标签：name 框架 self item scrapy article desc

scrapy框架

scrapy介绍

scrapy是爬虫的一个框架，其重要程度相当于python中的django

scrapy把爬虫所用的东西都封装好了，使用的时候只需在固定的位置写固定的代码即可

scrapy介绍

Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据或者通用的网络爬虫

scrapy的安装

• mac，linux：

  pip3 install scrapy

• win：看人品

  pip3 install scrapy

  安装出现问题的解决办法

  1、pip3 install wheel #安装后，便支持通过wheel文件安装软件   xx.whl
  3、pip3 install lxml
  4、pip3 install pyopenssl
  5、下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/
  6、下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
  7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
  8、pip3 install scrapy
  

scrapy创建项目

1.释放出scrapy 可执行文件
以后使用这个创建爬虫项目 ---》django-admin创建django项目
2.创建爬虫项目
scrapy startproject myfirstscrapy
3.创建爬虫 [django创建app]
scrapy genspider cnblogs www.cnblogs.com
4.启动爬虫 	
scrapy crawl cnblogs --nolog
5.pycharm中运行
新建run.py
from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'cnblogs','--nolog'])

scrapy框架中items.py

items 主要目标是非结构化来源（通常指网页）提取结构化数据
scrapy爬虫可以将提取出的数据作为python语句返回
定义公共输出数据格式，Scrapy提供Item类。 
Item对象是用于收集所抓取的数据的简单容器。它们提供了一个类似字典的 API，具有用于声明其可用字段的方便的语法。

scrapy架构介绍

• 引擎(ENGINE)

  ​ 引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。

• 调度器(SCHEDULER)

  ​ 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. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

• 下载器(DOWLOADER)

  ​ 用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的

• 爬虫(SPIDERS)--->在这里写代码

  ​ SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求

• 项目管道(ITEM PIPLINES)

  ​ 在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作

• 下载器中间件(Downloader Middlewares)

  ​ 位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，你可用该中间件做以下几件事：设置请求头，设置cookie，使用代理，集成selenium

• 爬虫中间件(Spider Middlewares)

  ​ 位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）

scrapy解析数据

response对象有css方法和xpath方法

• css中写css选择器

  1.css取文本
  'a.link-title::text'
  2.css取属性
  'img.image-scale::attr(src)'
  

• xpath中写xpath选择

  1.xpath取文本内容
  './/a[contains(@class,"link-title")]/text()'
  2.xpath取属性
  './/a[contains(@class,"link-title")]/@href'
  

• 取一个和取所有

  1.取一个
  .extract_first()
  
  2.取所有
  .extract()
  

爬取博客园解析数据

对于start_urls里的起始爬取页面，它是不会过滤的，allowed_domains的作用是过滤首页之后的页面-----待验证

• 方式1-使用bs4(不用了)

class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    
    start_urls = ['http://www.cnblogs.com/']

    def parse(self, response):
        # response类似于requests模块的response对象
        print(response.text)
        # 返回的数据，解析数据：
        # 方式一：使用bs4(不用了)
        soup=BeautifulSoup(response.text,'lxml')
        article_list=soup.find_all(class_='post-item')
        for article in article_list:
            title_name=article.find(name='a',class_='post-item-title').text
            print(title_name)

• 方式2-scrapy自带的解析css

  class CnblogsSpider(scrapy.Spider):
      name = 'cnblogs'
      allowed_domains = ['www.cnblogs.com']
      start_urls = ['http://www.cnblogs.com/']
  
      def parse(self, response):
          # css解析
          article_list = response.css('article.post-item')
          for article in article_list:
              title_name = article.css('section>div>a::text').extract_first()
              author_img = article.css('p.post-item-summary>a>img::attr(src)').extract_first()
              desc_list = article.css('p.post-item-summary::text').extract()
              desc = desc_list[0].replace('\n', '').replace(' ', '')
              if not desc:
                  desc = desc_list[1].replace('\n', '').replace(' ', '')
  
              author_name = article.css('section>footer>a>span::text').extract_first()
              article_date = article.css('section>footer>span>span::text').extract_first()
              # 文章详情内容，因为在下一页，先不着急
              print('''
              文章标题：%s
              作者头像：%s
              摘要：%s
              作者名字：%s
              发布日期：%s
              ''' % (title_name, author_img, desc, author_name, article_date))
          
