Python爬虫系列之----Scrapy(九)使用CrawlSpider完善豆瓣图书爬虫

接着上一篇文章,剩下的那几个功能未完成,在这片文章中我们通过CrawlSpider来完善它

一、CrawlSpider简介

CrawlSpider是一个比较有用的组件，其通过正则表达匹配对应url并爬取，通过Xpath解析网页内容，再在新页面抽取url继续爬取。CrawlSpider派生自InitSpider派生自BaseSpider(最基本爬虫组件).CrawlSpider主要通过Rule类进行正则表达式的设定，设定相应的回调函数等

1.Rule类如下

class Rule(object):
    def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None):
        self.link_extractor = link_extractor
        self.callback = callback
        self.cb_kwargs = cb_kwargs or {}
        self.process_links = process_links
        if follow is None:
            self.follow = False if callback else True
        else:
            self.follow = follow

参数：link_extractor 一个url抽取器对象，通过它设定正则，允许匹配什么类型的url，不匹配那些都可以通过它设定

         callback 回调函数可传函数的对象 或者函数字符串表现形式，此回调函数主要处理抓取到的数据到Item对象
函数形式为：def 函数名(self,response[,**cb_kwargs])

         cb_kwargs 回调函数参数 字典类型

         follow 是否继续爬取，true 继续爬取，false 到此停止

         process_link 是一个可选的回调函数，接受一个list参数(list元素是通过正则匹配返回url列表)，此函数为什么

可选? 主要是处理例如：list 参数里元素url是相对路径，可通过此回调处理加上域名形成一个完整的URL。反正是对路径做一些附加处理。

2.CrawlSpider

       CrawlSpider类通过parse函数解析response

def parse(self, response):
        return self._response_downloaded(response, self.parse_start_url, cb_kwargs={}, follow=True)

parse 函数调用 _response_downloaded函数并返回，返回类型必须是Item 或 Request 对象的列表，这是Scrapy 规定的。再看看_response_downloaded函数

def _response_downloaded(self, response, callback, cb_kwargs, follow):
        if callback:
            cb_res = callback(response, **cb_kwargs) or ()
            cb_res = self.process_results(response, cb_res)
            for requests_or_item in iterate_spider_output(cb_res):
                yield requests_or_item
        if follow and settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True):
            for request_or_item in self._requests_to_follow(response):
                yield request_or_item

函数表达的意思为：

    调用callback回调函数(如果callback实例函数有效),否则返回()空元组,callback返回的是item或Request对象list,一开始回调函数为parse_start_url 函数，如果不重写此函数相当于种子页面不处理。默认返回空list调用process_results函数,此函数可重写,如果不重写,返回的是callback返回值,接下来通过follow判断完成通过正则抽取的URL的爬取，此时调用_requests_to_follow 函数

def _requests_to_follow(self, response):
        seen = set()
        for rule in self._rules:
            links = [l for l in rule.link_extractor.extract_links(response) if l not in seen]
            if links and rule.process_links:
                links = rule.process_links(links)
            seen = seen.union(links)
            for link in links:
                r = Request(url=link.url)
                r.meta['link_text'] = link.text
                r.deferred.addCallback(self._response_downloaded, rule.callback, cb_kwargs=rule.cb_kwargs, follow=rule.follow)
                yield r

通过response参数传进当前页面信息,seen = set()  防止正则抽取到一样的路径,循环通过对rule对象设置进行正则抽取，并过滤重复的url，接着通过process_links函数(前面提到的URL加工函数)如果该函数对象实例存在。

   通过links 列表循环调用Request对象进行进一步抓取。通过ddCallback(self._response_downloaded, rule.callback, cb_kwargs=rule.cb_kwargs, follow=rule.follow) 设回调，self._response_downloaded为回调函数。

