Python爬虫学习之scrapy库

一、scrapy库安装

pip install scrapy -i https://pypi.douban.com/simple

二、scrapy项目的创建

1、创建爬虫项目打开cmd 输入scrapy startproject 项目的名字

注意:项目的名字不允许使用数字开头也不能包含中文

2、创建爬虫文件要在spiders文件夹中去创建爬虫文件

cd 项目的名字\项目的名字\spiders

cd scrapy_baidu_091\scrapy_baidu_091\spiders

创建爬虫文件

scrapy genspider 爬虫文件的名字要爬取网页

e.g.scrapy genspider baidu www.baidu.com

不需要添加http协议因为start_urls的值是根据allowed_domains修改的

所以添加了http的话，那么start_urls就需要我们手动去修改

3、运行爬虫代码

scrapy crawl 爬虫名字

e.g.

scrapy crawl baidu

三、scrapy项目的基本使用

scrapy项目的结构

项目名字

项目名字

spiders文件夹（存储的是爬虫文件）

init

自定义的爬虫文件核心功能文件

init

items 定义数据结构的地方

middlewares 中间件代理

pipelines 管道用来处理下载的数据

settings 配置文件 robots协议 user-agent定义等

四、scrapy文件里的response方法

1、response对象

response.text 获取响应的字符串

response.body 获取二进制数据

response.url 获取请求路径

response.status 获取状态码

2、response解析

response.xpath 解析response中的内容，返回一个selector列表对象

response.css 使用css_selector查询元素，返回一个selector对象

3、处理selector

response.extract() 提取seletor对象的data属性

response.extract_first() 提取seletor列表的第一个数据

五、scrapy的架构组成及工作原理

1、引擎

会自动组织所有的请求对象，分发给下载器

2、下载器

从引擎处获取到请求对象后，请求数据

3、spiders

定义爬取动作和解析网页

4、调度器

无需关注

5、pipeline

处理数据的管道，会预留接口用来处理数据

六、scrapy shell的使用

1、什么是scrapy shell？

Scrapy shell是Scrapy框架提供的一个交互式shell工具，用于快速开发和调试爬虫。它允许用户在不启动完整爬虫程序的情况下，以交互的方式加载和请求网页，并使用选择器和Scrapy的API来提取和处理数据。

2、scrapy shell作用

快速检查和测试网页的数据结构和内容；
调试和验证爬虫的选择器和提取规则；
测试和调试Scrapy的请求和响应处理逻辑；
使用Scrapy的内置命令行工具来实验性地进行数据提取和处理。

3、可以安装ipython，显示更智能

在命令行窗口，输入pip install ipython

4、scrapy shell的使用

在命令行窗口输入，scrapy shell www.baidu.com

然后就可以直接在命令行窗口用response方法

七、scrapy.spider的应用

e.g.爬取网站书籍的名称和图片

（1）、spider文件

python 复制代码

import scrapy
from scrapy_dangdang_096.items import ScrapyDangdang096Item

class DangSpider(scrapy.Spider):
    name = "dang"
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["https://category.dangdang.com/cp01.54.92.01.00.00.html"]


    base_url = 'https://category.dangdang.com/pg'
    page = 1


    def parse(self, response):
# src = response.xpath('//ul[@id="component_59"]/li//img/@src')
#
# name = response.xpath('//ul[@id="component_59"]/li//img/@alt')
#
# price = response.xpath('//ul[@id="component_59"]/li//p[@class="price"]/span[1]')
        li_list = response.xpath('//ul[@id="component_59"]/li')

        #所有的selector对象都可以再次调用xpath
        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()
            #第一张图片和其他图片的标签的属性是不一样的
            #第一张图片可以用src，其他图片的地址标签是data---original
            if src!=None:
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()

            name = li.xpath('.//img/@alt').extract_first()

            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = ScrapyDangdang096Item(src = src,name=name,price=price)

            #获取一个book就将book交给pipelines
            yield book

#https://category.dangdang.com/cp01.54.92.01.00.00.html
#https://category.dangdang.com/pg2-cp01.54.92.01.00.00.html
#https://category.dangdang.com/pg3-cp01.54.92.01.00.00.html

        if self.page<100:
            self.page=self.page+1

            url = self.base_url + str(self.page) + '-cp01.54.92.01.00.00.html'
                #怎么去调用parse方法
                #scrapy.Request就是scrapy的get请求
                #url就是请求地址
                #callback是你要执行的那个函数   注意不需要加（）

            yield scrapy.Request(url = url,callback = self.parse)

注：scrapy的get请求为scrapy.Request()

（2）、items.py文件

python 复制代码

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

import scrapy


class ScrapyDangdang096Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

    #图片
    src = scrapy.Field()

    #名字
    name = scrapy.Field()

    #价格
    price = scrapy.Field()

（3）、pipelines.py文件

python 复制代码

import urllib.request
#如果想使用pipelines,就要先在settings中打开pipelines
class ScrapyDangdang096Pipeline:
    #在爬虫文件开始之前执行
    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')
    # item就是yield后面的对象
    def process_item(self, item, spider):

        self.fp.write(str(item))
        #(1)write 方法必须写字符串
        #(2)a模式是追加写
        # with open('book.json','a',encoding='utf-8') as fp:
        #     fp.write(str(item))
        return item
    def close_spider(self,spider):
        self.fp.close()


