Python基礎之Scrapy簡介-有解無憂

Scrapy作為爬蟲的進階內容，可以實作多執行緒爬取目標內容，簡化代碼邏輯，提高開發效率，深受爬蟲開發者的喜愛，本文主要以爬取某股票網站為例，簡述如何通過Scrapy實作爬蟲，僅供學習分享使用，如有不足之處，還請指正，

什么是Scrapy?

Scrapy是用python實作的一個為了爬取網站資料，提取結構性資料而撰寫的應用框架，使用Twisted高效異步網路框架來處理網路通信，Scrapy架構：

關于Scrapy架構各項說明，如下所示：

ScrapyEngine：引擎，負責控制資料流在系統中所有組件中流動，并在相應動作發生時觸發事件，此組件相當于爬蟲的“大腦”，是整個爬蟲的調度中心，
Schedule：調度器，接收從引擎發過來的requests，并將他們入隊，初始爬取url和后續在頁面里爬到的待爬取url放入調度器中，等待被爬取，調度器會自動去掉重復的url，
Downloader：下載器，負責獲取頁面資料，并提供給引擎，而后提供給spider，

Spider：爬蟲，用戶編些用于分析response并提取item和額外跟進的url，將額外跟進的url提交給ScrapyEngine，加入到Schedule中，將每個spider負責處理一個特定(或一些)網站，

ItemPipeline：負責處理被spider提取出來的item，當頁面被爬蟲決議所需的資料存入Item后，將被發送到Pipeline，并經過設定好次序
DownloaderMiddlewares：下載中間件，是在引擎和下載器之間的特定鉤子(specific hook)，處理它們之間的請求(request)和回應(response)，提供了一個簡單的機制，通過插入自定義代碼來擴展Scrapy功能，通過設定DownloaderMiddlewares來實作爬蟲自動更換user-agent,IP等，

SpiderMiddlewares：Spider中間件，是在引擎和Spider之間的特定鉤子(specific hook)，處理spider的輸入(response)和輸出(items或requests)，提供了同樣簡單機制，通過插入自定義代碼來擴展Scrapy功能，

Scrapy資料流：

ScrapyEngine打開一個網站，找到處理該網站的Spider，并向該Spider請求第一個(批)要爬取的url(s)；
ScrapyEngine向調度器請求第一個要爬取的url，并加入到Schedule作為請求以備調度；
ScrapyEngine向調度器請求下一個要爬取的url；
Schedule回傳下一個要爬取的url給ScrapyEngine，ScrapyEngine通過DownloaderMiddlewares將url轉發給Downloader；
頁面下載完畢，Downloader生成一個頁面的Response，通過DownloaderMiddlewares發送給ScrapyEngine；
ScrapyEngine從Downloader中接收到Response，通過SpiderMiddlewares發送給Spider處理；
Spider處理Response并回傳提取到的Item以及新的Request給ScrapyEngine；
ScrapyEngine將Spider回傳的Item交給ItemPipeline，將Spider回傳的Request交給Schedule進行從第二步開始的重復操作，直到調度器中沒有待處理的Request，ScrapyEngine關閉，

Scrapy安裝

在命令列模式下，通過pip install scrapy命令進行安裝Scrapy，如下所示：

當出現以下提示資訊時，表示安裝成功

Scrapy創建專案

在命令列模式下，切換到專案存放目錄，通過scrapy startproject stockstar 創建爬蟲專案，如下所示：

根據提示，通過提供的模板，創建爬蟲【命令格式：scrapy genspider 爬蟲名稱域名】，如下所示：

注意：爬蟲名稱，不能跟專案名稱一致，否則會報錯，如下所示：

通過Pycharm打開新創建的scrapy專案，如下所示：

爬取目標

本例主要爬取某證券網站行情中心股票ID與名稱資訊，如下所示：

Scrapy爬蟲開發

通過命令列創建專案后，基本Scrapy爬蟲框架已經形成，剩下的就是業務代碼填充，

item項定義

定義需要爬取的欄位資訊，如下所示：

1 class StockstarItem(scrapy.Item):
2     """
3     定義需要爬取的欄位名稱
4     """
5     # define the fields for your item here like:
6     # name = scrapy.Field()
7     stock_type = scrapy.Field()  # 股票型別
8     stock_id = scrapy.Field()  # 股票ID
9     stock_name = scrapy.Field()  # 股票名稱

定制爬蟲邏輯

Scrapy的爬蟲結構是固定的，定義一個類，繼承自scrapy.Spider，類中定義屬性【爬蟲名稱，域名，起始url】，重寫父類方法【parse】，根據需要爬取的頁面邏輯不同，在parse中定制不同的爬蟲代碼，如下所示：

 1 class StockSpider(scrapy.Spider):
 2     name = 'stock'
 3     allowed_domains = ['quote.stockstar.com']  # 域名
 4     start_urls = ['http://quote.stockstar.com/stock/stock_index.htm']  # 啟動的url
 5 
 6     def parse(self, response):
 7         """
 8         決議函式
 9         :param response:
10         :return:
11         """
12         item = StockstarItem()
13         styles = ['滬A', '滬B', '深A', '深B']
14         index = 0
15         for style in styles:
16             print('********************本次抓取' + style[index] + '股票********************')
17             ids = response.xpath(
18                 '//div[@]/div[@]/div[@]/div['
19                 '@]/ul[@id="index_data_' + str(index) + '"]/li/span/a/text()').getall()
20             names = response.xpath(
21                 '//div[@]/div[@]/div[@]/div['
22                 '@]/ul[@id="index_data_' + str(index) + '"]/li/a/text()').getall()
23             # print('ids = '+str(ids))
24             # print('names = ' + str(names))
25             for i in range(len(ids)):
26                 item['stock_type'] = style
27                 item['stock_id'] = str(ids[i])
28                 item['stock_name'] = str(names[i])
29                 yield item