3.LinkExtractor

（1）概念：
顾名思义，链接提取器。

（2） 作用：
response对象中获取链接，并且该链接会被接下来爬取。

（3） 使用：
通过SmglLinkExtractor提取希望获取的链接。

classscrapy.contrib.linkextractors.sgml.SgmlLinkExtractor(  
    allow=(),
    deny=(),
    allow_domains=(),
    deny_domains=(),
    deny_extensions=None,
    restrict_xpaths=(),
    tags=('a','area'),
    attrs=('href'),
    canonicalize=True,
    unique=True,
    process_value=None
) 

主要参数：

allow：满足括号中“正则表达式”的值会被提取，如果为空，则全部匹配。
deny：与这个正则表达式(或正则表达式列表)不匹配的URL一定不提取。
allow_domains：会被提取的链接的domains。
deny_domains：一定不会被提取链接的domains。
restrict_xpaths：使用xpath表达式，和allow共同作用过滤链接。

列:

# follow = True表示会在返回的url中继续寻找符合条件的url
Rule(LinkExtractor(allow='^https://movie\.douban\.com/subject/\d+/reviews$',restrict_xpaths=('//div[@class="review-more"]/a')),follow = True),

# callback='parse_content'表示导出的页面由parse_content()函数进行处理。
Rule(LinkExtractor(allow='^https://movie\.douban\.com/subject/\d+/reviews.*',restrict_xpaths=('//div[@id="paginator"]/a')),callback='parse_content', follow = True))

二、创建Scrapy项目

scrapy startproject douban_book

创建好项目之后，通过genspider创建CrawlSpider爬虫模板:

scrapy genspider -t crawl bookspider douban.com

注：bookspider是爬虫的名字，douban.com是允许爬取的域名，可在终端中输入: scrapy genspider -h 查看更多关于该命令的用法

查看它的源码,可以发现它传进来的是CrawlSpider,而不是以前的scrapy.Spider!!

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class BookspiderSpider(CrawlSpider):
    name = 'bookspider'
    allowed_domains = ['douban.com']
    start_urls = ['http://douban.com/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        i = {}
        #i['domain_id'] = response.xpath('//input[@id="sid"]/@value').extract()
        #i['name'] = response.xpath('//div[@id="name"]').extract()
        #i['description'] = response.xpath('//div[@id="description"]').extract()
        return i

三、定义items

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

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class DoubanBookItem(scrapy.Item):
    """ 定义需要抓取的字段名 """

    name = scrapy.Field()                       # 书名
    images = scrapy.Field()                     # 图片
    author = scrapy.Field()                     # 作者
    press = scrapy.Field()                      # 出版社
    date = scrapy.Field()                       # 出版日期
    page = scrapy.Field()                       # 页数
    price = scrapy.Field()                      # 价格
    score = scrapy.Field()                      # 读者评分
    ISBN = scrapy.Field()                       # ISBN号
    author_profile = scrapy.Field()             # 作者简介
    content_description = scrapy.Field()        # 内容简介
    link = scrapy.Field()                       # 详情页链接

四、定义爬虫Spider

1、列表页翻页规律

第一页:https://book.douban.com/tag/心理学?start=0&type=T

第二页:https://book.douban.com/tag/心理学?start=20&type=T

第三页:https://book.douban.com/tag/心理学?start=40&type=T

会发现start后面的数字是有规律递增的，知道这个就好办了，于是用于翻页的url正则表达式我们可以这样写：

r "https://book.douban.com/tag/心理学\?start=\d+&type=T"

注：Python中 r 表示的是原始字符的意思

2、列表页的html源码分析

会发现每一本书的详情页链接都类似，只是后面的一串数字不同而已

https://book.douban.com/subject/26805083/

我们可以得出在列表页中查找图书详情页ulr的正则表达式了

r "http://book.douban.com/subject/\d+/$"

3、书籍详情页html源码分析

我们可以在终端中用以下命令来进行debug，验证我们spider中的代码是否准确无误抓取到了我们想要的字段:

C:\Users\fendo>scrapy shell  "https://book.douban.com/subject/26805083/" --nolog
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x000002C363CFAD68>
[s]   item       {}
[s]   request    <GET https://book.douban.com/subject/26805083/>
[s]   response   <200 https://book.douban.com/subject/26805083/>
[s]   settings   <scrapy.settings.Settings object at 0x000002C366107B38>
[s]   spider     <DefaultSpider 'default' at 0x2c36638d208>
[s] Useful shortcuts:
[s]   fetch(url[, redirect=True]) Fetch URL and update local objects (by default, redirects are followed)
[s]   fetch(req)                  Fetch a scrapy.Request and update local objects
[s]   shelp()           Shell help (print this help)
[s]   view(response)    View response in a browser
In [1]:

1.图书名

In [1]: response.xpath("//div[@id='wrapper']/h1/span/text()").extract()[0].strip()
Out[1]: '心理治疗之路'

2.读者评分

In [7]: response.xpath("//div[@class='rating_self clearfix']/strong/text()").extract()[0].strip()
Out[7]: '9.3'

3.详情页链接

In [8]: response.url
Out[8]: 'https://book.douban.com/subject/26805083/'

4.书籍图片

In [1]: response.xpath("//div[@id='mainpic']/a/img/@src").extract()[0].strip()
Out[1]: 'https://img3.doubanio.com/lpic/s28852024.jpg

5.作者,出版社,出版日期,页数,价格,ISBN号,作者简介,内容简介

下面的xpath表达式主要是获取书籍的基本信息

response.xpath("//div[@id='info']//text()").extract()

此时的数据里含有大量的换行符之类的，我们进行去除多余的换行符操作

datas = response.xpath("//div[@id='info']//text()").extract()
datas = [data.strip() for data in datas]

列表中还是含有空项，所以我们继续去除空的列表项

datas = [data for data in datas if data != ""]

此时我们打印一下列表中的每一项看看

for i,data in enumerate(datas):
print (i,data)

完整的代码:

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy.selector import Selector
from douban_book.items import DoubanBookItem
import re
import os
import urllib.request
from scrapy.http import HtmlResponse,Request
import time


class BookspiderSpider(CrawlSpider):
    name = 'bookspider'
    allowed_domains = ['book.douban.com']
    start_urls = ['https://book.douban.com/tag/编程?start=0&type=T']
    rules = (
        # 列表页url
        Rule(LinkExtractor(allow=(r"https://book.douban.com/tag/编程\?start=\d+&type=T"))),
        # 详情页url
        Rule(LinkExtractor(allow=(r"https://book.douban.com/subject/\d+/$")),callback="parse_item")
    )


    def parse_item(self, response):


         if response.status == 200:
             print ()
             cks="编程"
             #类别
             cate=response.xpath("//div[@id='db-tags-section']/div/span/a/text()").extract()
             if cks in cate:
              sel = Selector(response)
              item = DoubanBookItem()


              # 图书名
              item["name"] = sel.xpath("//div[@id='wrapper']/h1/span/text()").extract()[0].strip()
              # 读者评分
              item["score"] = sel.xpath("//div[@class='rating_self clearfix']/strong/text()").extract()[0].strip()
              # 详情页链接
              item["link"] = response.url


         try:
             # 内容简介
             contents = sel.xpath("//div[@id='link-report']//div[@class='intro']")[-1].xpath(".//p//text()").extract()
             item["content_description"] = "\n".join(content for content in contents)
         except:
             item["content_description"] = ""


         try:
             # 作者简介
             profiles = sel.xpath("//div[@class='related_info']//div[@class='indent ']//div[@class='intro']")[-1].xpath(
                 ".//p//text()").extract()
             item["author_profile"] = "\n".join(profile for profile in profiles)
         except:
             item["author_profile"] = ""


