scrapy数据建模与请求
学习目标：
- 应用 在scrapy项目中进行建模
- 应用 构造Request对象，并发送请求
- 应用 利用meta参数在不同的解析函数中传递数据
1. 数据建模
通常在做项目的过程中，在items.py中进行数据建模
1.1 为什么建模
- 定义item即提前规划好哪些字段需要抓，防止手误，因为定义好之后，在运行过程中，系统会自动检查
- 配合注释一起可以清晰的知道要抓取哪些字段，没有定义的字段不能抓取，在目标字段少的时候可以使用字典代替
- 使用scrapy的一些特定组件需要Item做支持，如scrapy的ImagesPipeline管道类，百度搜索了解更多
1.2 如何建模
在items.py文件中定义要提取的字段：
class MyspiderItem(scrapy.Item):
name = scrapy.Field() # 讲师的名字
title = scrapy.Field() # 讲师的职称
desc = scrapy.Field() # 讲师的介绍
1.3 如何使用模板类
模板类定义以后需要在爬虫中导入并且实例化，之后的使用方法和使用字典相同
job.py：
from myspider.items import MyspiderItem # 导入Item，注意路径
...
def parse(self, response)
item = MyspiderItem() # 实例化后可直接使用
item['name'] = node.xpath('./h3/text()').extract_first()
item['title'] = node.xpath('./h4/text()').extract_first()
item['desc'] = node.xpath('./p/text()').extract_first()
print(item)
注意：
- from myspider.items import MyspiderItem这一行代码中 注意item的正确导入路径，忽略pycharm标记的错误
- python中的导入路径要诀：从哪里开始运行，就从哪里开始导入
1.4 开发流程总结
- 创建项目
scrapy startproject 项目名
- 明确目标
在items.py文件中进行建模
3. 创建爬虫
3.1 创建爬虫
scrapy genspider 爬虫名 允许的域
3.2 完成爬虫
修改start_urls
检查修改allowed_domains
编写解析方法
4. 保存数据
在pipelines.py文件中定义对数据处理的管道
在settings.py文件中注册启用管道
2. 翻页请求的思路
对于要提取如下图中所有页面上的数据该怎么办？
回顾requests模块是如何实现翻页请求的：
- 找到下一页的URL地址
- 调用requests.get(url)
scrapy实现翻页的思路：
- 找到下一页的url地址
- 构造url地址的请求对象，传递给引擎
3. 构造Request对象，并发送请求
3.1 实现方法
- 确定url地址
- 构造请求，scrapy.Request(url,callback)
- callback：指定解析函数名称，表示该请求返回的响应使用哪一个函数进行解析
- 把请求交给引擎：yield scrapy.Request(url,callback)
3.2 网易招聘爬虫
通过爬取网易招聘的页面的招聘信息,学习如何实现翻页请求
思路分析：
- 获取首页的数据
- 寻找下一页的地址，进行翻页，获取数据
注意：
- 可以在settings中设置ROBOTS协议
# False表示忽略网站的robots.txt协议，默认为True
ROBOTSTXT_OBEY = False
- 可以在settings中设置User-Agent：
# scrapy发送的每一个请求的默认UA都是设置的这个User-Agent
USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'
3.3 代码实现
修改item文件,建立信息模型：
class WangYiHrItem(scrapy.Item):
name = scrapy.Field() # 名称
link = scrapy.Field() # 详情
depart = scrapy.Field() # 部门
category = scrapy.Field() # 职位
work_type = scrapy.Field() # 工作性质
address = scrapy.Field() # 工作地址
num = scrapy.Field() # 招聘人数
date = scrapy.Field() # 发布时间
在爬虫文件的parse方法中：
......
node_list = response.xpath('//*[@class="position-tb"]/tbody/tr')
# 遍历节点列表
for num, node in enumerate(node_list):
# 设置过滤条件，将目标节点取出来
if num % 2 == 0:
# 实例化时itemm模型
item = WangYiHrItem()
item['name'] = node.xpath('./td[1]/a/text()')[0].extract()
item['link'] = response.urljoin(node.xpath('./td[1]/a/@href')[0].extract())
item['depart'] = node.xpath('./td[2]/text()').extract_first()
item['category'] = node.xpath('./td[3]/text()').extract_first()
item['work_type'] = node.xpath('./td[4]/text()').extract_first()
item['address'] = node.xpath('./td[5]/text()').extract_first()
item['num'] = node.xpath('./td[6]/text()').extract_first().strip()
item['date'] = node.xpath('./td[7]/text()').extract_first()
yield item
# 提取下一页的href
next_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()
# 判断是否是最后一页
if next_url != 'javascript:void(0)':
# 构造完整url
url = 'https://hr.163.com/position/list.do' + next_url
# 构造scrapy.Request对象，并yield给引擎
# 利用callback参数指定该Request对象之后获取的响应用哪个函数进行解析
yield scrapy.Request(url, callback=self.parse)
......
3.4 scrapy.Request的更多参数
scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])
参数解释
- 中括号里的参数为可选参数
- callback：表示当前的url的响应交给哪个函数去处理
- meta：实现数据在不同的解析函数中传递，meta默认带有部分数据，比如下载延迟，请求深度等
- dont_filter:默认为False，会过滤请求的url地址，即请求过的url地址不会继续被请求，对需要重复请求的url地址可以把它设置为Ture，比如贴吧的翻页请求，页面的数据总是在变化;start_urls中的地址会被反复请求，否则程序不会启动
- method：指定POST或GET请求
- headers：接收一个字典，其中不包括cookies
- cookies：接收一个字典，专门放置cookies
- body：接收json字符串，为POST的数据，发送payload_post请求时使用（在下一章节中会介绍post请求）
4. meta参数的使用
meta的作用：meta可以实现数据在不同的解析函数中的传递
在爬虫文件的parse方法中，提取详情页增加之前callback指定的parse_detail函数：
def parse(self,response):
...
yield scrapy.Request(detail_url, callback=self.parse_detail,meta={"item":item})
...
def parse_detail(self,response):
#获取之前传入的item
item = resposne.meta["item"]
特别注意
- meta参数是一个字典
- meta字典中有一个固定的键
proxy，表示代理ip，关于代理ip的使用我们将在scrapy的下载中间件的学习中进行介绍
小结
- 完善并使用Item数据类：
- 在items.py中完善要爬取的字段
- 在爬虫文件中先导入Item
- 实力化Item对象后，像字典一样直接使用
- 构造Request对象，并发送请求：
- 导入scrapy.Request类
- 在解析函数中提取url
- yield scrapy.Request(url, callback=self.parse_detail, meta={})
- 利用meta参数在不同的解析函数中传递数据:
- 通过前一个解析函数 yield scrapy.Request(url, callback=self.xxx, meta={}) 来传递meta
- 在self.xxx函数中 response.meta.get('key', '') 或 response.meta['key'] 的方式取出传递的数据
参考代码
wangyi/spiders/wangyihr.py
import scrapy
from myspider.items import WangYiHrItem
class WangyihrSpider(scrapy.Spider):
name = 'wangyihr'
allowed_domains = ['hr.163.com']
start_urls = ['https://hr.163.com/position/list.do']
def parse(self, response):
node_list = response.xpath('//*[@class="position-tb"]/tbody/tr')
# 遍历节点列表
for num, node in enumerate(node_list):
# 设置过滤条件，将目标节点取出来
if num % 2 == 0:
# 实例化时itemm模型
item = WangYiHrItem()
item['name'] = node.xpath('./td[1]/a/text()')[0].extract()
item['link'] = response.urljoin(node.xpath('./td[1]/a/@href')[0].extract())
item['depart'] = node.xpath('./td[2]/text()').extract_first()
item['category'] = node.xpath('./td[3]/text()').extract_first()
item['work_type'] = node.xpath('./td[4]/text()').extract_first()
item['address'] = node.xpath('./td[5]/text()').extract_first()
item['num'] = node.xpath('./td[6]/text()').extract_first().strip()
item['date'] = node.xpath('./td[7]/text()').extract_first()
yield item
# 提取下一页的URL
next_url = response.xpath('//a[contains(text(),">")]/@href').extract_first()
# 判断是否是最后一页
if next_url != 'javascript:void(0)':
# 构造完整url
url = response.urljoin(next_url)
# 构造scrapy.Request对象，并yield给引擎
# 利用callback参数指定该Request对象之后获取的响应用哪个函数进行解析
yield scrapy.Request(url, callback=self.parse)
wangyi/items.py
import scrapy
class WangYiHrItem(scrapy.Item):
name = scrapy.Field() # 名称
link = scrapy.Field() # 详情
depart = scrapy.Field() # 部门
category = scrapy.Field() # 职位
work_type = scrapy.Field() # 工作性质
address = scrapy.Field() # 工作地址
num = scrapy.Field() # 招聘人数
date = scrapy.Field() # 发布时间