Python爬虫技术 第25节 爬虫框架Scrapy

admin 管理员组

文章数量: 887021

Scrapy架构

Scrapy 是一个用于 Python 的高级 Web 爬取框架，它被设计用来爬取网站并从页面中提取结构化的数据。Scrapy 的核心是一个异步处理引擎，基于 Twisted 这个事件驱动网络引擎构建而成。

主要组件

• Scrapy Engine（Scrapy 引擎）：

  • 负责处理所有的数据流，发送请求、返回响应以及调度数据到各个组件。

• Scheduler（调度器）：

  • 排队待处理的请求，并根据优先级将它们发送给引擎。

• Downloader（下载器）：

  • 负责处理所有实际的 HTTP 请求和响应。

• Spider（爬虫）：

  • 解析响应数据，提取数据（抓取项目），以及生成新的请求。

• Item Pipeline（项目管道）：

  • 处理爬取的数据，例如清洗、验证、存储等。

• Middleware（中间件）：

  • 处理 Scrapy 组件之间的钩子，允许用户修改或扩展 Scrapy 的行为。

创建项目和爬虫

创建项目

1. 打开命令行工具。
2. 使用 scrapy startproject <project_name> 命令创建一个新的 Scrapy 项目。
3. 进入项目目录：cd <project_name>。

创建爬虫

1. 在项目目录下运行 scrapy genspider <name> <domain> 命令来创建一个爬虫。
   • <name> 是爬虫的名字。
   • <domain> 是你想要爬取的网站域名。
2. 编辑 spiders/<name>.py 文件来定义爬虫的行为。
3. 定义 start_requests 方法以启动爬虫。
4. 实现 parse 方法来解析响应并提取数据。

数据管道和中间件

数据管道 (Item Pipeline)

数据管道是用来处理爬虫提取的 Item 对象的一系列组件。你可以定义多个管道来处理数据，比如清理数据、验证数据、存储数据等。

1. 在 settings.py 中启用管道。
2. 定义一个类继承自 scrapy.pipelines.ItemPipeline。
3. 实现 process_item 方法，该方法接收 Item 和 Spider 并返回 Item 或抛出异常。

中间件 (Middleware)

中间件允许用户拦截 HTTP 请求和响应，可以用来处理各种需求，如添加 HTTP 头、处理 cookies、设置代理等。

• Downloader Middlewares：

  • 这些中间件位于下载器与 Scrapy 引擎之间，可以修改请求和响应。
  • 需要在 settings.py 中配置中间件列表 DOWNLOADER_MIDDLEWARES。

• Spider Middlewares：

  • 这些中间件位于爬虫与 Scrapy 引擎之间，可以过滤响应和提取的 Item。
  • 配置在 settings.py 中通过 SPIDER_MIDDLEWARES 字典。

这些是 Scrapy 框架的核心概念和使用方法。你可以根据具体需求进行定制和扩展。如果你需要更详细的代码示例或者有其他具体问题，请告诉我！

下面我将展示如何创建一个简单的 Scrapy 项目，并编写一个爬虫来抓取一个网站上的数据。同时，我会介绍如何定义数据管道和中间件。

首先，确保你已经安装了 Scrapy。如果还没有安装，可以通过 pip 安装 Scrapy：

pip install scrapy

然后，按照以下步骤创建项目和爬虫：

创建 Scrapy 项目

打开终端或命令提示符，执行以下命令来创建一个新的 Scrapy 项目：

scrapy startproject myproject
cd myproject

这将在当前目录下创建一个名为 myproject 的文件夹，其中包含了项目的基本结构。

创建爬虫

接下来，我们将创建一个爬虫来抓取一个假设的博客站点 example 上的文章标题和链接。

在项目目录中，执行以下命令创建爬虫：

scrapy genspider example example

这将创建一个名为 example.py 的文件在 myproject/spiders 目录下。打开这个文件并编辑它：

# myproject/spiders/example.py

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example']
    start_urls = ['http://example']

    def parse(self, response):
        # 提取文章标题和链接
        for article in response.css('div.article'):
            yield {
                'title': article.css('h2.title::text').get(),
                'link': article.css('a::attr(href)').get(),
            }

