作者 | 小sen
来源 | 涛哥聊Python

Scrapy

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。

一、安装scrapy

安装Twisted
  • Twisted：为 Python 提供的基于事件驱动的网络引擎包。
  • 在下面网址安装Twisted
url:https://www.lfd.uci.edu/~gohlke/pythonlibs/
安装scrapy
  • cmd输入pip install scrapy
  • 安装完毕，cmd里输入scrapy出现安装成功。

二、了解scrapy

Scrapy的组件

  • 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，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。

其处理流程为：

  • 引擎打开一个域名时，蜘蛛处理这个域名，并让蜘蛛获取第一个爬取的URL。
  • 引擎从蜘蛛那获取第一个需要爬取的URL，然后作为请求在调度中进行调度。
  • 引擎从调度那获取接下来进行爬取的页面。
  • 调度将下一个爬取的URL返回给引擎，引擎将他们通过下载中间件发送到下载器。
  • 当网页被下载器下载完成以后，响应内容通过下载中间件被发送到引擎。
  • 引擎收到下载器的响应并将它通过蜘蛛中间件发送到蜘蛛进行处理。
  • 蜘蛛处理响应并返回爬取到的项目，然后给引擎发送新的请求。
  • 引擎将抓取到的项目项目管道，并向调度发送请求。
  • 系统重复第二部后面的操作，直到调度中没有请求。

三、项目分析

爬取天气网城市的信息
url : https://www.aqistudy.cn/historydata/
爬取主要的信息: 热门城市每一天的空气质量信息
点击月份还有爬取每天的空气质量信息

四、新建项目

  • 新建文件夹命令为天气网爬虫
  • cd到根目录，打开cmd，运行scrapy startproject weather_spider
  • 创建spider
cd到根目录,运行scrapy genspider weather www.aqistudy.cn/historydata
这里的weather是spider的名字
创建的路径如下：

五、代码编写

对于scrapy，第一步，必须编写item.py，明确爬取的对象
  • item.py
import
 scrapy
classWeatherSpiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()"""日期    AQI 质量等级    PM2.5   PM10    SO2 CO  NO2 O3_8h"""
    city = scrapy.Field()
    date = scrapy.Field()
    aqi = scrapy.Field()
    level = scrapy.Field()
    pm25 = scrapy.Field()
    pm10 = scrapy.Field()
    so2 = scrapy.Field()
    co = scrapy.Field()
    no2 = scrapy.Field()
    o3_8h = scrapy.Field()
对于爬取必须伪装好UA，在setting.py中定义MY_USER_AGENT来存放UA，注意在settings中命名必须大写。
  • settings.py
MY_USER_AGENT = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)"
,
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)"
,
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)"
,
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)"
,
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)"
,
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)"
,
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)"
,
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)"
,
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6"
,
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1"
,
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0"
,
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
,
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
,
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20"
,
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER"
,
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)"
,
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER"
,
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)"
,
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)"
,
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)"
,
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)"
,
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)"
,
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)"
,
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1"
,
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5"
,
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre"
,
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0"
,
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11"
,
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
,
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
,
]
在定义好UA后，在middlewares.py中创建RandomUserAgentMiddleware类。
  • middlewares.py
import
 random
classRandomUserAgentMiddleware(object):def__init__(self, user_agents):
        self.user_agents = user_agents
    @classmethod
deffrom_crawler(cls, crawler):# 从settings.py中导入MY_USER_AGENT
        s = cls(user_agents=crawler.settings.get(
'MY_USER_AGENT'
))
return
 s
defprocess_request(self, request, spider):
        agent = random.choice(self.user_agents)
        request.headers[
'User-Agent'
] = agent
returnNone
注意要在settings.py中激活，必须是900，来去掉scrapy本身的UA。
  • setting.py
DOWNLOADER_MIDDLEWARES = {
'weather_spider.middlewares.RandomUserAgentMiddleware'
:
900
,
}
开始编写最重要的spider.py，推荐使用scrapy.shell来一步一步调试
  • 先拿到所有的城市
在scrapy中xpath方法和lxml中的xpath语法一样
我们可以看出url中缺少前面的部分，follow方法可以自动拼接url,通过meta方法来传递需要保存的city名字，通过callback方法来调度将下一个爬取的URL
  • weather.py
defparse(self, response):
    city_urls = response.xpath(
'//div[@class="all"]/div[@class="bottom"]//li/a/@href'
).extract()[
16
:
17
]
    city_names = response.xpath(
'//div[@class="all"]/div[@class="bottom"]//li/a/text()'
).extract()[
16
:
17
]
    self.logger.info(
'正在爬去{}城市url'
.format(city_names[
0
]))
for
 city_url, city_name 
in
 zip(city_urls, city_names):
#  用的follow快捷方式，可以自动拼接urlyield
 response.follow(url=city_url, meta={
'city'
: city_name}, callback=self.parse_month)
这时就是定义parse_month函数，首先分析月份的详情页,拿到月份的url
还是在scrapy.shell 中一步一步调试
通过follow方法拼接url，meta来传递city_name要保存的城市名字，selenium：True先不管
然后通过callback方法来调度将下一个爬取的URL，即就是天的爬取详细页
  • weather.py
defparse_month(self, response):
"""

    解析月份的url

    :param response:

    :return:

    """
    city_name = response.meta[
'city'
]
    self.logger.info(
'正在爬取{}城市的月份url'
.format(city_name[
0
]))
# 由于爬取的信息太大了，所有先爬取前5个
    month_urls = response.xpath(
'//ul[@class="unstyled1"]/li/a/@href'
).extract()[
0
:
5
]
for
 month_url 
in
 month_urls:
yield
 response.follow(url=month_url, meta={
'city'
: city_name, 
'selenium'
: 
True
}, callback=self.parse_day_data)
现在将日的详细页的信息通过xpah来取出
发现竟然为空
同时发现了源代码没有该信息
说明了是通过js生成的数据，scrapy只能爬静态的信息，所以引出的scrapy对接selenium的知识点，所以上面meta传递的参数就是告诉scrapy使用selenium来爬取。
复写WeatherSpiderDownloaderMiddleware下载中间件中的process_request函数方法
middlewares.py
import
 time
import
 scrapy
from
 selenium 
import
 webdriver
from
 selenium.webdriver.chrome.options 
import
 Options
classWeatherSpiderDownloaderMiddleware(object):defprocess_request(self, request, spider):if
 request.meta.get(
'selenium'
):
# 为了让浏览器能够无界面的工作
            chrome_options = Options()
# 设置chrome浏览器无界面模式
            chrome_options.add_argument(
'--headless'
)
            driver = webdriver.Chrome(chrome_options=chrome_options)
# 用浏览器去访问这个地址
            driver.get(request.url)
            time.sleep(
1.5
)  
# 因为浏览器需要加载渲染
            html = driver.page_source
            driver.quit()
return
 scrapy.http.HtmlResponse(url=request.url, body=html, encoding=
'utf-8'
, request=request)
returnNone
激活WeatherSpiderDownloaderMiddleware
DOWNLOADER_MIDDLEWARES = {
'weather_spider.middlewares.WeatherSpiderDownloaderMiddleware'
: 
543
,
'weather_spider.middlewares.RandomUserAgentMiddleware'
:
900
,
}
最后编写weather.py中的剩下代码
from
 ..items 
import
 WeatherSpiderItem
defparse_day_data(self, response):
"""

        解析每天的数据

        :param response:

        :return:

        """
    node_list = response.xpath(
'//tr'
)
# 去掉表头
    node_list.pop(
0
)
    print(response.body)
    print(
'开始爬取……'
)
    print(node_list)
for
 node 
in
 node_list:
        item = WeatherSpiderItem
        item[
'city'
] = response.meta[
'city'
]
        item[
'date'
] = node.xpath(
'./td[1]/text()'
).extract_first()
        item[
'aqi'
] = node.xpath(
'./td[2]/text()'
).extract_first()
        item[
'level'
] = node.xpath(
'./td[3]//text()'
).extract_first()
        item[
'pm25'
] = node.xpath(
'./td[4]/text()'
).extract_first()
        item[
'pm10'
] = node.xpath(
'./td[5]/text()'
).extract_first()
        item[
'so2'
] = node.xpath(
'./td[6]/text()'
).extract_first()
        item[
'co'
] = node.xpath(
'./td[7]/text()'
).extract_first()
        item[
'no2'
] = node.xpath(
'./td[8]/text()'
).extract_first()
        item[
'o3_8h'
] = node.xpath(
'./td[9]/text()'
).extract_first()
yield
 item

六、运行项目

一定要注意项目的根目录执行命令，可以通过scrapy list查看是否存在项目
scrapy保存信息的最简单的方法主要有四种，-o 输出指定格式的文件，命令如下：
默认json
  • scrapy crawl weather -o spider.json
json lines格式，默认为Unicode编码
  • scrapy crawl weather -o spider..jl
csv 逗号表达式，可用Excel打开
  • scrapy crawl weather -o spider..csv
xml格式
  • scrapy crawl weather -o spider..xml
但是保存的编码不对，必须在settings中加入FEED_EXPORT_ENCODING = 'utf-8'

七、入库操作

这里入的库是Mongodb，在settings.py中配置
MONGO_URI=
'192.168.96.128'#虚拟机ip
MONGO_DB=
'weather'#表名
对于入门主要处理的是pipelines中
  • pipelines.py
import
 pymongo
classMongoPipeline(object):def__init__(self,mongo_uri,mongo_db):
        self.mongo_uri=mongo_uri
        self.mongo_db=mongo_db
    @classmethod
deffrom_crawler(cls, crawler):return
 cls(
            mongo_uri=crawler.settings.get(
'MONGO_URI'
),
            mongo_db=crawler.settings.get(
'MONGO_DB'
)
        )
defopen_spider(self, spider):# 当爬虫开启时连接MongoDB数据库
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]
defprocess_item(self, item, spider):
        name = item.__class__.__name__
        self.db[name].insert(dict(item))  
# 保存数据return
 item
defclose_spider(self, spider):# 当爬虫关闭时关闭数据库连接
        self.client.close()
  • 在settings中激活pipelines
ITEM_PIPELINES = {
'weather_spider.pipelines.MongoPipeline'
: 
300
,
}
效果如下

八、结语

我们本次通过爬取天气网站的来作为学习 Scrapy 的，这里展示的关于 Scrapy 大部分的知识点。如果改写列表，就可以爬取北京所有的天气信息，当然还可以爬取全部城市的天气信息，即这个天气网的全部内容基本都爬取。
源码获取：
https://github.com/MaoliRUNsen/maoli/tree/master/%E7%88%AC%E8%99%AB/weather_spider
(*本文为 Python大本营转载文章，转载请联系作者)
◆
精彩推荐
◆
由易观携手CSDN联合主办的第三届易观算法大赛正在火热进行中！冠军奖3万元，每团队不超过5人参赛。
本次比赛主要预测访问平台的相关事件的PV,UV流量（包括Web端，移动端等），大赛将会提供相应事件的流量数据，以及对应时间段内的所有事件明细表和用户属性表等数据，进行模型训练，并用训练好的模型预测规定日期范围内的事件流量。
推荐阅读
你点的每个“在看”，我都认真当成了喜欢
继续阅读
阅读原文