Scrapy

Scrapy 是一个开源的网络爬虫框架。

快速入门

架构

了解更多 >> Scrapy 文档：Architecture overview

选择器

Scrapy支持使用XPath或CSS进行选择。其中CSS选择器底层也转为XPath来实现。可以使用scrapy shell来进行交互式测试选取。

了解更多 >> Scrapy 文档：selectors

选择器生成

选择器可以嵌套使用。

名称	描述	示例
response.selector.xpath()	简写response.xpath()	response.xpath("//span/text()") response.css("img").xpath("@src")选择所有含有src属性的img
response.selector.css()	简写response.css()	response.css("span::text")

选择器属性方法

名称	描述	示例
get()	提取匹配第一个的数据，没有返回None，等同于之前版本的extract_first()。	response.xpath("//title/text()").get()返回标题，没有返回None。 response.xpath("//title/text()").get().get(default="默认值")返回标题，没有返回“默认值”。
getall()	返回列表，所有匹配元素的数据。等同于之前版本的extract()。	response.css("img").xpath("@src").getall()
attrib	返回匹配元素的属性，当用于列表上，返回第一个元素的属性。	response.css("img").attrib["src"] response.css("img").attrib["src"]

了解更多 >> Scrapy 文档：selectors

项目管道

当蜘蛛抓取到item后，会发送到项目管道（Item Pipeline），按项目管道设置的值，按从小到大依次进入不同管道处理。项目管道的典型用途包括：

• 清理 HTML 数据
• 验证抓取的数据（检查项目是否包含某些字段）
• 检查重复项（并删除它们）
• 将抓取的项目存储在数据库中

了解更多 >> Scrapy 文档： Item Pipeline

图片下载

内置下载管道

可以使用内置的ImagesPipeline方便下载图片，它会自动处理下载item中image_urls图片链接。

• 1.在项目settings中开启ImagesPipeline管道。

ITEM_PIPELINES = {
    "scrapy.pipelines.images.ImagesPipeline": 1,
    }
# 设置图片下载路径，绝对路径或相对路径
IMAGES_STORE = "images"

• 2.爬取图片链接，返回给引擎。

import scrapy

# 可以放入item.py 再导入
class Product(scrapy.Item):
    product_name = scrapy.Field()
    image_urls = scrapy.Field()
    #images = scrapy.Field()  # 记录存储位置文件名信息等

class ProductSpider(scrapy.Spider):
    name = 'sample'
    start_urls = ["https://exsample.com"]

    # 也可以为这爬虫设置自定义存储位置。
    #custom_settings = {
    #    'IMAGES_STORE': 'images/sample'
    #}        
    
    def parse(self, response):
        item = Product()
        item['product_name'] = response.xpath('//h1[@class="title"]/text()').get()
        item['image_urls'] = response.xpath('//img[@class="product-img"]/@src').get() 
        yield item

    ## 在图片下载完成后被调用，将图片存储地址等保存到item中。
    # def item_completed(self, results, item, info):
    #     for success, image_info in results:
    #         if success:
    #             item['images'] = [{'url': image_info['url'], 'path': image_info['path']}]
    #     return item

3.启动爬虫

scrapy crawl sample

# 启动爬虫，并将item存储到sample.json
# scrapy crawl sample -o sample.json

了解更多 >> Scrapy 文档：文件和图片的下载处理

文件下载

内置下载管道

了解更多 >> Scrapy 文档：文件和图片的下载处理

脚本测试

scrapy shell

在终端运行，爬取网站，交互式运行。

scrapy shell https://www.example.com

接下来，就可以输入测试，如：

response.xpath("//a[contains(@class,'item')]")

了解更多 >> Scrapy 文档：Scrapy shell

Jupyter中

如果要测试提取数据，可以使用requests，再用scrapy的TextResponse解析。

import requests
from scrapy.http import TextResponse

url = "https://www.example.com"
r = requests.get(url)
response = TextResponse(r.url,body=r.text,encoding="utf-8")
response.xpath('//title')

了解更多 >> Scrapy 文档：Requests and Responses

脚本运行

一般使用scrapy crawl命令运行爬虫，也可以从脚本运行。

import scrapy
from scrapy.crawler import CrawlerProcess


class MySpider(scrapy.Spider):
    # Your spider definition
    ...


process = CrawlerProcess(
    settings={
        "FEEDS": {
            "items.json": {"format": "json"},
        },
    }
)

process.crawl(MySpider)
process.start()  # the script will block here until the crawling is finished

了解更多 >> Scrapy 文档：从脚本运行 Scrapy

资源

官网

• Scrapy 官网：https://scrapy.org/
• Scrapy 文档：https://docs.scrapy.org/
• Scrapy 源代码：https://github.com/scrapy/scrapy