Python抓取框架Scrapy爬蟲入門：頁面提取

更新時間：2017年12月01日 12:02:34 作者：大蟲

Scrapy吸引人的地方在于它是一個框架，任何人都可以根據(jù)需求方便的修改，下面這篇文章主要給大家介紹了關(guān)于Python抓取框架Scrapy爬蟲入門之頁面提取的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，需要的朋友可以參考下。

前言

Scrapy是一個非常好的抓取框架，它不僅提供了一些開箱可用的基礎(chǔ)組建，還能夠根據(jù)自己的需求，進行強大的自定義。本文主要給大家介紹了關(guān)于Python抓取框架Scrapy之頁面提取的相關(guān)內(nèi)容，分享出來供大家參考學(xué)習(xí)，下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧。

在開始之前，關(guān)于scrapy框架的入門大家可以參考這篇文章：http://dhdzp.com/article/87820.htm

下面創(chuàng)建一個爬蟲項目，以圖蟲網(wǎng)為例抓取圖片。

一、內(nèi)容分析

打開圖蟲網(wǎng)，頂部菜單“發(fā)現(xiàn)” “標(biāo)簽”里面是對各種圖片的分類，點擊一個標(biāo)簽，比如“美女”，網(wǎng)頁的鏈接為：https://tuchong.com/tags/美女/，我們以此作為爬蟲入口，分析一下該頁面：

打開頁面后出現(xiàn)一個個的圖集，點擊圖集可全屏瀏覽圖片，向下滾動頁面會出現(xiàn)更多的圖集，沒有頁碼翻頁的設(shè)置。Chrome右鍵“檢查元素”打開開發(fā)者工具，檢查頁面源碼，內(nèi)容部分如下：

<div class="content">
 <div class="widget-gallery">
 <ul class="pagelist-wrapper">
  <li class="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(yīng)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(yīng)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(diào)試工具請求該頁面，得到的內(nèi)容是：

<div class="content">
 <div class="widget-gallery"></div>
</div>

也就是并沒有實際的圖集內(nèi)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(nèi)容并加入div.widget-gallery中，通過開發(fā)者工具查看XHR請求地址為：

https://tuchong.com/rest/tags/美女/posts?page=1&count=20&order=weekly&before_timestamp=

參數(shù)很簡單，page是頁碼，count是每頁圖集數(shù)量，order是排序，before_timestamp為空，圖蟲因為是推送內(nèi)容式的網(wǎng)站，因此before_timestamp應(yīng)該是一個時間值，不同的時間會顯示不同的內(nèi)容，這里我們把它丟棄，不考慮時間直接從最新的頁面向前抓取。

請求結(jié)果為JSON格式內(nèi)容，降低了抓取難度，結(jié)果如下：

{
 "postList": [
 {
 "post_id": "15624611",
 "type": "multi-photo",
 "url": "https://weishexi.tuchong.com/15624611/",
 "site_id": "443122",
 "author_id": "443122",
 "published_at": "2017-10-28 18:01:03",
 "excerpt": "10月18日",
 "favorites": 4052,
 "comments": 353,
 "rewardable": true,
 "parent_comments": "165",
 "rewards": "2",
 "views": 52709,
 "title": "微風(fēng)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": "https://photo.tuchong.com/443122/g/11585752.webp",
 "is_favorite": false
 }
 ],
 "siteList": {...},
 "following": false,
 "coverUrl": "https://photo.tuchong.com/443122/ft640/11585752.webp",
 "tag_name": "美女",
 "tag_id": "564",
 "url": "https://tuchong.com/tags/%E7%BE%8E%E5%A5%B3/",
 "more": true,
 "result": "SUCCESS"
}

根據(jù)屬性名稱很容易知道對應(yīng)的內(nèi)容含義，這里我們只需關(guān)心 postlist 這個屬性，它對應(yīng)的一個數(shù)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(wǎng)站中應(yīng)該是唯一的，可以用來判斷是否已經(jīng)抓取過該內(nèi)容
site_id：作者站點編號，構(gòu)建圖片來源鏈接要用到
title：標(biāo)題
excerpt：摘要文字
type：圖集類型，目前發(fā)現(xiàn)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(nèi)容結(jié)構(gòu)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(biāo)簽，有多個
image_count：圖片數(shù)量
images：圖片列表，它是一個對象數(shù)組，每個對象中包含一個img_id屬性需要用到

根據(jù)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(chuàng)建項目

進入cmder命令行工具，輸入workon scrapy 進入之前建立的虛擬環(huán)境，此時命令行提示符前會出現(xiàn)(Scrapy) 標(biāo)識，標(biāo)識處于該虛擬環(huán)境中，相關(guān)的路徑都會添加到PATH環(huán)境變量中便于開發(fā)及使用。
輸入 scrapy startproject tuchong 創(chuàng)建項目 tuchong
進入項目主目錄，輸入 scrapy genspider photo tuchong.com 創(chuàng)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(nèi)可以包含多個爬蟲

經(jīng)過以上步驟，項目自動建立了一些文件及設(shè)置，目錄結(jié)構(gòu)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(chǔ)設(shè)置
items.py：抓取條目的結(jié)構(gòu)定義
middlewares.py：中間件定義，此例中無需改動
pipelines.py：管道定義，用于抓取數(shù)據(jù)后的處理
settings.py：全局設(shè)置
spiders\photo.py：爬蟲主體，定義如何抓取需要的數(shù)據(jù)