#多条管道开启
#(1)定义管道类
#(2)在settings中开启管道
#将'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301写入pipelines.py文件
class DangDangDownloadPipeline:
    def process_item(self,item,spider):
        url = 'http:'+item.get('src')

        filename = './books'+item.get('name')+'.jpg'

        urllib.request.urlretrieve(url=url,filename=filename)



        return item

（4）、settings.py文件

这个文件里取消 ITEM_PIPELINES 的注释，即开启pipeline。

然后在字典中加入

python 复制代码

#DangDangDownloadPipeline
   'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301

，即开启多条pipeline。

总而言之：

python 复制代码

ITEM_PIPELINES = {
    #pipelines可以有多个，管道是有优先级的，优先级的范围是1到1000，且值越小优先级越高
   "scrapy_dangdang_096.pipelines.ScrapyDangdang096Pipeline": 300,

   #DangDangDownloadPipeline
   'scrapy_dangdang_096.pipelines.DangDangDownloadPipeline':301
}

八、crawl spider的简介

1、创建项目步骤

复制代码

（1）、创建项目 scrapy startproject readproject
（2）、跳转到spiders路径 cd \readproject\readproject\spiders
（3）、创建爬虫类 scrapy genspider -t crawl read www.dushu.com
（4）、items
（5）、spiders
（6）、settings
（7）、pipelines
            数据保存到本地.json文件中
            也可以数据保存到MySQL数据库（本文未阐述）

2、提取链接

链接提取器：scrapy.linkextractors.LinkExtractor()里面的

allow = (), #正则表达式，提取符合正则的链接

deny=（）， #正则表达式，不提取符合正则的链接

allow_domains = (), #允许的域名

deny_domains = (), #不允许的域名

restrict_xpaths = (), #xpath , 提取符合xpath规则的链接

restrict_css = (), #提取符合选择器规则的链接

其中正则表达式用法示例：links1 = LinkExtractor(allow = r'list_10_\d+\.html')

3、运行原理

4、crawl spider的应用

e.g.爬取读书网的书籍信息

(1)、爬虫文件

python 复制代码

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_readbook_097.items import ScrapyReadbook097Item

class ReadSpider(CrawlSpider):
    name = "read"
    allowed_domains = ["www.dushu.com"]
    start_urls = ["https://www.dushu.com/book/1175_1.html"]
                                                                                        #True 是继续跟进，往后爬取
    rules = (Rule(LinkExtractor(allow=r"/book/1175_\d+\.html"), callback="parse_item", follow=True),)

    def parse_item(self, response):

        img_list = response.xpath('//div[@class="bookslist"]//a/img')

        for img in img_list:
            name = img.xpath('./@alt').extract_first()
            src = img.xpath('./@data-original').extract_first()

            book = ScrapyReadbook097Item(name = name,src = src)
            yield book

(2)、items.py文件

python 复制代码

import scrapy


class ScrapyReadbook097Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()

    src = scrapy.Field()

(3)、pipelines.py文件

python 复制代码

from itemadapter import ItemAdapter


class ScrapyReadbook097Pipeline:

    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')

    def process_item(self, item, spider):
        self.fp.write(str(item))
        return item

    def close_spider(self,spider):
        self.fp.close()

(4)、settings.py文件里打开

复制代码

ITEM_PIPELINES就行

九、日志信息和日志等级

1、日志级别（由高到低）

CRITICAL：严重错误

ERROR：一般错误

WARNING：警告

INFO：一般信息

DEBUG：调试信息

默认的日志等级是DEBUG

注：只要出现了DEBUG或DEBUG以上等级的日志，那么这些日志将会打印。

2、settings.py文件的设置

（1）、LOG_FILE：将日志全部记录到文件中，该文件的后缀是.log

LOG_FILE = 'practice.log'

（2）、LOG_LEVEL：设置日志显示等级(不常用）

LOG_LEVEL = 'WARNING'

十、scrapy的post请求

由于start_urls和parse不能给post请求提供参数，故start_urls和parse都注释掉。

（1）、重新定义一个方法叫start_requests

python 复制代码

    def start_requests(self):
        url = 'https://fanyi.baidu.com/sug'

        data = {
            'kw':'spider'
        }

        yield scrapy.FormRequest(url=url,formdata=data,callback=self.parse_second)

以及一个parse_second方法

python 复制代码

   def parse_second(self,response):

#python 3.10 版本，json。loads里不能用enconding='utf-8'
        content = response.text
        obj = json.loads(content.encode('utf-8'))

        print(obj)

（2）、start_requests的返回值

scrapy.FormRequest(url = url, headers = headers,callback = self.parse_second,formdata = data)

url :要发送的post地址

headers ：头文件

callback：回调函数

formdata：post所携带的数据，是字典类型

十一、代理

1、到settings.py中，取消

DOWNLOADER_MIDDLEWARES = {

'postproject.middleware.Proxy':543

}

的注释。

2、到middlewares.py中写代码

def process_request(self,request,spider):

request.meta['proxy'] = 'https://111.11.111.11:1111'

return None