淺談基於Python的Scrapy爬蟲入門
接下來創建一個爬蟲項目,以圖蟲網為例抓取裏面的圖片。在頂部菜單“發現”“標簽”裏面是對各種圖片的分類,點擊一個標簽,比如“Python視頻課程”,網頁的鏈接為:http://www.codingke.com/Python視頻課程/,我們以此作為爬蟲入口,分析一下該頁面:
打開頁面後出現一個個的圖集,點擊圖集可全屏瀏覽圖片,向下滾動2頁面會出現更多的圖集,沒有頁碼翻頁的設置。Chrome右鍵“檢查元素”打開開發者工具,檢查頁面源碼,內容部分如下:
<divclass="content">
<divclass="widget-gallery">
<ulclass="pagelist-wrapper">
<liclass="gallery-item...
可以判斷每一個li.gallery-item是一個圖集的入口,存放在ul.pagelist-wrapper下,div.widget-gallery是一個容器,如果使用xpath選取應該是://div[@class=”widget-gallery”]/ul/li,按照一般頁面的邏輯,在li.gallery-item下面找到對應的鏈接地址,再往下深入一層頁面抓取圖片。
但是如果用類似Postman的HTTP調試工具請求該頁面,得到的內容是:
<divclass="content">
<divclass="widget-gallery"></div>
</div>
也就是並沒有實際的圖集內容,因此可以斷定頁面使用了Ajax請求,只有在瀏覽器載入頁面時才會請求圖集內容並加入div.widget-gallery中,通過開發者工具查看XHR請求地址為:
http://www.codingke.com/Python視頻課程/posts?page=1&count=20&order=weekly&before_timestamp=
參數很簡單,page是頁碼,count是每頁圖集數量,order是排序,before_timestamp為空,圖蟲因為是推送內容式的網站,因此before_timestamp應該是一個時間值,不同的時間會顯示不同的內容,這裏我們把它丟棄,不考慮時間直接從最新的頁面向前抓取。
請求結果為JSON格式內容,降低了抓取難度,結果如下:
{
"postList":[
{
"post_id":"15624611",
"type":"multi-photo",
"url":"http://www.codingke.com/",
"site_id":"443122",
"author_id":"443122",
"published_at":"2017-10-2818:01:03",
"excerpt":"10月18日",
"favorites":4052,
"comments":353,
"rewardable":true,
"parent_comments":"165",
"rewards":"2",
"views":52709,
"title":"微風不燥秋意正好",
"image_count":15,
"images":[
{
"img_id":11585752,
"user_id":443122,
"title":"",
"excerpt":"",
"width":5016,
"height":3840
},
{
"img_id":11585737,
"user_id":443122,
"title":"",
"excerpt":"",
"width":3840,
"height":5760
},
...
],
"title_image":null,
"tags":[
{
"tag_id":131,
"type":"subject",
"tag_name":"人像",
"event_type":"",
"vote":""
},
{
"tag_id":564,
"type":"subject",
"tag_name":"美女",
"event_type":"",
"vote":""
}
],
"favorite_list_prefix":[],
"reward_list_prefix":[],
"comment_list_prefix":[],
"cover_image_src":"http://www.codingke.com/Python視頻課程/",
"is_favorite":false
}
],
"siteList":{...},
"following":false,
"coverUrl":"http://www.codingke.com/Python視頻課程/",
"tag_name":"美女",
"tag_id":"564",
"url":"https://tuchong.com/tags/%E7%BE%8E%E5%A5%B3/",
"more":true,
"result":"SUCCESS"
}
根據屬性名稱很容易知道對應的內容含義,這裏我們只需關心postlist這個屬性,它對應的一個數組元素便是一個圖集,圖集元素中有幾項屬性我們需要用到:
url:單個圖集瀏覽的頁面地址
post_id:圖集編號,在網站中應該是唯一的,可以用來判斷是否已經抓取過該內容
site_id:作者站點編號,構建圖片來源鏈接要用到
title:標題
excerpt:摘要文字
type:圖集類型,目前發現兩種,一種multi-photo是純照片,一種text是文字與圖片混合的文章式頁面,兩種內容結構不同,需要不同的抓取方式,本例中只抓取純照片類型,text類型直接丟棄
tags:圖集標簽,有多個
image_count:圖片數量
images:圖片列表,它是一個對象數組,每個對象中包含一個img_id屬性需要用到
根據圖片瀏覽頁面分析,基本上圖片的地址都是這種格式:https://photo.tuchong.com/{site_id}/f/{img_id}.jpg,很容易通過上面的信息合成。
(二)創建項目
進入cmder命令行工具,輸入workonscrapy進入之前建立的虛擬環境,此時命令行提示符前會出現(Scrapy)標識,標識處於該虛擬環境中,相關的路徑都會添加到PATH環境變量中便於開發及使用。