        # 提取下一页的链接
        next_page = response.css('div.pagination a.next::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

定义数据管道

为了保存爬取到的数据，我们需要定义一个数据管道。在 myproject/pipelines.py 文件中定义一个简单的数据管道：

# myproject/pipelines.py

import json

class MyprojectPipeline:
    def open_spider(self, spider):
        self.file = open('items.json', 'w')

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

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item

接下来，在 settings.py 文件中激活这个管道：

# myproject/settings.py

ITEM_PIPELINES = {
    'myproject.pipelines.MyprojectPipeline': 300,
}

定义中间件

我们可以定义一个中间件来处理请求头。在 myproject/middlewares.py 文件中定义一个简单的中间件：

# myproject/middlewares.py

class CustomUserAgentMiddleware:
    def process_request(self, request, spider):
        request.headers['User-Agent'] = 'MyCustomUserAgent'

然后在 settings.py 中激活这个中间件：

# myproject/settings.py

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.CustomUserAgentMiddleware': 543,
}

运行爬虫

现在，我们可以通过以下命令来运行爬虫：

scrapy crawl example

这将开始爬取 example 网站，并将数据保存到 items.json 文件中。

以上就是创建一个简单的 Scrapy 项目、爬虫、数据管道和中间件的基本过程。你可以根据需要对这些代码进行修改和扩展。如果有任何疑问或需要进一步的帮助，请随时告诉我！

让我们继续扩展代码，以便更好地理解 Scrapy 的工作原理。我们将添加错误处理、日志记录、更复杂的管道功能以及更多的中间件功能。

错误处理

在爬虫中，我们应该处理可能发生的错误，比如网页找不到的情况。我们可以为 parse 方法添加异常处理逻辑：

# myproject/spiders/example.py

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example']
    start_urls = ['http://example']

    def parse(self, response):
        if response.status != 200:
            self.logger.error(f"Failed to load page {response.url}, status code: {response.status}")
            return
        
        # 提取文章标题和链接
        for article in response.css('div.article'):
            yield {
                'title': article.css('h2.title::text').get(),
                'link': article.css('a::attr(href)').get(),
            }

        # 提取下一页的链接
        next_page = response.css('div.pagination a.next::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

更复杂的管道

让我们在管道中增加一些额外的功能，比如检查是否有重复的项，并且添加一些基本的日志记录。

# myproject/pipelines.py

import json
import logging

class MyprojectPipeline:
    def __init__(self):
        self.seen_urls = set()
        self.file = None

    def open_spider(self, spider):
        self.file = open('items.json', 'w')

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

    def process_item(self, item, spider):
        url = item.get('link')
        if url and url not in self.seen_urls:
            self.seen_urls.add(url)
            line = json.dumps(dict(item)) + "\n"
            self.file.write(line)
            logging.info(f"Processed item: {item}")
            return item
        else:
            logging.warning(f"Duplicated link found: {url}")
            return item

更多的中间件功能

我们可以在中间件中添加一些额外的功能，比如随机选择 User-Agent 或者处理重试机制。

# myproject/middlewares.py

from scrapy import signals
import random

class CustomUserAgentMiddleware:
    USER_AGENTS = [
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36",
        "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:90.0) Gecko/20100101 Firefox/90.0",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.15; rv:90.0) Gecko/20100101 Firefox/90.0",
    ]

    def process_request(self, request, spider):
        request.headers['User-Agent'] = random.choice(self.USER_AGENTS)

    def process_response(self, request, response, spider):
        if response.status == 404:
            self.logger.error(f"Received 404 for URL: {request.url}")
            # 可以在此处实现重试机制
            return request
        return response

    @classmethod
    def from_crawler(cls, crawler):
        # This method is used by Scrapy to create your spiders.
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

运行爬虫

最后，再次运行爬虫以测试新添加的功能：

scrapy crawl example

这些更改增加了错误处理、日志记录、去重功能和更复杂的中间件功能。这应该能够帮助你更好地理解和应用 Scrapy 的各个组件。如果你还有其他具体的需求或者想了解更多的细节，请告诉我！

本文标签： 爬虫 框架 技术 python scrapy