scrapy框架真的是很强大。非常值得学习一下。本身py就追求简洁，所以本身代码量很少却能写出很强大的功能。对比java来说。不过py的语法有些操蛋，比如没有智能提示。动态语言的通病。我也刚学习不到1周时间。记录一下。全部干货。
首先安装scrapy框架。选择的ide是pycharm。
创建一个scrapy项目。项目名称xxoo
scrapy startproject xxoo
会得到一个项目目录。具体目录的作用自己百度下。然后再用一条命令创建一个爬虫类。就是一个模板。帮我们创建好的类。我们只需要写逻辑就行。程序员的天性就是懒！！！
意思是创建了一个xxooSpider的类 这个类只爬取baidu.com这个网站
scrapy genspider [-t template] <name> <domain> 即：scrapy genspider xxooSpider baidu.com
在pycharm中调试项目。
需要特殊配置下。
在根目录下创建一个start.py的文件。 -o itcast1.csv 是输出到csv文件中。可以不加
from scrapy import cmdline cmdline.execute("scrapy crawl xxooSpider --nolog -o itcast1.csv".split())
就ok了。
使用豆瓣镜像源下载
pip install -i https://pypi.doubanio.com/simple/ scrapy-splash
获取setting.py中的值
from scrapy.conf import settings cookie = settings['COOKIE']
获取图片的url地址
大牛通常使用这个方法。原因是，我们一般情况下也可以直接得到src属性的值。但是，有时候src属性的值没有带网址前缀，比如说是/img/1.png这样。我们需要手动加上http://www.baidu.com才可以。用下面这个方法。可以很简单的解决这个问题。
from urllib import parse url="http://www.baidu.com/xx" xx="/pic/1/1.png" urljoin = parse.urljoin(url, xx) print(urljoin)
http://www.baidu.com/pic/1/1.png
下载图片
scrapy给我们提供好了图片下载的模板。我们只需要在setting中指定一下管道中间件，和需要下载的字段。需要下载的字段值一定是数组类型，不然报错
ITEM_PIPELINES = { 'xxoo.pipelines.XxooPipeline': 300, 'scrapy.pipelines.images.ImagesPipeline': 1, } #在item中定义图片url的字段，ImagesPipeline会自动下载这个url地址 IMAGES_URLS_FIELD="image" #存放的路径,根目录下的img文件夹 IMAGES_STORE=os.path.join(os.path.abspath(os.path.dirname(__file__)),"img")
但是按照上面的写的话，全部都是由scrapy帮我们做了，自己生成文件夹，文件名。非常不可控。如果我们想自定义的话。我们需要继承ImagesPipeline类，重写几个方法
from scrapy.pipelines.images import ImagesPipeline import re from scrapy import Request class ImagesrenamePipeline(ImagesPipeline): # 1看源码可以知道，这个方法只是遍历出我们指定的图片字段，是个数组，然后一个一个请求 def get_media_requests(self, item, info): # 循环每一张图片地址下载，若传过来的不是集合则无需循环直接yield for image_url in item['imgurl']: # meta里面的数据是从spider获取，然后通过meta传递给下面方法：file_path yield Request(image_url,meta={'name':item['imgname']}) # 2重命名，若不重写这函数，图片名为哈希，就是一串乱七八糟的名字 def file_path(self, request, response=None, info=None): # 提取url前面名称作为图片名。 image_guid = request.url.split('/')[-1] # 接收上面meta传递过来的图片名称 name = request.meta['name'] # 过滤windows字符串，不经过这么一个步骤，你会发现有乱码或无法下载 name = re.sub(r'[？\*|“<>:/]', '', name) # 分文件夹存储的关键：{0}对应着name；{1}对应着image_guid filename = u'{0}/{1}'.format(name, image_guid) return filename #3这个是请求完成之后走的方法，我们可以得到请求的url和存放的地址 def item_completed(self, results, item, info): pass
保存item到json文件
自定义的
import codecs import json class jsonwrite(object): # 初始化，打开文件 def __init__(self): self.file = codecs.open("xxoo.json", "w",encoding="utf-8") # scrapy会走这个方法进行item的写入 def process_item(self,item,spider): self.file.write(json.dumps(dict(item),ensure_ascii=False) + " ") # 通常是关闭文件的操作 def spider_closed(self,spider): self.file.close()
scrapy给我们提供的
from scrapy.exporters import JsonItemExporter class JsonExporterPipleline(object): #调用scrapy提供的json export导出json文件 def __init__(self): self.file = open('articleexport.json', 'wb') self.exporter = JsonItemExporter(self.file, encoding="utf-8", ensure_ascii=False) self.exporter.start_exporting() def close_spider(self, spider): self.exporter.finish_exporting() self.file.close() def process_item(self, item, spider): self.exporter.export_item(item) return item
保存到mysql中（两种方法）
