C/C++教程

Scrapy资料入门教程：新手必读指南

本文主要是介绍Scrapy资料入门教程：新手必读指南，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

Scrapy是一款强大的网络爬虫框架，广泛用于数据抓取和解析。本文详细介绍了Scrapy的安装步骤、项目配置、爬取规则、中间件与管道的使用方法，并提供了实战案例和常见问题的解答，帮助读者更好地理解和使用Scrapy。

Scrapy简介与安装
Scrapy是什么

Scrapy 是一款用于从网站中抓取数据的强大框架，主要用于构建网络爬虫，以从网页中提取结构化数据。它使用 Python 编写，具有高度可扩展性和灵活性。Scrapy 使用异步、非阻塞的网络爬取方法，使其能够在较少资源的情况下快速抓取大量数据。Scrapy 是一个开源项目，用于构建爬虫以抓取网站并解析数据。它主要用于数据挖掘、信息收集、网络监测等场景。

Scrapy 提供了强大的功能，例如：

  • 异步爬取：可以同时发起多个网络请求，提高抓取速度。
  • 内置的下载器：可以自定义下载器，支持多种 HTTP 请求方法（如 GET 和 POST）。
  • 中间件：可以自定义请求和响应的处理逻辑，例如设置请求头、处理 cookie 等。
  • 管道：可以将提取的数据保存到数据库、文件等，实现数据的持久化。
  • 调度器：负责管理请求的队列，确保按队列顺序处理请求。
  • 选择器：提供了 XPath 和 CSS 选择器，方便提取网页上的数据。
Scrapy的安装步骤

安装 Scrapy 需要 Python 环境，一般推荐使用最新版本的 Python 3。以下是安装步骤：

  1. 安装 Python 环境
    如果您还没有安装 Python，可以从官网下载最新版本的 Python，并按照官方文档进行安装。在安装过程中，请确保选择添加 Python 到 PATH，这样可以在命令行中直接使用 Python。

  2. 安装 Scrapy
    打开命令行工具，输入以下命令安装 Scrapy：

    pip install scrapy

  3. 验证安装
    安装完成后，可以通过以下命令验证 Scrapy 是否安装成功：

    scrapy --version

    如果安装成功，会显示 Scrapy 的版本号。

  4. 安装相关依赖库
    某些功能可能需要额外的依赖库。例如，安装 lxml 和 cssselect 可以提高选择器的性能：

    pip install lxml cssselect
  5. 安装 Scrapy Shell
    Scrapy Shell 是一个非常有用的工具，它允许您在没有编写完整爬虫的情况下测试选择器和请求。安装 Scrapy Shell： 
    pip install scrapyshell

创建Scrapy项目后，可以使用 Scrapy Shell 来验证选择器是否能正确提取所需的数据。

Scrapy项目与爬虫的基本配置
创建Scrapy项目

创建 Scrapy 项目的步骤如下：

  1. 创建项目
    使用命令行工具（如命令提示符或终端），执行以下命令来创建一个新的 Scrapy 项目：

    scrapy startproject myproject

    这条命令会在当前目录下创建一个名为 myproject 的文件夹，并自动生成一些基本文件和目录结构。项目的基本结构如下：

    myproject/
├── myproject/
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders/
│       ├── __init__.py
│       └── firstSpider.py
└── scrapy.cfg

  2. 创建爬虫
    在项目的 myproject/spiders 目录下，创建一个新的爬虫文件。例如，创建一个名为 firstSpider.py 的文件，并在其中定义一个新的爬虫：

    import scrapy

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

   def parse(self, response):
       pass

    这个爬虫将从 example.com 开始抓取数据。

  3. 运行爬虫
    使用以下命令，可以在命令行中运行刚刚创建的爬虫： 
    scrapy crawl firstSpider
配置Scrapy爬虫

Scrapy 提供了一种灵活的方式来配置爬虫的行为。以下是一些常见的配置项：

  1. 设置元信息
    可以在 settings.py 文件中设置爬虫的元信息。例如，设置爬虫的名称、延迟时间、用户代理等：

    BOT_NAME = 'myproject'

