前言
这次咱们来玩一个在Python中很牛叉的爬虫框架——Scrapy。
scrapy 介绍
标准介绍
- Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能(高性能异步下载，队列，分布式，解析，持久化等)的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。
说人话就是
- 只要是搞爬虫的,用这个就van事了,因为里面集成了一些很棒的工具,并且爬取性能很高,预留有很多钩子方便扩展,实在是居家爬虫的不二之选。
windows下安装scrapy
命令
- pip install scrapy
默认情况下,直接pip install scrapy可能会失败,如果没有换源,加上临时源安装试试,这里使用的是清华源，常见安装问题可以参考这个文章：Windows下安装Scrapy方法及常见安装问题总结——Scrapy安装教程。
命令
- pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple
scrapy创建爬虫项目
命令
- scrapy startproject <项目名称>
示例:创建一个糗事百科的爬虫项目(记得cd到一个干净的目录哈)
- scrapy startproject qiushibaike
注:此时,我们已经创建好了一个爬虫项目,但是爬虫项目是一个文件夹
进入爬虫项目
如果想要进入这个项目,就要cd进这个目录,如上上图所示,先cd <项目>,再创建蜘蛛
项目目录结构解析
此时,我们就已经进入了项目,结构如下,有一个和项目名同名的文件夹和一个scrapy.cfg文件
- scrapy.cfg # scrapy配置,特殊情况使用此配置
- qiushibaike # 项目名同名的文件夹
- items.py # 数据存储模板,定制要保存的字段
- middlewares.py # 爬虫中间件
- pipelines.py # 编写数据持久化代码
- settings.py # 配置文件,例如:控制爬取速度,多大并发量,等
- __init__.py
- spiders # 爬虫目录,一个个爬虫文件,编写数据解析代码
- __init__.py
呃,可能此时你并不能懂这么些目录什么意思,不过不要慌,使用一下可能就懂了,别慌。
创建蜘蛛
通过上述的操作,假设你已经成功的安装好了scrapy,并且进入了创建的项目
那么,我们就创建一个蜘蛛,对糗事百科的段子进行爬取。
创建蜘蛛命令
- scrapy genspider <蜘蛛名称> <网页的起始url>
示例:创建糗事百科的段子蜘蛛
- scrapy genspider duanzi ww.com
注:网页的起始url可以随便写,可以随便改,但是必须有
此时在spider文件夹下,会多一个duanzi.py文件
代码解释如下
爬取数据前准备
创建好蜘蛛之后,需要在配置一些东西的,不能直接就爬的,默认是爬取不了的,需要简单配置一下
打开settings.py文件,找到ROBOTSTXT_OBEY和USER_AGENT变量
ROBOTSTXT_OBEY配置
等于False不遵守robot协议,默认只有搜索引擎网站才会允许爬取,例如百度,必应等,个人爬取需要忽略这个,否则爬取不了
USER_AGENT配置
User-Agent是一个最基本的请求必须带的参数,如果这个带的不是正常的,必定爬取不了。
User-Agent
- Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36
小试牛刀之获取糗事百科段子段子链接
准备工作做好了，那就开始吧!!!
此处我们需要有xpath的语法基础,其实挺简单的,没有基础的记得百度一下,其实不百度也没关系,跟着学,大概能看懂
实现功能
通过xpath获取每个段子下的a标签连接
注:审查元素和按住crtl+f搜索内容和写xpath这里不再啰嗦
分析页面规则
通过审查工具,我们可以看到,class包含article的标签就是一个个的文章,可能你想到xpath可能可以这样写
xpath代码
- //div[@class='article']
但是你会发现一个都查不出来,因为是包含的关系,所以需要用contains关键字
我们需要这样写
xpath代码
- //div[contains(@class,"article")]
但是会发现,这定位的太多了,并不是每个段子的div,所以我们要多包含几个,这样,就是每个段子的div了
- //div[contains(@class,"article") and contains(@class,"block")]
上述已经成功定位了一个个的段子,下面在此基础上,定位到每个段子下的a标签
根据审查元素,发现每个段子下class="contentHerf"的a标签,就是每个段子的详情页
详情页,要定位的a标签的href确实是详情页的url
xpath代码
- //div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]
这样,我们就定位了一个个a标签,只至少在控制台操作是没问题的,那么,我们使用Python代码操作一下吧
代码
- def parse(self, response):
- a_href_list = response.xpath('//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href'
- ).extract()
- print(a_href_list)
启动蜘蛛命令
- scrapy crawl <爬虫名> [--nolog]
注:--nolog参数不加表示一系列日志,一般用于调试,加此参数表示只输入print内容
示例:启动段子命令
- scrapy crawl duanzi --nolog
成功拿到每一个链接。
获取详情页内容
在上述,我们成功的获取到了每个段子的链接,但是会发现有的段子是不全的,需要进入进入详情页才能看到所以段子内容，那我们就使用爬虫来操作一下吧。
我们定义一下标题和内容。
根据元素审查，标题的定位xpath是：
- //h1[@class="article-title"]
内容的xpath是：
- //div[@class="content"]
确定标题和内容的xpath定位之后,我们在python代码中实现一下。
注：但是先解决一个问题,详情页属于第二次调用了,所以我们也需要进行调用第二次,再编写代码
代码
- # 详情页
- def detail(self, response):
- title = response.xpath('//h1[@class="article-title"]/text()').extract()
- content = response.xpath('//div[@class="content"]//text()').extract()
- print("标题:" )
- print(title)
- print("内容")
- print(content)
- def parse(self, response):
- a_href_list = response.xpath(
- '//div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]/@href'
- ).extract()
- print(a_href_list)
- base_url = "https://www.qiushibaike.com"
- for a_href in a_href_list:
- url = f"{base_url}{a_href}"
- yield scrapy.Request(url=url, callback=self.detail)
结果
但是会发现啊，似乎每个都是列表形式，这似乎不太行呐，我们稍微修改一下代码，这样我们拿到的就是正常的文本了，如下图所示：
上述命令总结
创建爬虫项目
- scrapy startproject <项目名称>
创建蜘蛛
- scrapy genspider <蜘蛛名称> <网页的起始url>
启动爬虫,--nolog参数不加表示一系列日志,一般用于调试,加此参数表示只输入print内容
- scrapy crawl <爬虫名> [--nolog]
结尾
经过入门级的操作，我相信你大概知道scrapy是怎么玩了。但是你依然可能懵逼，不懂本质，不过先走起来，才是根本，后续慢慢听我继续。
用微笑告诉别人，今天的我比昨天强，今后也一样。
原文地址：https://mp.weixin.qq.com/s/eClixDQzLKmckHPNG66WVw