import MySQLdb import MySQLdb.cursors from twisted.enterprise import adbapi class MysqlPipeline(object): #采用同步的机制写入mysql def __init__(self): self.conn = MySQLdb.connect('192.168.0.106', 'root', 'root', 'article_spider', charset="utf8", use_unicode=True) self.cursor = self.conn.cursor() def process_item(self, item, spider): insert_sql = """ insert into jobbole_article(title, url, create_date, fav_nums) VALUES (%s, %s, %s, %s) """ self.cursor.execute(insert_sql, (item["title"], item["url"], item["create_date"], item["fav_nums"])) self.conn.commit() #采用异步数据库连接池的方法 class MysqlTwistedPipline(object): def __init__(self, dbpool): self.dbpool = dbpool @classmethod def from_settings(cls, settings): dbparms = dict( host = settings["MYSQL_HOST"], db = settings["MYSQL_DBNAME"], user = settings["MYSQL_USER"], passwd = settings["MYSQL_PASSWORD"], charset='utf8', cursorclass=MySQLdb.cursors.DictCursor, use_unicode=True, ) dbpool = adbapi.ConnectionPool("MySQLdb", **dbparms) return cls(dbpool) def process_item(self, item, spider): #使用twisted将mysql插入变成异步执行 query = self.dbpool.runInteraction(self.do_insert, item) query.addErrback(self.handle_error, item, spider) #处理异常 def handle_error(self, failure, item, spider): #处理异步插入的异常 print (failure) def do_insert(self, cursor, item): #执行具体的插入 #根据不同的item 构建不同的sql语句并插入到mysql中 insert_sql, params = item.get_insert_sql() cursor.execute(insert_sql, params)
优化item类（重要）
我们可以用xpath或者css解析页面，然后写一些判断逻辑。如果你不嫌麻烦的话。
scrapy给我们提供了一整套的流程。可以让代码变得非常精简。处理item的业务逻辑在item中写。爬虫文件只写item的生成规则。
先看item类
from scrapy.loader import ItemLoader from scrapy.loader.processors import MapCompose, TakeFirst, Join #一个小技巧，可以覆盖默认的规则，就是TakeFirst()把列表转换成字符串，我们这里不让转成字符串，还是数组 def return_value(value): return value #因为通过自带的ItemLoader类生成的item_loader他都是list，所以我们自定义下。默认的处理规则（可以单个字段覆盖），这样就不用每个字段都写重复的代码了 class ArticleItemLoader(ItemLoader): #自定义itemloader default_output_processor = TakeFirst() #自定义的item类。input_processor是指需要处理的业务逻辑，比如一些格式的转换什么的，output_processor可以覆盖默认的规则。 class JobBoleArticleItem(scrapy.Item): title = scrapy.Field() create_date = scrapy.Field( input_processor=MapCompose(date_convert), ) url = scrapy.Field() url_object_id = scrapy.Field() front_image_url = scrapy.Field( output_processor=MapCompose(return_value) ) front_image_path = scrapy.Field() praise_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) comment_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) fav_nums = scrapy.Field( input_processor=MapCompose(get_nums) ) tags = scrapy.Field( input_processor=MapCompose(remove_comment_tags), output_processor=Join(",") ) content = scrapy.Field()
爬虫类
from scrapy.loader import ItemLoader from ArticleSpider.items import JobBoleArticleItem, ArticleItemLoader def parse_detail(self, response): article_item = JobBoleArticleItem() #通过item loader加载item front_image_url = response.meta.get("front_image_url", "") # 文章封面图 item_loader = ArticleItemLoader(item=JobBoleArticleItem(), response=response) item_loader.add_css("title", ".entry-header h1::text") item_loader.add_value("url", response.url) item_loader.add_value("url_object_id", get_md5(response.url)) item_loader.add_css("create_date", "p.entry-meta-hide-on-mobile::text") item_loader.add_value("front_image_url", [front_image_url]) item_loader.add_css("praise_nums", ".vote-post-up h10::text") item_loader.add_css("comment_nums", "a[href='#article-comment'] span::text") item_loader.add_css("fav_nums", ".bookmark-btn::text") item_loader.add_css("tags", "p.entry-meta-hide-on-mobile a::text") item_loader.add_css("content", "div.entry") article_item = item_loader.load_item() yield article_item