SPIDER_MODULES = ['myproject.spiders']
NEWSPIDER_MODULE = 'myproject.spiders'

# 限制下载延迟
DOWNLOAD_DELAY = 1

# 设置用户代理
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'

# 启用的中间件
DOWNLOADER_MIDDLEWARES = {
   'myproject.middlewares.MyCustomDownloaderMiddleware': 543,
}

# 启用的管道
ITEM_PIPELINES = {
   'myproject.pipelines.MyPipeline': 300,
}

  2. 定义请求
    在爬虫文件中，定义 start_urls 和 parse 方法：

    import scrapy

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

   def parse(self, response):
       # 在这里处理响应
       pass
  3. 处理响应
    在 parse 方法中，可以使用各种方法来处理 HTTP 响应。例如，使用 response.css 或 response.xpath 提取数据。
Scrapy的爬取规则
解析和提取数据

Scrapy 使用选择器来解析和提取数据。选择器通过 XPath 或 CSS 选择器来定位网页中的特定部分，从而提取所需的数据。以下是使用选择器的示例：

  1. 使用 CSS 选择器
    CSS 选择器是用于选择 DOM 元素的简洁语法，类似于浏览器开发者工具中的选择器。例如，提取页面中的所有链接：

    links = response.css('a::attr(href)').getall()

  2. 使用 XPath 选择器
    XPath 是一种强大的查询语言，用于遍历 XML 和 HTML 文档。例如，提取页面中的所有链接：

    links = response.xpath('//a/@href').getall()

  3. 提取文本
    除了提取链接，还可以提取文本内容。例如，提取页面中的所有段落：

    paragraphs = response.css('p::text').getall()
  4. 处理相对路径
    页面中的链接通常是相对于页面 URL 的相对路径。使用 response.urljoin 方法可以将相对路径转换为绝对路径： 
    absolute_url = response.urljoin(link)

完整项目实例：从网站抓取新闻标题和链接

假设我们需要从 example.com 抓取新闻标题和链接，创建一个新的 Scrapy 项目 news_scraper：

scrapy startproject news_scraper

在 news_scraper/spiders 目录下，创建一个名为 news_spider.py 的文件：

import scrapy

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

    def parse(self, response):
        for article in response.css('div.article'):
            title = article.css('h2.title::text').get()
            link = article.css('a::attr(href)').get()

            yield {
                'title': title,
                'link': link,
            }

        next_page = response.css('a.next::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

在 settings.py 中，设置一些基本配置：

DOWNLOAD_DELAY = 1
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'

运行爬虫：

scrapy crawl news

使用XPath和CSS选择器

Scrapy 选择器使用 XPath 和 CSS 选择器来提取数据，以下是示例代码：

  1. CSS 选择器示例

    # 提取所有段落的文本
paragraphs = response.css('p::text').getall()

# 提取所有链接的 href 属性
links = response.css('a::attr(href)').getall()

  2. XPath 选择器示例

    # 提取所有段落的文本
paragraphs = response.xpath('//p/text()').getall()

# 提取所有链接的 href 属性
links = response.xpath('//a/@href').getall()
  3. 选择器方法
    除了 getall，还可以使用 get 方法来获取第一个匹配结果： 
    first_paragraph = response.css('p::text').get()
first_link = response.css('a::attr(href)').get()
Scrapy的中间件与管道
中间件的使用场景

Scrapy 中间件提供了扩展框架功能的能力，可以在请求和响应通过 Scrapy 处理过程中进行拦截和修改。以下是中间件的主要应用场景：

  1. 设置请求头
    可以在中间件中设置请求头，如 User-Agent、Cookies 等：

    class UserAgentMiddleware(object):
   def process_request(self, request, spider):
       request.headers['User-Agent'] = 'Mozilla/5.0'

  2. 处理 Cookies
    可以在中间件中设置和处理 Cookies：

    class CookieMiddleware(object):
   def process_request(self, request, spider):
       request.cookies['session'] = '123456'

  3. 下载器中间件
    下载器中间件在请求和响应之间起作用，可以对请求和响应进行自定义处理。例如，添加代理服务器或设置请求头：

    class MyDownloaderMiddleware(object):
   def process_request(self, request, spider):
       # 添加代理服务器
       request.meta['proxy'] = 'http://proxy.example.com'
       return request

