取的資料
Item 是儲存爬取到的資料的容器;其使用方法和python字典類似, 並且提供了額外保護機制來避免拼寫錯誤導致的未定義欄位錯誤。
類似在ORM中做的一樣,您可以通過建立一個 scrapy.Item 類, 並且定義型別為 scrapy.Field 的類屬性來定義一個Item。
首先根據需要從dmoz.org(DMOZ網站是一個著名的開放式分類目錄(Open DirectoryProject),由來自世界各地的志願者共同維護與建設的最大的全球目錄社群)獲取到的資料對item進行建模。 我們需要從dmoz中獲取名字,url,以及網站的描述。 對此,在item中定義相應的欄位。編輯items.py 檔案:
import scrapy
class DmozItem(scrapy.Item):
title = scrapy.Field()
link = scrapy.Field()
desc = scrapy.Field()
使用專案命令genspider建立Spider
scrapy genspider [-t template] <name> <domain>
在當前專案中建立spider。
這僅僅是建立spider的一種快捷方法。該方法可以使用提前定義好的模板來生成spider。您也可以自己建立spider的原始碼檔案。
$ scrapy genspider -l
Available templates:
basic
crawl
csvfeed
xmlfeed
$ scrapy genspider -d basic
import scrapy
class $classname(scrapy.Spider):
name = "$name"
allowed_domains = ["$domain"]
start_urls = (
'http://www.$domain/',
)
def parse(self, response):
pass
$ scrapy genspider -t basic example example.com
Created spider 'example' using template 'basic' in module:
mybot.spiders.example
編寫提取item資料的Spider
Spider是使用者編寫用於從單個網站(或者一些網站)爬取資料的類。
其包含了一個用於下載的初始URL,如何跟進網頁中的連結以及如何分析頁面中的內容, 提取生成 item 的方法。
為了建立一個Spider,您必須繼承 scrapy.Spider 類,且定義以下三個屬性:
- name: 用於區別Spider。 該名字必須是唯一的,您不可以為不同的Spider設定相同的名字。
- start_urls: 包含了Spider在啟動時進行爬取的url列表。 因此,第一個被獲取到的頁面將是其中之一。 後續的URL則從初始的URL獲取到的資料中提取。
- parse() 是spider的一個方法。 被呼叫時,每個初始URL完成下載後生成的 Response 物件將會作為唯一的引數傳遞給該函式。 該方法負責解析返回的資料(response data),提取資料(生成item)以及生成需要進一步處理的URL的 Request 物件。
import scrapy
class DmozSpider(scrapy.spider.Spider):
name = "dmoz" #唯一標識,啟動spider時即指定該名稱
allowed_domains = ["dmoz.org"]
start_urls = [
"http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
"http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
]
def parse(self, response):
filename = response.url.split("/")[-2]
with open(filename, 'wb') as f:
f.write(response.body)
進行爬取
執行專案命令crawl,啟動Spider:
scrapy crawl dmoz
在這個過程中:
Scrapy為Spider的 start_urls 屬性中的每個URL建立了 scrapy.Request 物件,並將 parse 方法作為回撥函式(callback)賦值給了Request。
Request物件經過排程,執行生成 scrapy.http.Response 物件並送回給spider parse() 方法。
通過選擇器提取資料
Selectors選擇器簡介:
Scrapy提取資料有自己的一套機制。它們被稱作選擇器(seletors),因為他們通過特定的 XPath 或者 CSS 表示式來“選擇” HTML檔案中的某個部分。
XPath 是一門用來在XML檔案中選擇節點的語言,也可以用在HTML上。 CSS 是一門將HTML文件樣式化的語言。選擇器由它定義,並與特定的HTML元素的樣式相關連。
XPath表示式的例子和含義:
- /html/head/title: 選擇HTML文件中 <head> 標籤內的 <title> 元素
- /html/head/title/text(): 選擇上面提到的 <title> 元素的文字
- //td: 選擇所有的 <td> 元素
- //div[@class="mine"]: 選擇所有具有 class="mine" 屬性的 div 元素
提取資料:
觀察HTML原始碼並確定合適的XPath表示式。
在查看了網頁的原始碼後,您會發現網站的資訊是被包含在 第二個
-
元素中。
我們可以通過這段程式碼選擇該頁面中網站列表裡所有 - 元素:
response.xpath('//ul/li')Item 物件是自定義的python字典。 您可以使用標準的字典語法來獲取到其每個欄位的值。
一般來說,Spider將會將爬取到的資料以 Item 物件返回。所以為了將爬取的資料返回,我們最終的程式碼將是:import scrapy from tutorial.items import DmozItem class DmozSpider(scrapy.Spider): name = "dmoz" allowed_domains = ["dmoz.org"] start_urls = [ "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/", "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/" ] def parse(self, response): for sel in response.xpath('//ul/li'): item = DmozItem() item['title'] = sel.xpath('a/text()').extract() item['link'] = sel.xpath('a/@href').extract() item['desc'] = sel.xpath('text()').extract() yield item
現在對dmoz.org進行爬取將會產生 DmozItem 物件。
儲存資料
最簡單儲存爬取的資料的方式是使用 Feed exports:
scrapy crawl dmoz -o items.json
該命令將採用 JSON 格式對爬取的資料進行序列化,生成 items.json 檔案。
如果需要對爬取到的item做更多更為複雜的操作,您可以編寫 Item Pipeline 。類似於我們在建立專案時對Item做的,用於您編寫自己的 tutorial/pipelines.py 也被建立。不過如果您僅僅想要儲存item,您不需要實現任何的pipeline。補充提示:Windows平臺安裝Scrapy的特別要求
- 安裝OpenSSL
在Win32 OpenSSL page中下載安裝Visual C++ 2008 redistributables和對應的OpenSSL安裝包,並把其可執行檔案目錄“*\openssl-win32\bin”加入到環境變數Path中
小結
第一篇關於Scrapy的文章主要依據Scrapy 0.24的中文文件,瞭解、熟悉Scrapy的使用和基本概念,在後面的相關文章中,將進一步加入自己的思考和自行編寫的程式,期待能在這個過程中提高自己,也希望能對看到這些文章的讀者有用。
參考資料
- 安裝OpenSSL