輸入scrapystartprojecttuchong創建項目tuchong
進入項目主目錄,輸入scrapygenspiderphototuchong.com創建一個爬蟲名稱叫photo(不能與項目同名),爬取tuchong.com域名(這個需要修改,此處先輸個大概地址),的一個項目內可以包含多個爬蟲
經過以上步驟,項目自動建立了一些文件及設置,目錄結構如下:
(PROJECT)
│scrapy.cfg
│
└─tuchong
│items.py
│middlewares.py
│pipelines.py
│settings.py
│init.py
│
├─spiders
││photo.py
││init.py
││
│└─pycache
│init.cpython-36.pyc
│
└─pycache
settings.cpython-36.pyc
init.cpython-36.pyc
scrapy.cfg:基礎設置
items.py:抓取條目的結構定義
middlewares.py:中間件定義,此例中無需改動
pipelines.py:管道定義,用於抓取數據後的處理
settings.py:全局設置
spidersphoto.py:爬蟲主體,定義如何抓取需要的數據
(三)主要代碼
items.py中創建一個TuchongItem類並定義需要的屬性,屬性繼承自scrapy.Field值可以是字符、數字或者列表或字典等等:
importscrapy
classTuchongItem(scrapy.Item):
post_id=scrapy.Field()
site_id=scrapy.Field()
title=scrapy.Field()
type=scrapy.Field()
url=scrapy.Field()
image_count=scrapy.Field()
images=scrapy.Field()
tags=scrapy.Field()
excerpt=scrapy.Field()
...
這些屬性的值將在爬蟲主體中賦予。
spidersphoto.py這個文件是通過命令scrapygenspiderphototuchong.com自動創建的,裏面的初始內容如下:
importscrapy
classPhotoSpider(scrapy.Spider):
name=‘photo‘
allowed_domains=[‘tuchong.com‘]
start_urls=[‘http://tuchong.com/‘]
defparse(self,response):
pass
爬蟲名name,允許的域名allowed_domains(如果鏈接不屬於此域名將丟棄,允許多個),起始地址start_urls將從這裏定義的地址抓取(允許多個)
函數parse是處理請求內容的默認回調函數,參數response為請求內容,頁面內容文本保存在response.body中,我們需要對默認代碼稍加修改,讓其滿足多頁面循環發送請求,這需要重載start_requests函數,通過循環語句構建多頁的鏈接請求,修改後代碼如下:
importscrapy,json
from..itemsimportTuchongItem
classPhotoSpider(scrapy.Spider):
name=‘photo‘
#allowed_domains=[‘tuchong.com‘]
#start_urls=[‘http://tuchong.com/‘]
defstart_requests(self):
url=‘https://tuchong.com/rest/tags/%s/posts?page=%d&count=20&order=weekly‘;
#抓取10個頁面,每頁20個圖集
#指定parse作為回調函數並返回Requests請求對象
forpageinrange(1,11):
yieldscrapy.Request(url=url%(‘美女‘,page),callback=self.parse)
#回調函數,處理抓取內容填充TuchongItem屬性
defparse(self,response):
body=json.loads(response.body_as_unicode())
items=[]
forpostinbody[‘postList‘]:
item=TuchongItem()
item[‘type‘]=post[‘type‘]
item[‘post_id‘]=post[‘post_id‘]
item[‘site_id‘]=post[‘site_id‘]
item[‘title‘]=post[‘title‘]
item[‘url‘]=post[‘url‘]
item[‘excerpt‘]=post[‘excerpt‘]
item[‘image_count‘]=int(post[‘image_count‘])
item[‘images‘]={}
#將images處理成{img_id:img_url}對象數組
forimginpost.get(‘images‘,‘‘):
img_id=img[‘img_id‘]
url=‘https://photo.tuchong.com/%s/f/%s.jpg‘%(item[‘site_id‘],img_id)
item[‘images‘][img_id]=url
item[‘tags‘]=[]
#將tags處理成tag_name數組
fortaginpost.get(‘tags‘,‘‘):
item[‘tags‘].append(tag[‘tag_name‘])
items.append(item)
returnitems
經過這些步驟,抓取的數據將被保存在TuchongItem類中,作為結構化的數據便於處理及保存。
前面說過,並不是所有抓取的條目都需要,例如本例中我們只需要type=”multi_photo類型的圖集,並且圖片太少的也不需要,這些抓取條目的篩選操作以及如何保存需要在pipelines.py中處理,該文件中默認已創建類TuchongPipeline並重載了process_item函數,通過修改該函數只返回那些符合條件的item,代碼如下:
...