  4. 蜘蛛中间件
    蜘蛛中间件在蜘蛛处理请求和响应时介入，例如在请求被调度前或响应被处理前做一些额外的操作：

    class MySpiderMiddleware(object):
   def process_request(self, request, spider):
       # 在请求发送前做一些操作
       return None

   def process_response(self, response, request, spider):
       # 在响应处理前做一些操作
       return response

完整项目实例：配置和使用中间件

假设我们需要在请求中加入一个固定的 User-Agent，可以在 myproject/middlewares.py 文件中定义一个中间件：

class UserAgentMiddleware(object):
    def process_request(self, request, spider):
        request.headers['User-Agent'] = 'Mozilla/5.0'

在 settings.py 文件中启用该中间件：

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.UserAgentMiddleware': 543,
}

管道的作用与配置

管道（Pipelines）是 Scrapy 中用于处理和存储提取的数据的重要组件。例如，将数据保存到数据库、文件系统等。以下是管道的主要作用和配置方法：

  1. 定义管道
    在 myproject/pipelines.py 文件中定义管道类：

    class MyPipeline(object):
   def process_item(self, item, spider):
       # 处理 item 数据
       return item

  2. 启用管道
    在 settings.py 文件中启用管道：

    ITEM_PIPELINES = {
   'myproject.pipelines.MyPipeline': 300,
}

  3. 保存到数据库
    例如，使用 SQLite 数据库保存数据：

    import sqlite3

class SqlitePipeline(object):
   def __init__(self):
       self.conn = sqlite3.connect('data.db')
       self.c = self.conn.cursor()
       self.c.execute('''CREATE TABLE IF NOT EXISTS items (title text, link text)''')

   def process_item(self, item, spider):
       self.c.execute("INSERT INTO items VALUES (?, ?)", (item['title'], item['link']))
       self.conn.commit()
       return item

   def close_spider(self, spider):
       self.conn.close()

完整项目实例：配置和使用管道

假设我们需要将抓取的数据保存到 SQLite 数据库，可以在 myproject/pipelines.py 文件中定义一个管道：

import sqlite3

class SqlitePipeline(object):
    def __init__(self):
        self.conn = sqlite3.connect('data.db')
        self.c = self.conn.cursor()
        self.c.execute('''CREATE TABLE IF NOT EXISTS items (title text, link text)''')

    def process_item(self, item, spider):
        self.c.execute("INSERT INTO items VALUES (?, ?)", (item['title'], item['link']))
        self.conn.commit()
        return item

    def close_spider(self, spider):
        self.conn.close()

在 settings.py 文件中启用该管道：

ITEM_PIPELINES = {
    'myproject.pipelines.SqlitePipeline': 300,
}
Scrapy的下载器与请求
发起HTTP请求

Scrapy 使用 HTTP 请求来抓取数据。可以通过 requests 参数在 Scrapy 爬虫中发起 HTTP 请求。以下是一个示例：

  1. 发起 GET 请求

    import scrapy

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

   def parse(self, response):
       # 发起 GET 请求
       yield scrapy.Request('http://example.com/page', callback=self.parse_page)

       # 发起 POST 请求
       yield scrapy.Request('http://example.com/post', method='POST', body='data=123', callback=self.parse_post)

   def parse_page(self, response):
       # 处理 GET 请求响应
       pass

   def parse_post(self, response):
       # 处理 POST 请求响应
       pass
  2. 处理请求
    在 parse 方法中，可以使用 yield 关键字发起新的请求，并指定回调函数。回调函数会在新请求的响应返回时调用。
设置请求头与参数

Scrapy 支持自定义请求头和参数。以下是设置请求头和参数的示例：

  1. 设置请求头

    headers = {
   'User-Agent': 'Mozilla/5.0',
   'Content-Type': 'application/json',
}
yield scrapy.Request(url, headers=headers, callback=self.parse)