資料處理

在Pipeline中，對抓取的資料進行處理，本例為簡便，在控制進行輸出，如下所示：

1 class StockstarPipeline:
2     def process_item(self, item, spider):
3         print('股票型別>>>>'+item['stock_type']+'股票代碼>>>>'+item['stock_id']+'股票名稱>>>>'+item['stock_name'])
4         return item

注意：在對item進行賦值時，只能通過item['key']=value的方式進行賦值，不可以通過item.key=value的方式賦值，

Scrapy配置

通過settings.py檔案進行配置，包括請求頭，管道，robots協議等內容，如下所示：

 1 # Scrapy settings for stockstar project
 2 #
 3 # For simplicity, this file contains only settings considered important or
 4 # commonly used. You can find more settings consulting the documentation:
 5 #
 6 #     https://docs.scrapy.org/en/latest/topics/settings.html
 7 #     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
 8 #     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
 9 
10 BOT_NAME = 'stockstar'
11 
12 SPIDER_MODULES = ['stockstar.spiders']
13 NEWSPIDER_MODULE = 'stockstar.spiders'
14 
15 
16 # Crawl responsibly by identifying yourself (and your website) on the user-agent
17 #USER_AGENT = 'stockstar (+http://www.yourdomain.com)'
18 
19 # Obey robots.txt rules 是否遵守robots協議
20 ROBOTSTXT_OBEY = False
21 
22 # Configure maximum concurrent requests performed by Scrapy (default: 16)
23 #CONCURRENT_REQUESTS = 32
24 
25 # Configure a delay for requests for the same website (default: 0)
26 # See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
27 # See also autothrottle settings and docs
28 #DOWNLOAD_DELAY = 3
29 # The download delay setting will honor only one of:
30 #CONCURRENT_REQUESTS_PER_DOMAIN = 16
31 #CONCURRENT_REQUESTS_PER_IP = 16
32 
33 # Disable cookies (enabled by default)
34 #COOKIES_ENABLED = False
35 
36 # Disable Telnet Console (enabled by default)
37 #TELNETCONSOLE_ENABLED = False
38 
39 # Override the default request headers:
40 DEFAULT_REQUEST_HEADERS = {
41   # 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
42   'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Mobile Safari/537.36' #,
43   # 'Accept-Language': 'en,zh-CN,zh;q=0.9'
44 }
45 
46 # Enable or disable spider middlewares
47 # See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
48 #SPIDER_MIDDLEWARES = {
49 #    'stockstar.middlewares.StockstarSpiderMiddleware': 543,
50 #}
51 
52 # Enable or disable downloader middlewares
53 # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
54 #DOWNLOADER_MIDDLEWARES = {
55 #    'stockstar.middlewares.StockstarDownloaderMiddleware': 543,
56 #}
57 
58 # Enable or disable extensions
59 # See https://docs.scrapy.org/en/latest/topics/extensions.html
60 #EXTENSIONS = {
61 #    'scrapy.extensions.telnet.TelnetConsole': None,
62 #}
63 
64 # Configure item pipelines
65 # See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
66 ITEM_PIPELINES = {
67    'stockstar.pipelines.StockstarPipeline': 300,
68 }
69 
70 # Enable and configure the AutoThrottle extension (disabled by default)
71 # See https://docs.scrapy.org/en/latest/topics/autothrottle.html
72 #AUTOTHROTTLE_ENABLED = True
73 # The initial download delay
74 #AUTOTHROTTLE_START_DELAY = 5
75 # The maximum download delay to be set in case of high latencies
76 #AUTOTHROTTLE_MAX_DELAY = 60
77 # The average number of requests Scrapy should be sending in parallel to
78 # each remote server
79 #AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
80 # Enable showing throttling stats for every response received:
81 #AUTOTHROTTLE_DEBUG = False
82 
83 # Enable and configure HTTP caching (disabled by default)
84 # See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
85 #HTTPCACHE_ENABLED = True
86 #HTTPCACHE_EXPIRATION_SECS = 0
87 #HTTPCACHE_DIR = 'httpcache'
88 #HTTPCACHE_IGNORE_HTTP_CODES = []
89 #HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

View Code

Scrapy運行

因scrapy是各個獨立的頁面，只能通過終端命令列的方式運行，格式為：scrapy crawl 爬蟲名稱，如下所示：

1 scrapy crawl stock

如下圖所示：

備注

本例內容相對簡單，僅為說明Scrapy的常見用法，爬取的內容都是第一次請求能夠獲取到原始碼的內容，即所見即所得，

遺留兩個小問題：

對于爬取的內容需要翻頁才能完成，即多次請求，如何處理？
對于爬取的內容是異步傳輸，頁面請求只是獲取一個框架，內容是異步填充，即常見的ajax方式，如何處理？

以上兩個問題，待后續遇到時，再進一步分析，一首陶淵明的歸田園居，與君共享，

歸園田居(其一)

【作者】陶淵明【朝代】魏晉

少無適俗韻，性本愛丘山，誤落塵網中，一去三十年，

羈鳥戀舊林，池魚思故淵，開荒南野際，守拙歸園田，

方宅十余畝，草屋八九間，榆柳蔭后檐，桃李羅堂前，

曖曖遠人村，依依墟里煙，狗吠深巷中，雞鳴桑樹顛，

戶庭無塵雜，虛室有余閑，久在樊籠里，復得返自然，

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/293689.html

標籤：Python

上一篇：程式員加入新團隊，必須知道的 20 道問題！

下一篇：回答兩個被頻繁問到的代碼寫法問題