使用Scrapy網絡爬蟲框架小試牛刀
前言
這次咱們來玩一個在Python中很牛叉的爬蟲框架——Scrapy。
scrapy 介紹
標準介紹
- Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架，非常出名，非常強悍。所謂的框架就是一個已經被集成了各種功能(高性能異步下載，隊列，分布式，解析，持久化等)的具有很強通用性的項目模板。對于框架的學習，重點是要學習其框架的特性、各個功能的用法即可。
說人話就是
- 只要是搞爬蟲的,用這個就van事了,因為里面集成了一些很棒的工具,并且爬取性能很高,預留有很多鉤子方便擴展,實在是居家爬蟲的不二之選。
windows下安裝scrapy
命令
- pip install scrapy
默認情況下,直接pip install scrapy可能會失敗,如果沒有換源,加上臨時源安裝試試,這里使用的是清華源，常見安裝問題可以參考這個文章：Windows下安裝Scrapy方法及常見安裝問題總結——Scrapy安裝教程。
命令
- pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple
scrapy創建爬蟲項目
命令
- scrapy startproject <項目名稱>
示例:創建一個糗事百科的爬蟲項目(記得cd到一個干凈的目錄哈)
- scrapy startproject qiushibaike
注:此時,我們已經創建好了一個爬蟲項目,但是爬蟲項目是一個文件夾
進入爬蟲項目
如果想要進入這個項目,就要cd進這個目錄,如上上圖所示,先cd <項目>,再創建蜘蛛
項目目錄結構解析
此時,我們就已經進入了項目,結構如下,有一個和項目名同名的文件夾和一個scrapy.cfg文件
- scrapy.cfg # scrapy配置,特殊情況使用此配置
- qiushibaike # 項目名同名的文件夾
- items.py # 數據存儲模板,定制要保存的字段
- middlewares.py # 爬蟲中間件
- pipelines.py # 編寫數據持久化代碼
- settings.py # 配置文件,例如:控制爬取速度,多大并發量,等
- __init__.py
- spiders # 爬蟲目錄,一個個爬蟲文件,編寫數據解析代碼
- __init__.py
呃,可能此時你并不能懂這么些目錄什么意思,不過不要慌,使用一下可能就懂了,別慌。
創建蜘蛛
通過上述的操作,假設你已經成功的安裝好了scrapy,并且進入了創建的項目
那么,我們就創建一個蜘蛛,對糗事百科的段子進行爬取。
創建蜘蛛命令
- scrapy genspider <蜘蛛名稱> <網頁的起始url>
示例:創建糗事百科的段子蜘蛛
- scrapy genspider duanzi ww.com
注:網頁的起始url可以隨便寫,可以隨便改,但是必須有
此時在spider文件夾下,會多一個duanzi.py文件
代碼解釋如下
爬取數據前準備
創建好蜘蛛之后,需要在配置一些東西的,不能直接就爬的,默認是爬取不了的,需要簡單配置一下
打開settings.py文件,找到ROBOTSTXT_OBEY和USER_AGENT變量
ROBOTSTXT_OBEY配置
等于False不遵守robot協議,默認只有搜索引擎網站才會允許爬取,例如百度,必應等,個人爬取需要忽略這個,否則爬取不了
USER_AGENT配置
User-Agent是一個最基本的請求必須帶的參數,如果這個帶的不是正常的,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
小試牛刀之獲取糗事百科段子段子鏈接
準備工作做好了，那就開始吧!!!
此處我們需要有xpath的語法基礎,其實挺簡單的,沒有基礎的記得百度一下,其實不百度也沒關系,跟著學,大概能看懂
實現功能
通過xpath獲取每個段子下的a標簽連接
注:審查元素和按住crtl+f搜索內容和寫xpath這里不再啰嗦
分析頁面規則
通過審查工具,我們可以看到,class包含article的標簽就是一個個的文章,可能你想到xpath可能可以這樣寫
xpath代碼
- //div[@class='article']
但是你會發現一個都查不出來,因為是包含的關系,所以需要用contains關鍵字
我們需要這樣寫
xpath代碼
- //div[contains(@class,"article")]
但是會發現,這定位的太多了,并不是每個段子的div,所以我們要多包含幾個,這樣,就是每個段子的div了
- //div[contains(@class,"article") and contains(@class,"block")]
上述已經成功定位了一個個的段子,下面在此基礎上,定位到每個段子下的a標簽
根據審查元素,發現每個段子下class="contentHerf"的a標簽,就是每個段子的詳情頁
詳情頁,要定位的a標簽的href確實是詳情頁的url
xpath代碼
- //div[contains(@class,"article") and contains(@class,"block")]//a[@class="contentHerf"]
這樣,我們就定位了一個個a標簽,只至少在控制臺操作是沒問題的,那么,我們使用Python代碼操作一下吧
代碼
- 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)
啟動蜘蛛命令
- scrapy crawl <爬蟲名> [--nolog]
注:--nolog參數不加表示一系列日志,一般用于調試,加此參數表示只輸入print內容
示例:啟動段子命令
- scrapy crawl duanzi --nolog
成功拿到每一個鏈接。
獲取詳情頁內容
在上述,我們成功的獲取到了每個段子的鏈接,但是會發現有的段子是不全的,需要進入進入詳情頁才能看到所以段子內容，那我們就使用爬蟲來操作一下吧。
我們定義一下標題和內容。
根據元素審查，標題的定位xpath是：
- //h1[@class="article-title"]
內容的xpath是：
- //div[@class="content"]
確定標題和內容的xpath定位之后,我們在python代碼中實現一下。
注：但是先解決一個問題,詳情頁屬于第二次調用了,所以我們也需要進行調用第二次,再編寫代碼
代碼
- # 詳情頁
- def detail(self, response):
- title = response.xpath('//h1[@class="article-title"]/text()').extract()
- content = response.xpath('//div[@class="content"]//text()').extract()
- print("標題:" )
- print(title)
- print("內容")
- 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)
結果
但是會發現啊，似乎每個都是列表形式，這似乎不太行吶，我們稍微修改一下代碼，這樣我們拿到的就是正常的文本了，如下圖所示：
上述命令總結
創建爬蟲項目
- scrapy startproject <項目名稱>
創建蜘蛛
- scrapy genspider <蜘蛛名稱> <網頁的起始url>
啟動爬蟲,--nolog參數不加表示一系列日志,一般用于調試,加此參數表示只輸入print內容
- scrapy crawl <爬蟲名> [--nolog]
結尾
經過入門級的操作，我相信你大概知道scrapy是怎么玩了。但是你依然可能懵逼，不懂本質，不過先走起來，才是根本，后續慢慢聽我繼續。
用微笑告訴別人，今天的我比昨天強，今后也一樣。