         src = sel.xpath("//div[@id='mainpic']/a/img/@src").extract()[0].strip()
         print("images is url-----------------------------------------: " + src)
         file_name = "%s.jpg" % (item["name"])  # 图书名
         file_path = os.path.join("G:\\开发资料\\Python\\douban_book\\img", file_name)  # 拼接这个图片的路径
         print("file_name---****************************************-file_path---: " + file_name)
         opener = urllib.request.build_opener()
         opener.addheaders = [('User-Agent',
                               'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1941.0 Safari/537.36')]
         urllib.request.install_opener(opener)
         urllib.request.urlretrieve(src, file_path)  # 接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径
         item["images"] = file_path
         item["tags"] = "编程"


         datas = response.xpath("//div[@id='info']//text()").extract()
         datas = [data.strip() for data in datas]
         datas = [data for data in datas if data != ""]


         for i, data in enumerate(datas):
             print ("index %d " % i, data)


         for data in datas:
             if u"作者" in data:
                 if u":" in data:
                     item["author"] = datas[datas.index(data) + 1]
                 elif u":" not in data:
                     item["author"] = datas[datas.index(data) + 2]
             elif u"出版社:" in data:
                 item["press"] = datas[datas.index(data) + 1]
             elif u"出版年:" in data:
                 item["date"] = datas[datas.index(data) + 1]
             elif u"页数:" in data:
                 item["page"] = datas[datas.index(data) + 1]
             elif u"定价:" in data:
                 item["price"] = datas[datas.index(data) + 1]
             elif u"ISBN:" in data:
                 item["ISBN"] = datas[datas.index(data) + 1]


         return item

五、Pipeline文件持久化数据


以下代码可以把抓取的到的数据存于json文件中也可以存于MySQL数据库中

# -*- 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
import json
from scrapy import log
import pymysql as db

class DoubanBookPipeline(object):

   """ 将抓取到的数据存入json文件中 """
   def __init__(self):
       self.file = open("./items.json", "wb")

       def process_item(self, item, spider):
        # 由于scrapy在spider中抓取的所有字段都会转换成unicode码
        # 所以我们在存入json文件之前先将每一项都转换成utf8
        # 不转的话，我们存入json文件中的数据也是unicode码，中文显示方式不是我们想要的
        for k in item:
            item[k] = item[k].encode("utf8")
            print(item[k])
        line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(line)
        return item

class MySQLPipeline(object):
    def __init__(self):
        self.con=db.connect(user="root",passwd="123",host="localhost",db="python",charset="utf8")
        self.cur=self.con.cursor()
        self.cur.execute('drop table douban_booke')
        self.cur.execute("create table douban_booke(id int primary key auto_increment,tags varchar(50), name varchar(255) NOT NULL, author varchar(255) NULL, press varchar(100) NULL, date varchar(30) NULL, page varchar(50) NULL, price varchar(30) NULL, score varchar(30) NULL, ISBN varchar(30) NULL, author_profile varchar(1500) NULL, content_description varchar(3000) NULL, link varchar(255) NULL )default charset=utf8;")
    def process_item(self, item, spider):
        self.cur.execute("insert into douban_booke(tags, name, author, press, date, page, price, score, ISBN, author_profile,content_description, link) values (%s,%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)",(item["tags"], item["name"], item["author"], item["press"], item["date"],item["page"], item["price"], item["score"], item["ISBN"],item["author_profile"], item["content_description"], item["link"]))
        self.con.commit()
        return item

在settings中配置下:

ITEM_PIPELINES = {
#    'douban_book.pipelines.DoubanBookPipeline': 300,
    'douban_book.pipelines.MySQLPipeline': 2,
}

并设置下防爬虫策略:

# 为防止被识别为爬虫，应设置下载页面的延时时间
DOWNLOAD_DELAY = 2

# 模拟浏览器头部
DEFAULT_REQUEST_HEADERS = {
    "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", 
}

运行效果如下:

同时在img目录下生成图片

数据库中的数据

完整示例: http://download.csdn.net/detail/u011781521/9817629