三、主要代碼

items.py 中創(chuàng)建一個TuchongItem類并定義需要的屬性，屬性繼承自 scrapy.Field 值可以是字符、數(shù)字或者列表或字典等等：

import scrapy

class TuchongItem(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。

spiders\photo.py 這個文件是通過命令 scrapy genspider photo tuchong.com 自動創(chuàng)建的，里面的初始內(nèi)容如下：

import scrapy

class PhotoSpider(scrapy.Spider):
 name = 'photo'
 allowed_domains = ['tuchong.com']
 start_urls = ['http://tuchong.com/']

 def parse(self, response):
 pass

爬蟲名 name，允許的域名 allowed_domains（如果鏈接不屬于此域名將丟棄，允許多個），起始地址 start_urls 將從這里定義的地址抓?。ㄔ试S多個）

函數(shù) parse 是處理請求內(nèi)容的默認(rèn)回調(diào)函數(shù)，參數(shù) response 為請求內(nèi)容，頁面內(nèi)容文本保存在 response.body 中，我們需要對默認(rèn)代碼稍加修改，讓其滿足多頁面循環(huán)發(fā)送請求，這需要重載 start_requests 函數(shù)，通過循環(huán)語句構(gòu)建多頁的鏈接請求，修改后代碼如下：

import scrapy, json
from ..items import TuchongItem

class PhotoSpider(scrapy.Spider):
 name = 'photo'
 # allowed_domains = ['tuchong.com']
 # start_urls = ['http://tuchong.com/']

 def start_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(diào)函數(shù)并返回 Requests 請求對象
 for page in range(1, 11):
  yield scrapy.Request(url=url % ('美女', page), callback=self.parse)

 # 回調(diào)函數(shù)，處理抓取內(nèi)容填充 TuchongItem 屬性
 def parse(self, response):
 body = json.loads(response.body_as_unicode())
 items = []
 for post in body['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(shù)組
  for img in post.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(shù)組
  for tag in post.get('tags', ''):
  item['tags'].append(tag['tag_name'])
  items.append(item)
 return items

經(jīng)過這些步驟，抓取的數(shù)據(jù)將被保存在 TuchongItem 類中，作為結(jié)構(gòu)化的數(shù)據(jù)便于處理及保存。

前面說過，并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，并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(rèn)已創(chuàng)建類 TuchongPipeline 并重載了 process_item 函數(shù)，通過修改該函數(shù)只返回那些符合條件的 item，代碼如下：

...
 def process_item(self, item, spider):
 # 不符合條件觸發(fā) scrapy.exceptions.DropItem 異常，符合條件的輸出地址
 if int(item['image_count']) < 3:
  raise DropItem("美女太少: " + item['url'])
 elif item['type'] != 'multi-photo':
  raise DropItem("格式不對: " + + item['url'])
 else:
  print(item['url'])
 return item
...

當(dāng)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(jié)構(gòu)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后觸發(fā)，同時還有 open_spider 及 close_spider 函數(shù)可以重載，用于處理爬蟲打開及關(guān)閉時的動作。

注意：管道需要在項目中注冊才能使用，在 settings.py 中添加：

ITEM_PIPELINES = {
 'tuchong.pipelines.TuchongPipeline': 300, # 管道名稱: 運行優(yōu)先級(數(shù)字小優(yōu)先)
}

另外，大多數(shù)網(wǎng)站都有反爬蟲的 Robots.txt 排除協(xié)議，設(shè)置 ROBOTSTXT_OBEY = True 可以忽略這些協(xié)議，是的，這好像只是個君子協(xié)定。如果網(wǎng)站設(shè)置了瀏覽器User Agent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：

scrapy crawl photo

終端會輸出所有的爬行結(jié)果及調(diào)試信息，并在最后列出爬蟲運行的統(tǒng)計信息，例如：

[scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'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(guān)注ERROR及WARNING兩項，這里的 Warning 其實是不符合條件而觸發(fā)的 DropItem 異常。

五、保存結(jié)果

大多數(shù)情況下都需要對抓取的結(jié)果進行保存，默認(rèn)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(shù) -o {filename} 即可：

scrapy crawl photo -o output.json # 輸出為JSON文件
scrapy crawl photo -o output.csv # 輸出為CSV文件

注意：輸出至文件中的項目是未經(jīng)過 TuchongPipeline 篩選的項目，只要在 parse 函數(shù)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(shù)據(jù)庫，則需要添加額外代碼處理，比如可以在 pipelines.py 中 process_item 后添加:

...
 def process_item(self, item, spider):
  ...
  else:
   print(item['url'])
   self.myblog.add_post(item) # myblog 是一個數(shù)據(jù)庫類，用于處理數(shù)據(jù)庫操作
  return item
...

為了在插入數(shù)據(jù)庫操作中排除重復(fù)的內(nèi)容，可以使用 item['post_id'] 進行判斷，如果存在則跳過。
本項目中的抓取內(nèi)容只涉及了文本及圖片鏈接，并未下載圖片文件，如需下載圖片，可以通過兩種方式：

安裝 Requests 模塊，在 process_item 函數(shù)中下載圖片內(nèi)容，同時在保存數(shù)據(jù)庫時替換為本地圖片路徑。
使用 ImagePipelines 管道下載圖片，具體使用方法下回講解。

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

您可能感興趣的文章: