C/C++教程

Scrapy项目实战：新手从入门到上手指南

本文主要是介绍Scrapy项目实战：新手从入门到上手指南，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！
概述

本文详细介绍了如何从零开始搭建Scrapy环境并编写简单的爬虫项目，涵盖了Scrapy的基本架构、组件配置以及实战演练。通过具体示例代码，新手可以快速上手掌握Scrapy项目实战。

Scrapy简介与环境搭建

Scrapy是什么

Scrapy 是一个高度模块化的开源爬虫框架，用于从网站上抓取数据。它被广泛应用于数据提取、网络爬虫、网页自动化等场景。Scrapy设计之初就考虑到了可维护性和扩展性，通过不同的组件如Spider、Item、Pipeline等实现不同的功能，使得开发者能够专注于业务逻辑的实现而无需过多关注底层实现。

Scrapy的基本架构

Scrapy采用异步模型来处理网络请求，其主要组件包括:

  1. Spider：定义爬虫行为（例如请求哪个URL，提取哪些数据）。
  2. Item：定义爬取的数据结构。
  3. Item Pipeline：对爬取的数据进行清洗、验证或存储。
  4. Downloader：负责发起网络请求。
  5. Scheduler：管理待爬取的请求队列。
  6. Downloader Middlewares：在下载器和Spiders之间提供了更多的灵活性。
    7..
  7. Spider Middleware：在Scrapy引擎和Spiders之间提供了更多的灵活性。
  8. Scrapy Shell：交互式命令行环境，方便调试。

开发环境搭建

为了搭建Scrapy开发环境，首先需要安装Python。以下是安装步骤：

  1. 下载Python并安装。推荐使用Python 3.8及以上版本。
  2. 安装Scrapy。在命令行中运行以下命令安装： 
    pip install scrapy
  3. 安装虚拟环境工具virtualenv或venv，以避免项目间环境冲突。 
    pip install virtualenv
  4. 创建一个虚拟环境并激活。 
    virtualenv my_env
source my_env/bin/activate  # 在Windows上，使用 `my_env\Scripts\activate`

快速上手Scrapy的第一个项目

通过Scrapy shell快速上手，以一个简单的新闻网站爬虫为例。

  1. 创建一个新的Scrapy项目。 
    scrapy startproject my_first_project
  2. 导航到新项目目录并创建一个新的Spider。 
    cd my_first_project
scrapy genspider my_first_spider example.com

  3. 编辑生成的Spider文件，定义基础抓取逻辑。

    import scrapy

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

   def parse(self, response):
       for title in response.css('title'):
           yield {'title_text': title.get()}
  4. 运行爬虫。 
    scrapy crawl my_first_spider

通过以上步骤，用户可以快速创建并运行一个简单的Scrapy爬虫。

Scrapy的基本组件与配置

Scrapy的项目结构

Scrapy项目的标准目录结构：

my_first_project/
├── my_first_project/
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders/
│       └── my_first_spider.py
├── scrapy.cfg
└── requirements.txt

主要组件介绍

Spider

  • 功能：定义爬虫的行为，如从哪个URL开始抓取，抓取哪些数据。

  • 示例代码：

    import scrapy

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

  def parse(self, response):
      for item in response.css('div.item'):
          yield {
              'title': item.css('h2 a::text').get(),
              'link': item.css('h2 a::attr(href)').get(),
              'desc': item.css('p::text').get()
          }

Item

  • 功能：定义爬取的数据结构。
  • 示例代码： 
    class MyItem(scrapy.Item):
  title = scrapy.Field()
  link = scrapy.Field()
  desc = scrapy.Field()

Pipeline

  • 功能：对爬取的数据进行处理，如清洗、验证或存储。
  • 示例代码： 
    class MyPipeline(object):
  def process_item(self, item, spider):
      if not item['title']:
          raise DropItem("Missing title in %s" % item)
      return item

配置文件设置

Scrapy的配置可以通过settings.py文件来控制。例如，开启或关闭日志记录，设置下载延迟等。

  • 示例代码： 
    FEED_FORMAT = 'jsonlines'
FEED_URI = 'results.jsonl'
LOG_LEVEL = 'WARNING'
DOWNLOAD_DELAY = 0.5
基本的爬虫编写

编写简单的网页爬虫

编写一个简单的爬虫，从一个网页上提取所有链接和标题。

  • 示例代码：

    import scrapy

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

  def parse(self, response):
      for link in response.css('a'):
          yield {
              'href': link.attrib['href'],
              'text': link.attrib['text']
          }

使用XPath和CSS选择器

XPath 和 CSS 选择器是Scrapy中两种常用的语法，用于从HTML中提取数据。

  • 示例XPath： 
    response.xpath('//div[@class="item"]/h2/a/text()').get()
  • 示例CSS： 
    response.css('div.item h2 a::text').get()

捕捉和处理异常

处理爬虫过程中出现的异常。

  • 示例代码：

    import scrapy

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

  def parse(self, response):
      try:
          yield {
              'data': response.css('div.missing').get()
          }
      except Exception as e:
          print(f'出现异常：{e}')
          pass

数据存储与处理

数据存储方式

Scrapy支持多种数据存储方式，如CSV、JSON、数据库等。

  • 示例代码（保存为JSON）： 
    FEED_FORMAT = 'json'
FEED_URI = 'output.json'