defprocess_item(self,item,spider):
#不符合條件觸發scrapy.exceptions.DropItem異常,符合條件的輸出地址
ifint(item[‘image_count‘])<3:
raiseDropItem("美女太少:"+item[‘url‘])
elifitem[‘type‘]!=‘multi-photo‘:
raiseDropItem("格式不對:"++item[‘url‘])
else:
print(item[‘url‘])
returnitem
...
當然如果不用管道直接在parse中處理也是一樣的,只不過這樣結構更清晰一些,而且還有功能更多的FilePipelines和ImagePipelines可供使用,process_item將在每一個條目抓取後觸發,同時還有open_spider及close_spider函數可以重載,用於處理爬蟲打開及關閉時的動作。
註意:管道需要在項目中註冊才能使用,在settings.py中添加:
ITEM_PIPELINES={
‘tuchong.pipelines.TuchongPipeline‘:300,#管道名稱:運行優先級(數字小優先)
}
另外,大多數網站都有反爬蟲的Robots.txt排除協議,設置ROBOTSTXT_OBEY=True可以忽略這些協議,是的,這好像只是個君子協定。如果網站設置了瀏覽器UserAgent或者IP地址檢測來反爬蟲,那就需要更高級的Scrapy功能,本文不做講解。
(四)運行
返回cmder命令行進入項目目錄,輸入命令:
scrapycrawlphoto
終端會輸出所有的爬行結果及調試信息,並在最後列出爬蟲運行的統計信息,例如:
[scrapy.statscollectors]INFO:DumpingScrapystats:
{‘downloader/request_bytes‘:491,
‘downloader/request_count‘:2,
‘downloader/request_method_count/GET‘:2,
‘downloader/response_bytes‘:10224,
‘downloader/response_count‘:2,
‘downloader/response_status_count/200‘:2,
‘finish_reason‘:‘finished‘,
‘finish_time‘:datetime.datetime(2017,11,27,7,20,24,414201),
‘item_dropped_count‘:5,
‘item_dropped_reasons_count/DropItem‘:5,
‘item_scraped_count‘:15,
‘log_count/DEBUG‘:18,
‘log_count/INFO‘:8,
‘log_count/WARNING‘:5,
‘response_received_count‘:2,
‘scheduler/dequeued‘:1,
‘scheduler/dequeued/memory‘:1,
‘scheduler/enqueued‘:1,
‘scheduler/enqueued/memory‘:1,
‘start_time‘:datetime.datetime(2017,11,27,7,20,23,867300)}
主要關註ERROR及WARNING兩項,這裏的Warning其實是不符合條件而觸發的DropItem異常。
(五)保存結果
大多數情況下都需要對抓取的結果進行保存,默認情況下item.py中定義的屬性可以保存到文件中,只需要命令行加參數-o{filename}即可:
scrapycrawlphoto-ooutput.json#輸出為JSON文件
scrapycrawlphoto-ooutput.csv#輸出為CSV文件
註意:輸出至文件中的項目是未經過TuchongPipeline篩選的項目,只要在parse函數中返回的Item都會輸出,因此也可以在parse中過濾只返回需要的項目
如果需要保存至數據庫,則需要添加額外代碼處理,比如可以在pipelines.py中process_item後添加:
...
defprocess_item(self,item,spider):
...
else:
print(item[‘url‘])
self.myblog.add_post(item)#myblog是一個數據庫類,用於處理數據庫操作
returnitem
...
為了在插入數據庫操作中排除重復的內容,可以使用item[‘post_id’]進行判斷,如果存在則跳過。
淺談基於Python的Scrapy爬蟲入門