  

• 方式3-scrapy自带的解析xpath选择器

  class CnblogsSpider(scrapy.Spider):
      name = 'cnblogs'
      allowed_domains = ['www.cnblogs.com']
      start_urls = ['http://www.cnblogs.com/']
  
      def parse(self, response):
          #xpath选择器
          article_list = response.xpath('//article[contains(@class,"post-item")]')
          for article in article_list:
              title_name = article.xpath('./section/div/a/text()').extract_first()
              author_img = article.xpath('./section/div/p//img/@src').extract_first()
              desc_list = article.xpath('./section/div/p/text()').extract()
              desc = desc_list[0].replace('\n', '').replace(' ', '')
              if not desc:
                  desc = desc_list[1].replace('\n', '').replace(' ', '')
  
              author_name = article.xpath('./section/footer/a/span/text()').extract_first()
              article_date = article.xpath('./section/footer/span/span/text()').extract_first()
              # 文章详情内容，因为在下一页，先不着急
              print('''
              文章标题：%s
              作者头像：%s
              摘要：%s
              作者名字：%s
              发布日期：%s
              ''' % (title_name,author_img,desc,author_name,article_date))
  
  

settings相关配置，提高爬取效率

settings相关配置

#1  是否遵循爬虫协议
ROBOTSTXT_OBEY = False
#2 LOG_LEVEL 日志级别
LOG_LEVEL='ERROR'  # 报错如果不打印日志，在控制台看不到错误

# 3 USER_AGENT
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36'

# 4 DEFAULT_REQUEST_HEADERS 默认请求头
DEFAULT_REQUEST_HEADERS = {
   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
   'Accept-Language': 'en',
}

# 5 SPIDER_MIDDLEWARES 爬虫中间件
SPIDER_MIDDLEWARES = {
    'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
}
# 6 DOWNLOADER_MIDDLEWARES  下载中间件
DOWNLOADER_MIDDLEWARES = {
    'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
}

# 7 ITEM_PIPELINES 持久化配置
ITEM_PIPELINES = {
    'cnblogs.pipelines.CnblogsPipeline': 300,
}


#8 爬虫项目名字
BOT_NAME = 'myfirstscrapy'

#9 指定爬虫类的py文件的位置
SPIDER_MODULES = ['myfirstscrapy.spiders']
NEWSPIDER_MODULE = 'myfirstscrapy.spiders'

增加爬虫的爬取效率

#1 增加并发：默认16
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改
CONCURRENT_REQUESTS = 100
值为100,并发设置成了为100。
#2 降低日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：
LOG_LEVEL = 'INFO'
# 3 禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：
COOKIES_ENABLED = False
# 4 禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：
RETRY_ENABLED = False
# 5 减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：
DOWNLOAD_TIMEOUT = 10 超时时间为10s

持久化方案

保存到硬盘上---》持久化

方案一（不推荐使用）

解析函数中parse，要return [{},{},{}]
scrapy crawl cnblogs -o 文件名(json,pickle,csv结尾)

方案二

使用pipline 常用的，管道形式，可以同时存到多个位置的

1 在items.py中写一个类[相当于写django的表模型]，继承scrapy.Item

2 在类中写属性，写字段，所有字段都是scrapy.Field类型
title = scrapy.Field()

3 在爬虫中导入类，实例化得到对象，把要保存的数据放到对象中
item['title'] = title   【不要使用. 放】
解析类中 yield item

4 修改配置文件，指定pipline，数字表示优先级，越小越大
ITEM_PIPELINES = {
    'crawl_cnblogs.pipelines.CrawlCnblogsPipeline': 300,
}

5 写一个pipline：CrawlCnblogsPipeline
open_spider:数据初始化，打开文件，打开数据库链接
    process_item：真正存储的地方
    一定不要忘了return item，交给后续的pipline继续使用
    close_spider：销毁资源，关闭文件，关闭数据库链接

根据持久化方案二，全站爬取文章

在items.py中写一个类[相当于写django的表模型]，继承scrapy.Item

import scrapy

class CnblogsItem(scrapy.Item):
    title_name = scrapy.Field()
    author_img = scrapy.Field()
    desc = scrapy.Field()
    author_name = scrapy.Field()
    article_date = scrapy.Field()
    url = scrapy.Field()
    article_content = scrapy.Field()  # 文章详情，目前没有，先放在这

在'cnblogs.py'爬虫中导入类，实例化得到对象，把要保存的数据放到对象中

class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']
    
    
    def parse(self, response):
        # item = CnblogsItem()  # 外面定义，会有问题
        article_list = response.xpath('//article[contains(@class,"post-item")]')
        for article in article_list:
            item = CnblogsItem()  # 定义在for内部，每次都是一个新对象
            title_name = article.xpath('./section/div/a/text()').extract_first()
            author_img = article.xpath('./section/div/p//img/@src').extract_first()
            desc_list = article.xpath('./section/div/p/text()').extract()
            desc = desc_list[0].replace('\n', '').replace(' ', '')
            if not desc:
                desc = desc_list[1].replace('\n', '').replace(' ', '')
            author_name = article.xpath('./section/footer/a/span/text()').extract_first()
            article_date = article.xpath('./section/footer/span/span/text()').extract_first()
            url = article.xpath('./section/div/a/@href').extract_first()
            # 文章详情内容，因为在下一页，先不着急
            item['title_name'] = title_name
            item['author_img'] = author_img
            item['desc'] = desc
            item['author_name'] = author_name
            item['article_date'] = article_date
            item['url'] = url
            # print(url)
            # 现在不存了，因为数据不全，等全了以后再存，继续爬取，就要创建Request对象
            # 详情页面，使用self.detail_parse解析
            yield Request(url=url, callback=self.detail_parse,meta={'item':item})

修改配置文件settings.py，指定pipline，数字表示优先级，越小越大

ITEM_PIPELINES = {
   'myfirstscrapy.pipelines.CnblogsFilesPipeline': 300,
   'myfirstscrapy.pipelines.MyfirstscrapyPipeline': 300,
}

在pipelines.py中写一个pipline：CnblogsPipeline

import pymysql


class CnblogsMysqlPipeline:
    def open_spider(self, spider):
        # 打开数据库链接
        self.conn = pymysql.connect(
            user='root',
            password="123",
            host='127.0.0.1',
            database='cnblogs',
            port=3306,
            autocommit=True)
        self.cursor = self.conn.cursor()

    def process_item(self, item, spider):
        self.cursor.execute(
            'insert into article (title_name,author_img,`desc`,author_name,article_date,url,article_content) values (%s,%s,%s,%s,%s,%s,%s)',
            args=[item['title_name'], item['author_img'], item['desc'], item['author_name'], item['article_date'],
                  item['url'], item['article_content']])

        # self.conn.commit() # 提交
        return item

    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()


# 关闭数据库链接


class CnblogsFilesPipeline:
    def open_spider(self, spider):
        # 是爬虫对象，cnblogs这个爬虫对象
        self.f = open('cnblogs.txt', 'at', encoding='utf-8')

    def process_item(self, item, spider):
        # 在这里，要真正的存数据，每个item，都会走一次
        # print(item)
        # # 存文件,不用这种方式做，最好，爬虫启动，把文件打开，爬虫结束，文件关闭
        # with open('cnblogs.txt','at',encoding='utf-8') as f:
        #     f.write('文章标题：%s,文章作者：%s\n'%(item['title_name'],item['author_name']))
        # return item

        self.f.write('文章标题：%s,文章作者：%s\n' % (item['title_name'], item['author_name']))
        return item

    def close_spider(self, spider):
        # 是爬虫对象，cnblogs这个爬虫对象
        # print(spider.start_urls)
        print('我关了')
        self.f.close()

全站爬取cnblogs文章

全站爬取，以上只是爬取了第一页的数据，而后面还有下一页

1.接下来就是继续爬取下一页，解析出下一页的地址包装成request对象

2.继续爬取详情页：解析出详情页地址，包装成request对象

request和response对象传递参数

Request创建：在parse中，for循环中，创建Request对象时，传入meta
	yield Request(url=url, callback=self.detail_parse,meta={'item':item})
    
Response对象：detail_parse中，通过response取出meta取出item，把文章详情写入
	yield item

解析下一页并继续爬取

import scrapy
from bs4 import BeautifulSoup
from myfirstscrapy.items import CnblogsItem
from scrapy import Request


# from scrapy.http.request import Request
class CnblogsSpider(scrapy.Spider):
    name = 'cnblogs'
    allowed_domains = ['www.cnblogs.com']
    start_urls = ['http://www.cnblogs.com/']

    def parse(self, response):
        # item = CnblogsItem()  # 外面定义，会有问题
        article_list = response.xpath('//article[contains(@class,"post-item")]')
        for article in article_list:
            item = CnblogsItem()  # 定义在for内部，每次都是一个新对象
            title_name = article.xpath('./section/div/a/text()').extract_first()
            author_img = article.xpath('./section/div/p//img/@src').extract_first()
            desc_list = article.xpath('./section/div/p/text()').extract()
            desc = desc_list[0].replace('\n', '').replace(' ', '')
            if not desc:
                desc = desc_list[1].replace('\n', '').replace(' ', '')
            author_name = article.xpath('./section/footer/a/span/text()').extract_first()
            article_date = article.xpath('./section/footer/span/span/text()').extract_first()
            url = article.xpath('./section/div/a/@href').extract_first()
            # 文章详情内容，因为在下一页，先不着急
            item['title_name'] = title_name
            item['author_img'] = author_img
            item['desc'] = desc
            item['author_name'] = author_name
            item['article_date'] = article_date
            item['url'] = url
            # print(url)
            # 现在不存了，因为数据不全，等全了以后再存，继续爬取，就要创建Request对象
            # 详情页面，使用self.detail_parse解析
            yield Request(url=url, callback=self.detail_parse,meta={'item':item})

        # 解析出下一页地址
        # css
        next_url = 'https://www.cnblogs.com' + response.css('div.pager>a:last-child::attr(href)').extract_first()
        print(next_url)
        yield Request(url=next_url, callback=self.parse)

    def detail_parse(self, response):
        # print(len(response.text))
        item=response.meta.get('item')
        # 解析详情
        article_content=response.css('div.post').extract_first()
        # print(article_content)
        # print('===================')
        # 把详情，写入当前meta中得item中
        item['article_content']=str(article_content)
        yield item

爬虫和下载中间件

scrapy的所有中间件都写在middlewares.py中，跟djagno非常像，做一些拦截

爬虫中间件（用的很少，了解即可）

MyfirstscrapySpiderMiddleware
        def process_spider_input(self, response, spider): # 进入爬虫会执行它
        def process_spider_output(self, response, result, spider): #从爬虫出来会执行它
        def process_spider_exception(self, response, exception, spider):#出了异常会执行
        def process_start_requests(self, start_requests, spider):#第一次爬取执行
        def spider_opened(self, spider): #爬虫开启执行
# 下载中间件
	MyfirstscrapyDownloaderMiddleware
        def process_request(self, request, spider): # request对象从引擎进入到下载器会执行
    	def process_response(self, request, response, spider):# response对象从下载器进入到引擎会执行
    	def process_exception(self, request, exception, spider):#出异常执行它
    	def spider_opened(self, spider): #爬虫开启执行它
            
            
        #重点：process_request，process_response

下载中间件的process_request

-返回值：
return None: 继续执行下面的中间件的process_request
return a Response object： 不进入下载中间件了，直接返回给引擎，引擎把它通过6给爬虫
return a Request object：不进入中间件了，直接返回给引擎，引擎把它放到调度器中
raise IgnoreRequest: process_exception() 抛异常，会执行process_exception

下载中间件的process_response

返回值：
return a Response object：正常，会进入到引擎，引擎把它给爬虫
return a Request object： 会进入到引擎，引擎把它放到调度器中，等待下次爬取
raise IgnoreRequest     会执行process_exception

标签：name,框架,self,item,scrapy,article,desc
From： https://www.cnblogs.com/nirvana001/p/16964651.html