Pipeline的使用

使用Pipeline对爬取的数据进行清洗和格式化。

  • 示例代码： 
    class MyCustomPipeline(object):
  def process_item(self, item, spider):
      item['title'] = item['title'].strip()
      return item

数据清洗与格式化

清洗数据，去除不必要的字符或格式化数据。

  • 示例代码：

    def clean_data(self, text):
  return text.replace('\n', '').strip()

class MySpider(scrapy.Spider):
  def parse(self, response):
      cleaned_text = self.clean_data(response.css('body::text').get())
      yield {'cleaned_text': cleaned_text}
进阶功能与技巧

模拟登录和请求头设置

模拟登录和设置请求头信息。

  • 示例代码：

    import scrapy

class LoginSpider(scrapy.Spider):
  name = 'login_spider'
  allowed_domains = ['example.com']

  def start_requests(self):
      return [scrapy.FormRequest('http://example.com/login',
                                 formdata={'username': 'test', 'password': 'test'},
                                 callback=self.logged_in)]

  def logged_in(self, response):
      if 'Login failed' in response.text:
          self.log("Login failed")
      else:
          yield scrapy.Request('http://example.com/protected',
                               callback=self.parse_page)

  def parse_page(self, response):
      for item in response.css('div.item'):
          yield {
              'title': item.css('h2 a::text').get(),
              'link': item.css('h2 a::attr(href)').get(),
              'desc': item.css('p::text').get()
          }

中间件的使用

中间件允许在请求和响应之间插入额外的处理逻辑。

  • 示例代码： 
    class MyCustomMiddleware(object):
  def process_request(self, request, spider):
      if not request.meta.get('proxy'):
          request.meta['proxy'] = 'http://proxy.example.com'
      return request

处理动态网页和JavaScript渲染

对于动态网页，使用scrapy-playwright等库来渲染JavaScript。

  • 示例代码：

    pip install scrapy-playwright
    import scrapy
from scrapy_playwright.page import PageMethod

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

  def start_requests(self):
      yield scrapy.Request('http://example.com',
                           callback=self.parse,
                           meta=dict(
                               playwright=True,
                               playwright_page_methods=[
                                   PageMethod('wait_for_selector', 'div.item')
                               ]
                           ))

  def parse(self, response):
      for item in response.css('div.item'):
          yield {
              'title': item.css('h2 a::text').get(),
              'link': item.css('h2 a::attr(href)').get(),
              'desc': item.css('p::text').get()
          }
项目实战演练

实际项目案例分析

根据具体的项目需求，选择合适的爬虫组件和策略。比如抓取特定的新闻网站，可以编写一个Spider来抓取新闻标题、链接和发布时间。

  • 示例代码：

    # items.py
import scrapy

class NewsItem(scrapy.Item):
  title = scrapy.Field()
  link = scrapy.Field()
  pub_date = scrapy.Field()

# spiders/example_spider.py
import scrapy

from my_project.items import NewsItem

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

  def parse(self, response):
      for news in response.css('div.post'):
          item = NewsItem()
          item['title'] = news.css('h2 a::text').get()
          item['link'] = news.css('h2 a::attr(href)').get()
          item['pub_date'] = news.css('.pub_date::text').get()
          yield item

搭建个人Scrapy项目

搭建一个完整的Scrapy项目，包括定义Spider、处理数据格式和存储。

  • 示例代码：

    # items.py
import scrapy

class NewsItem(scrapy.Item):
  title = scrapy.Field()
  link = scrapy.Field()
  pub_date = scrapy.Field()

# spiders/example_spider.py
import scrapy

from my_project.items import NewsItem

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

  def parse(self, response):
      for news in response.css('div.post'):
          item = NewsItem()
          item['title'] = news.css('h2 a::text').get()
          item['link'] = news.css('h2 a::attr(href)').get()
          item['pub_date'] = news.css('.pub_date::text').get()
          yield item

项目优化与维护

持续优化和维护爬虫，确保其能够高效且稳定地运行。这包括定期更新Spider代码以适应网站结构的变化，优化数据存储策略，以及监控爬虫性能并及时调整配置。

  • 监控爬虫性能：
    • 使用Scrapy自带的命令行工具来监控爬虫。
    • 通过设置LOG_LEVEL来控制日志输出级别。
    • 通过scrapy stats命令获取爬虫运行统计信息。
  • 优化爬虫性能：
    • 使用DOWNLOAD_DELAY来避免请求过于频繁。
    • 利用CONCURRENT_REQUESTS_PER_DOMAIN和CONCURRENT_REQUESTS_PER_IP控制并发数量。
    • 采用合适的请求头设置，如User-Agent和Accept-Language，以模拟真实浏览器的行为。
  • 示例代码： 
    # settings.py
DOWNLOAD_DELAY = 0.5
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 16
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
ACCEPT_LANGUAGE = 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'

通过以上步骤和示例代码，新手可以快速从Scrapy的入门到上手，并掌握基本和进阶的功能。希望这些内容能帮助你构建强大的网络爬虫，高效地抓取需要的数据！

这篇关于Scrapy项目实战：新手从入门到上手指南的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！
您可能喜欢
栏目导航