【Python技能树共建】scrapy 上手篇 r5

Python scrapy 上手篇

使用命令 pip install scrapy 进行安装，成功之后，还需要随手收藏几个网址，以便于后续学习使用。

• scrapy 官网：https://scrapy.org；
• scrapy 文档：https://doc.scrapy.org/en/latest/intro/tutorial.html；
• scrapy 更新日志：https://docs.scrapy.org/en/latest/news.html。

安装完毕之后，在控制台直接输入 scrapy，出现如下命令表示安装成功。

> scrapy
Scrapy 2.5.0 - no active project

Usage:
  scrapy <command> [options] [args]

Available commands:

上述截图是 scrapy 的内置命令列表，标准的格式的 scrapy <command> <options> <args>，通过 scrapy <command> -h 可以查看指定命令的帮助手册。

scrapy 中提供两种类型的命令，一种是全局的，一种的项目中的，后者需要进入到 scrapy 目录才可运行。

这些命令无需一开始就完全记住，随时可查，有几个比较常用，例如：

**scrpy startproject <项目名> **

该命令先依据 项目名 创建一个文件夹，然后再文件夹下创建于个 scrpy 项目，这一步是后续所有代码的起点。

> scrapy startproject my_scrapy
> New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in:  # 一个新的 scrapy 项目被创建了，使用的模板是 XXX，创建的位置是 XXX
    E:\pythonProject\滚雪球学Python第4轮\my_scrapy
You can start your first spider with:  # 开启你的第一个爬虫程序
    cd my_scrapy   # 进入文件夹
    scrapy genspider example example.com # 使用项目命令创建爬虫文件

上述内容增加了一些注释，可以比对着进行学习，默认生成的文件在 python 运行时目录，如果想修改项目目录，请使用如下格式命令：

scrapy startproject myproject [project_dir]

例如

scrapy startproject myproject d:/d1

命令依据模板创建出来的项目结构如下所示，其中红色下划线的是项目目录，而绿色下划线才是 scrapy 项目，如果想要运行项目命令，则必须先进入红色下划线 my_scrapy 文件夹，在项目目录中才能控制项目。

下面生成一个爬虫文件
使用命令 scrapy genspider [-t template] <name> <domain> 生成爬虫文件，该方式是一种快捷操作，也可以完全手动创建。创建的爬虫文件会出现在 当前目录或者项目文件夹中的 spiders 文件夹中，name 是爬虫名字，domain 用在爬虫文件中的 alowed_domains 和 start_urls 数据中，[-t template] 表示可以选择生成文件模板。

查看所有模板使用如下命令，默认模板是 basic。

> scrapy genspider -l
  basic
  crawl
  csvfeed
  xmlfeed

创建第一个 scrapy 爬虫文件，测试命令如下：

>scrapy genspider pm imspm.com
Created spider 'pm' using template 'basic' in module:
  my_project.spiders.pm

此时在 spiders 文件夹中，出现 pm.py 文件，该文件内容如下所示：

import scrapy


class PmSpider(scrapy.Spider):
    name = 'pm'
    allowed_domains = ['imspm.com']
    start_urls = ['http://imspm.com/']

    def parse(self, response):
        pass

测试 scrapy 爬虫运行
使用命令 scrapy crawl <spider>，spider 是上文生成的爬虫文件名，出现如下内容，表示爬虫正确加载。

>scrapy crawl pm
2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project)
[...]

怎么用

scrapy 工作流程非常简单：

1. 采集第一页网页源码；
2. 解析第一页源码，并获取下一页链接；
3. 请求下一页网页源码；
4. 解析源码，并获取下一页源码；
5. […]
6. 过程当中，提取到目标数据之后，就进行保存。

接下来为大家演示 scrapy 一个完整的案例应用，作为 爬虫 120 例 scrapy 部分的第一例。

> scrapy startproject my_project 爬虫
> cd 爬虫
> scrapy genspider pm imspm.com

获得项目结构如下：

上图中一些文件的简单说明。

• scrapy.cfg：配置文件路径与部署配置；
• items.py：目标数据的结构；
• middlewares.py：中间件文件；
• pipelines.py：管道文件；
• settings.py：配置信息。

使用 scrapy crawl pm 运行爬虫之后，所有输出内容与说明如下所示：

上述代码请求次数为 7 次，原因是在 pm.py 文件中默认没有添加 www，如果增加该内容之后，请求次数变为 4。

现在的 pm.py 文件代码如下所示：

import scrapy


class PmSpider(scrapy.Spider):
    name = 'pm'
    allowed_domains = ['www.imspm.com']
    start_urls = ['http://www.imspm.com/']

    def parse(self, response):
        print(response.text)