获取一个页面的全部url
我们当然可以用xpath得到，但是还不够精简。我们可以使用 linkExtractor 类来得到。非常的简单。
from scrapy.linkextractors import LinkExtractor # 需要搞一个对象实例，然后写一个符合的规则，利用extract_links方法传一个response过去就能得到这个页面匹配的url link = linkExtractor=LinkExtractor(allow=r'http://lab.scrapyd.cn')# link = linkExtractor=LinkExtractor()#allow=r'http://lab.scrapyd.cn/archives/d+.html' links = link.extract_links(response) if links: for link_one in links: print(link_one)
日志的使用
Scrapy提供了log功能，可以通过 logging 模块使用。
可以修改配置文件settings.py，任意位置添加下面两行，效果会清爽很多。
LOG_FILE = "TencentSpider.log" LOG_LEVEL = "INFO"
Log levels Scrapy提供5层logging级别: CRITICAL - 严重错误(critical) ERROR - 一般错误(regular errors) WARNING - 警告信息(warning messages) INFO - 一般信息(informational messages) DEBUG - 调试信息(debugging messages)
logging设置
通过在setting.py中进行以下设置可以被用来配置logging:
LOG_ENABLED 默认: True，启用logging LOG_ENCODING 默认: 'utf-8'，logging使用的编码 LOG_FILE 默认: None，在当前目录里创建logging输出文件的文件名 LOG_LEVEL 默认: 'DEBUG'，log的最低级别 LOG_STDOUT 默认: False 如果为 True，进程所有的标准输出(及错误)将会被重定向到log中。例如，执行 print "hello" ，其将会在Scrapy log中显示。
保存到mongdb数据库
import pymongo from scrapy.conf import settings class DoubanPipeline(object): def __init__(self): host = settings["MONGODB_HOST"] port = settings["MONGODB_PORT"] dbname = settings["MONGODB_DBNAME"] sheetname= settings["MONGODB_SHEETNAME"] # 创建MONGODB数据库链接 client = pymongo.MongoClient(host = host, port = port) # 指定数据库 mydb = client[dbname] # 存放数据的数据库表名 self.sheet = mydb[sheetname] def process_item(self, item, spider): data = dict(item) self.sheet.insert(data) return item
setting文件
# MONGODB 主机名 MONGODB_HOST = "127.0.0.1" # MONGODB 端口号 MONGODB_PORT = 27017 # 数据库名称 MONGODB_DBNAME = "Douban" # 存放数据的表名称 MONGODB_SHEETNAME = "doubanmovies"
下载中间件，随机更换user-Agent和ip
import random import base64 from settings import USER_AGENTS from settings import PROXIES # 随机的User-Agent class RandomUserAgent(object): def process_request(self, request, spider): useragent = random.choice(USER_AGENTS) #print useragent request.headers.setdefault("User-Agent", useragent) class RandomProxy(object): def process_request(self, request, spider): proxy = random.choice(PROXIES) if proxy['user_passwd'] is None: # 没有代理账户验证的代理使用方式 request.meta['proxy'] = "http://" + proxy['ip_port'] else: # 对账户密码进行base64编码转换 base64_userpasswd = base64.b64encode(proxy['user_passwd']) # 对应到代理服务器的信令格式里 request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd request.meta['proxy'] = "http://" + proxy['ip_port']
setting文件
USER_AGENTS = [ 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)', 'Opera/9.27 (Windows NT 5.2; U; zh-cn)', 'Opera/8.0 (Macintosh; PPC Mac OS X; U; en)', 'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0', 'Mozilla/5.0 (Linux; U; Android 4.0.3; zh-cn; M032 Build/IML74K) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30', 'Mozilla/5.0 (Windows; U; Windows NT 5.2) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13' ] PROXIES = [ {"ip_port" :"121.42.140.113:16816", "user_passwd" : "mr_mao_hacker:sffqry9r"}, #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} #{"ip_prot" :"121.42.140.113:16816", "user_passwd" : ""} ]