  2. 设置请求参数

    data = {
   'param1': 'value1',
   'param2': 'value2',
}
yield scrapy.Request(url, method='POST', body=data, callback=self.parse)
  3. 使用 FormRequest
    如果需要发送表单数据，可以使用 FormRequest 类： 
    yield scrapy.FormRequest(url, formdata={'username': 'user', 'password': 'pass'}, callback=self.parse_login)

完整项目实例：发起HTTP请求

假设我们需要从 example.com 发起一个 GET 请求并抓取数据，可以在 news_scraper/spiders 目录下创建一个名为 http_request_spider.py 的文件：

import scrapy

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

    def parse(self, response):
        # 发起 GET 请求
        yield scrapy.Request('http://example.com/page', callback=self.parse_page)

    def parse_page(self, response):
        # 处理 GET 请求响应
        pass

在 settings.py 文件中设置延迟时间：

DOWNLOAD_DELAY = 1

运行爬虫：

scrapy crawl http_request
Scrapy的实战应用与调试技巧
实战案例分析

下面是一个完整的 Scrapy 实战案例，用于从一个网站抓取新闻标题和链接。

创建项目

scrapy startproject news_scraper

创建爬虫

在 news_scraper/spiders 目录下创建一个名为 news_spider.py 的文件，并定义爬虫：

import scrapy

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

    def parse(self, response):
        for article in response.css('div.article'):
            title = article.css('h2.title::text').get()
            link = article.css('a::attr(href)').get()

            yield {
                'title': title,
                'link': link,
            }

        next_page = response.css('a.next::attr(href)').get()
        if next_page is not None:
            yield response.follow(next_page, self.parse)

运行爬虫

在命令行中执行以下命令运行爬虫：

scrapy crawl news

保存数据

在 news_scraper/pipelines.py 中定义一个管道：

import json

class NewsScraperPipeline(object):
    def __init__(self):
        self.file = open("items.json", "w")

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + "\n"
        self.file.write(line)
        return item

    def close_spider(self, spider):
        self.file.close()

配置管道

在 settings.py 中启用管道：

ITEM_PIPELINES = {
   'news_scraper.pipelines.NewsScraperPipeline': 300,
}
常见问题解答与调试方法

在使用 Scrapy 进行网络爬取时，可能会遇到一些常见的问题。以下是一些常见问题的解答和调试方法：

问题：抓取速度过快，被服务器限制

解答：可以设置 DOWNLOAD_DELAY 参数来减缓抓取速度，避免被服务器封锁：

DOWNLOAD_DELAY = 1  # 1 秒延迟

问题：请求被重定向

解答：可以在 settings.py 中设置 REDIRECT_ENABLED 参数为 False，并使用 response.meta['redirect_urls'] 获取重定向 URL。

REDIRECT_ENABLED = False

问题：请求被拒绝

解答：检查请求头是否正确设置，确保 User-Agent 和 Cookies 都正确。

headers = {
    'User-Agent': 'Mozilla/5.0',
    'Cookies': 'session=123456',
}

问题：XPath 或 CSS 选择器提取错误

解答：使用 Scrapy Shell 来验证选择器是否正确：

scrapy shell 'http://example.com'

然后在 Shell 中测试选择器：

response.css('div.article').getall()

问题：数据格式不正确

解答：检查数据项是否符合预期格式，并确保管道正确处理数据。例如，使用 json 库将数据保存为 JSON 格式。

调试技巧

  1. 使用 Scrapy Shell
    Scrapy Shell 是一个强大的调试工具，可以在不运行完整爬虫的情况下测试选择器和请求：

    scrapy shell 'http://example.com'

  2. 打印日志
    使用 logging 模块或 print 语句打印调试信息：

    import logging

logging.warning('This is a warning message')

  3. 设置日志级别
    在 settings.py 中设置日志级别，以便获取更多调试信息：

    LOG_LEVEL = 'DEBUG'
  4. 使用断点调试
    如果使用 IDE（如 PyCharm），可以在代码中设置断点进行调试。例如，使用 pdb 模块： 
    import pdb; pdb.set_trace()

通过这些调试技巧，您可以有效地查找并解决 Scrapy 爬虫中的问题。

这篇关于Scrapy资料入门教程：新手必读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