其中的 parse 表示请求 start_urls 中的地址，获取响应之后的回调函数，直接通过参数 response 的 .text 属性进行网页源码的输出。

获取到源码之后，要对源码进行解析与存储
在存储之前，需要手动定义一个数据结构，该内容在 items.py 文件实现，对代码中的类名进行了修改，MyProjectItem → ArticleItem。

import scrapy

class ArticleItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()  # 文章标题
    url = scrapy.Field()  # 文章地址
    author = scrapy.Field()  # 作者

修改 pm.py 文件中的 parse 函数，增加网页解析相关操作，该操作类似 pyquery 知识点，直接观察代码即可掌握。

    def parse(self, response):
        # print(response.text)
        list_item = response.css('.list-item-default')
        # print(list_item)
        for item in list_item:
            title = item.css('.title::text').extract_first()  # 直接获取文本
            url = item.css('.a_block::attr(href)').extract_first() # 获取属性值
            author = item.css('.author::text').extract_first()  # 直接获取文本
            print(title, url, author)

其中 response.css 方法返回的是一个选择器列表，可以迭代该列表，然后对其中的对象调用 css 方法。

• item.css('.title::text')，获取标签内文本；
• item.css('.a_block::attr(href)')，获取标签属性值；
• extract_first()：解析列表第一项；
• extract()：获取列表。

在 pm.py 中导入 items.py 中的 ArticleItem 类，然后按照下述代码进行修改：

    def parse(self, response):
        # print(response.text)
        list_item = response.css('.list-item-default')
        # print(list_item)
        for i in list_item:
            item = ArticleItem()
            title = i.css('.title::text').extract_first()  # 直接获取文本
            url = i.css('.a_block::attr(href)').extract_first()  # 获取属性值
            author = i.css('.author::text').extract_first()  # 直接获取文本
            # print(title, url, author)
            # 对 item 进行赋值
            item['title'] = title
            item['url'] = url
            item['author'] = author
            yield item

此时在运行 scrapy 爬虫，就会出现如下提示信息。

此时完成了一个单页爬虫

接下来对 parse 函数再次改造，使其在解析完第 1 页之后，可以解析第 2 页数据。

    def parse(self, response):
        # print(response.text)
        list_item = response.css('.list-item-default')
        # print(list_item)
        for i in list_item:
            item = ArticleItem()
            title = i.css('.title::text').extract_first()  # 直接获取文本
            url = i.css('.a_block::attr(href)').extract_first()  # 获取属性值
            author = i.css('.author::text').extract_first()  # 直接获取文本
            # print(title, url, author)
            # 对 item 进行赋值
            item['title'] = title
            item['url'] = url
            item['author'] = author
            yield item
        next = response.css('.nav a:nth-last-child(2)::attr(href)').extract_first()  # 获取下一页链接
        # print(next)
        # 再次生成一个请求
        yield scrapy.Request(url=next, callback=self.parse)

上述代码中，变量 next 表示下一页地址，通过 response.css 函数获取链接，其中的 css 选择器请重点学习。
yield scrapy.Request(url=next, callback=self.parse) 表示再次创建一个请求，并且该请求的回调函数是 parse 本身，代码运行效果如下所示。

如果想要保存运行结果，运行下面的命令即可。

scrapy crawl pm -o pm.json

如果想要将每条数据存储为单独一行，使用如下命令即可 scrapy crawl pm -o pm.jl 。

生成的文件还支持 csv 、 xml、marchal、pickle ，可自行尝试。

下面将数据管道利用起来
打开 pipelines.py 文件，修改类名 MyProjectPipeline → TitlePipeline，然后编入如下代码：

class TitlePipeline:
    def process_item(self, item, spider):  # 移除标题中的空格
        if item["title"]:
            item["title"] = item["title"].strip()
            return item
        else:
            return DropItem("异常数据")

该代码用于移除标题中的左右空格。

编写完毕，需要在 settings.py 文件中开启 ITEM_PIPELINES 配置。

ITEM_PIPELINES = {
   'my_project.pipelines.TitlePipeline': 300,
}

300 是 PIPELINES 运行的优先级顺序，根据需要修改即可。再次运行爬虫代码，会发现标题的左右空格已经被移除。

到此 scrapy 的一个基本爬虫已经编写完毕。