登陆的三种方法
1，直接找到登陆接口，提供账号密码进行登陆，也是最简单的。
2，有时候需要从登录页找到隐藏的值，然后提交到后台，比如知乎就需要在登录页得到_xsrf，
3，最麻烦的一种，对方各种加密验证，我们可以采用cookie进行登陆。
分别写三个代码参考下：
1.简单
# -*- coding: utf-8 -*- import scrapy # 只要是需要提供post数据的，就可以用这种方法， # 下面示例：post数据是账户密码 class Renren1Spider(scrapy.Spider): name = "renren1" allowed_domains = ["renren.com"] def start_requests(self): url = 'http://www.renren.com/PLogin.do' yield scrapy.FormRequest( url = url, formdata = {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"}, callback = self.parse_page) def parse_page(self, response): with open("mao2.html", "w") as filename: filename.write(response.body)
2.中等
# -*- coding: utf-8 -*- import scrapy # 正统模拟登录方法： # 首先发送登录页面的get请求，获取到页面里的登录必须的参数，比如说zhihu的 _xsrf # 然后和账户密码一起post到服务器，登录成功 class Renren2Spider(scrapy.Spider): name = "renren2" allowed_domains = ["renren.com"] start_urls = ( "http://www.renren.com/PLogin.do", ) def parse(self, response): #_xsrf = response.xpath("//_xsrf").extract()[0] yield scrapy.FormRequest.from_response( response, formdata = {"email" : "mr_mao_hacker@163.com", "password" : "alarmchime"},#, "_xsrf" = _xsrf}, callback = self.parse_page ) def parse_page(self, response): print "=========1===" + response.url #with open("mao.html", "w") as filename: # filename.write(response.body) url = "http://www.renren.com/422167102/profile" yield scrapy.Request(url, callback = self.parse_newpage) def parse_newpage(self, response): print "===========2====" + response.url with open("xiao.html", "w") as filename: filename.write(response.body)
3.困难
# -*- coding: utf-8 -*- import scrapy # 实在没办法了，可以用这种方法模拟登录，麻烦一点，成功率100% class RenrenSpider(scrapy.Spider): name = "renren" allowed_domains = ["renren.com"] start_urls = ( 'http://www.renren.com/xxxxx', 'http://www.renren.com/11111', 'http://www.renren.com/xx', ) cookies = { "anonymid" : "ixrna3fysufnwv", "_r01_" : "1", "ap" : "327550029", "JSESSIONID" : "abciwg61A_RvtaRS3GjOv", "depovince" : "GW", "springskin" : "set", "jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198628950", "jebe_key" : "f6fb270b-d06d-42e6-8b53-e67c3156aa7e%7Cc13c37f53bca9e1e7132d4b58ce00fa3%7C1484060607478%7C1%7C1486198619601", "ver" : "7.0", "XNESSESSIONID" : "e703b11f8809", "jebecookies" : "98c7c881-779f-4da8-a57c-7464175cd469|||||", "ick_login" : "4b4a254a-9f25-4d4a-b686-a41fda73e173", "_de" : "BF09EE3A28DED52E6B65F6A4705D973F1383380866D39FF5", "p" : "ea5541736f993365a23d04c0946c10e29", "first_login_flag" : "1", "ln_uact" : "mr_mao_hacker@163.com", "ln_hurl" : "http://hdn.xnimg.cn/photos/hdn521/20140529/1055/h_main_9A3Z_e0c300019f6a195a.jpg", "t" : "691808127750a83d33704a565d8340ae9", "societyguester" : "691808127750a83d33704a565d8340ae9", "id" : "327550029", "xnsid" : "f42b25cf", "loginfrom" : "syshome" } def start_requests(self): for url in self.start_urls: #yield scrapy.Request(url, callback = self.parse) #url = "http://www.renren.com/410043129/profile" yield scrapy.FormRequest(url, cookies = self.cookies, callback = self.parse_page) def parse_page(self, response): print "===========" + response.url with open("deng.html", "w") as filename: filename.write(response.body)