Scrapy爬虫轻松抓取网站数据(以bbs为例,提供源码)

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。　　其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

　　Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下：

　　Scrapy主要包括了以下组件：

引擎：用来处理整个系统的数据流处理，触发事务。
调度器：用来接受引擎发过来的请求，压入队列中，并在引擎再次请求的时候返回。
下载器：用于下载网页内容，并将网页内容返回给蜘蛛。
蜘蛛：蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。
项目管道：负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件：位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
蜘蛛中间件：介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件：介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

　　使用Scrapy可以很方便的完成网上数据的采集工作，它为我们完成了大量的工作，而不需要自己费大力气去开发。

Scrapy Tutorial

　　在本文中，假定您已经安装好Scrapy。如若不然，请参考 Installation guide。　　接下来以爬取饮水思源BBS数据为例来讲述爬取过程，详见 bbsdmoz代码。　　本篇教程中将带您完成下列任务：

1. 创建一个Scrapy项目2. 定义提取的Item3. 编写爬取网站的 spider 并提取 Item4. 编写 Item Pipeline 来存储提取到的Item(即数据)

　　Scrapy由Python编写。如果您刚接触并且好奇这门语言的特性以及Scrapy的详情，对于已经熟悉其他语言并且想快速学习Python的编程老手，我们推荐 Learn Python The Hard Way ，对于想从Python开始学习的编程新手，非程序员的Python学习资料列表将是您的选择。

Creating a project

　　在开始爬取之前，您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中，运行下列命令：

1	scrapy startproject bbsdmoz

　　该命令将会创建包含下列内容的 bbsDmoz 目录：

bbsDmoz/
scrapy.cfg
bbsDmoz/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py        ...

　　这些文件分别是：

scrapy.cfg: 项目的配置文件
bbsDmoz/: 该项目的python模块。之后您将在此加入代码。
bbsDmoz/items.py: 项目中的item文件.
bbsDmoz/pipelines.py: 项目中的pipelines文件.
bbsDmoz/settings.py: 项目的设置文件.
bbsDmoz/spiders/: 放置spider代码的目录.

Defining our Item

　　Item 是保存爬取到的数据的容器；其使用方法和python字典类似，并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。　　类似在ORM中做的一样，您可以通过创建一个 scrapy.Item 类，并且定义类型为 scrapy.Field 的类属性来定义一个Item。(如果不了解ORM,不用担心，您会发现这个步骤非常简单) 　　首先根据需要从bbs网站获取到的数据对item进行建模。我们需要从中获取url，发帖板块，发帖人，以及帖子的内容。对此，在item中定义相应的字段。编辑 bbsDmoz 目录中的 items.py 文件：

123456789101112	# -- coding: utf-8 --# Define here the models for your scraped items# See documentation in:# http://doc.scrapy.org/en/latest/topics/items.htmlfrom scrapy.item import Item, Fieldclass BbsDmozItem(Item):# define the fields for your item here like:# name = scrapy.Field()url = Field()forum = Field()poster = Field()content = Field()

　　一开始这看起来可能有点复杂，但是通过定义item，您可以很方便的使用Scrapy的其他方法。而这些方法需要知道您的item的定义。

Our first Spider

　　Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。　　其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容，提取生成 item 的方法。

创建一个Spider

　　为了创建一个Spider，保存在 bbsDmoz/spiders，您必须继承 scrapy.Spider 类，且定义以下三个属性:

name: 用于区别Spider。该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
start_urls: 包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
parse() 是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

Selectors选择器

　　从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 和 CSS 表达式机制： Scrapy Selectors。关于selector和其他提取机制的信息请参考 Selector文档。　　我们使用XPath来从页面的HTML源码中选择需要提取的数据。这里给出XPath表达式的例子及对应的含义:

/html/head/title: 选择HTML文档中 <head> 标签内的 <title> 元素
/html/head/title/text(): 选择上面提到的 <title> 元素的文字
//td: 选择所有的 <td> 元素
//div[@class="mine"]: 选择所有具有 class="mine" 属性的 div 元素

　　以饮水思源BBS一页面为例：https://bbs.sjtu.edu.cn/bbstcon?board=PhD&reid=1406973178&file=M.1406973178.A 　　观察HTML页面源码并创建我们需要的数据(种子名字，描述和大小)的XPath表达式。　　通过观察，我们可以发现poster是包含在 pre/a 标签中的，这里是userid=jasperstream:

123	...<pre>[<a href='bbspst?board=PhD&file=M.1406973178.A'>回复本文</a>][<a href='bbscon?board=PhD&file=M.1406973178.A'>原帖</a>] 发信人: <a href="bbsqry?userid=jasperstream">jasperstream</a>

　　因此可以提取jasperstream的 XPath 表达式为：

1	'//pre/a/text()'

　　同理我可以提取其他内容的XPath，并最好在提取之后验证其正确性。上边仅仅是几个简单的XPath例子，XPath实际上要比这远远强大的多。如果您想了解的更多，我们推荐这篇XPath教程。　　为了配合XPath，Scrapy除了提供了 Selector 之外，还提供了方法来避免每次从response中提取数据时生成selector的麻烦。　　Selector有四个基本的方法(点击相应的方法可以看到详细的API文档):

xpath(): 传入xpath表达式，返回该表达式所对应的所有节点的selector list列表。
css(): 传入CSS表达式，返回该表达式所对应的所有节点的selector list列表.
extract(): 序列化该节点为unicode字符串并返回list。
re(): 根据传入的正则表达式对数据进行提取，返回unicode字符串list列表。

　　如提取上述的poster的数据：

1	sel.xpath('//pre/a/text()').extract()

使用Item

Item 对象是自定义的python字典。您可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)。一般来说，Spider将会将爬取到的数据以 Item 对象返回。　

Spider代码

　　以下为我们的第一个Spider代码，保存在 bbsDmoz/spiders 目录下的 forumSpider.py 文件中：

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950

#-*- coding: utf-8 -*-'''bbsSpider, Created on Oct, 2014#version: 1.0#author: chenqx @http://chenqx.github.comSee more: http://doc.scrapy.org/en/latest/index.html'''from scrapy.selector import Selectorfrom scrapy.http import Requestfrom scrapy.contrib.spiders import CrawlSpiderfrom scrapy.contrib.loader import ItemLoaderfrom scrapy.contrib.linkextractors.sgml import SgmlLinkExtractorfrom bbs.items import BbsItemclass forumSpider(CrawlSpider):# name of spidersname = 'bbsSpider'allow_domain = ['bbs.sjtu.edu.cn']start_urls = [ 'https://bbs.sjtu.edu.cn/bbsall' ]link_extractor = {'page': SgmlLinkExtractor(allow = '/bbsdoc,board,w+.html$'),'page_down': SgmlLinkExtractor(allow = '/bbsdoc,board,w+,page,d+.html$'),'content': SgmlLinkExtractor(allow = '/bbscon,board,w+,file,M.d+.A.html$'),}_x_query = {'page_content': '//pre/text()[2]','poster' : '//pre/a/text()','forum' : '//center/text()[2]',}def parse(self, response):for link in self.link_extractor['page'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)def parse_page(self, response):for link in self.link_extractor['page_down'].extract_links(response):yield Request(url = link.url, callback=self.parse_page)for link in self.link_extractor['content'].extract_links(response):yield Request(url = link.url, callback=self.parse_content)def parse_content(self, response):bbsItem_loader = ItemLoader(item=BbsItem(), response = response)url = str(response.url)bbsItem_loader.add_value('url', url)bbsItem_loader.add_xpath('forum', self._x_query['forum'])bbsItem_loader.add_xpath('poster', self._x_query['poster'])bbsItem_loader.add_xpath('content', self._x_query['page_content'])return bbsItem_loader.load_item()

Define Item Pipeline

　　当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。　　每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。　　以下是item pipeline的一些典型应用：

清理HTML数据
验证爬取的数据(检查item包含某些字段)
查重(并丢弃)
将爬取结果保存，如保存到数据库、XML、JSON等文件中

编写 Item Pipeline

　　编写你自己的item pipeline很简单，每个item pipeline组件是一个独立的Python类，同时必须实现以下方法:

 process_item(item, spider)
　　每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象，或是抛出 DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理。
　　参数：item (Item object) – 由 parse 方法返回的 Item 对象
　　　　　spider (Spider object) – 抓取到这个 Item 对象对应的爬虫对象

　　此外,他们也可以实现以下方法：

open_spider(spider)
　　当spider被开启时，这个方法被调用。
　　参数: spider (Spider object) – 被开启的spider
close_spider(spider)
　　当spider被关闭时，这个方法被调用，可以再爬虫关闭后进行相应的数据处理。
　　参数: spider (Spider object) – 被关闭的spider

　　本文爬虫的item pipeline如下，保存为XML文件：

12345678910111213141516171819202122232425262728293031

# -*- coding: utf-8 -*-# Define your item pipelines here# Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.htmlfrom scrapy import signalsfrom scrapy import logfrom bbsDmoz.items import BbsDmozItemfrom twisted.enterprise import adbapifrom scrapy.contrib.exporter import XmlItemExporterfrom dataProcess import dataProcessclass XmlWritePipeline(object):def __init__(self):pass@classmethoddef from_crawler(cls, crawler):pipeline = cls()crawler.signals.connect(pipeline.spider_opened, signals.spider_opened)crawler.signals.connect(pipeline.spider_closed, signals.spider_closed)return pipelinedef spider_opened(self, spider):self.file = open('bbsData.xml', 'wb')self.expoter = XmlItemExporter(self.file)self.expoter.start_exporting()def spider_closed(self, spider):self.expoter.finish_exporting()self.file.close()# process the crawled data, define and call dataProcess function# dataProcess('bbsData.xml', 'text.txt')def process_item(self, item, spider):self.expoter.export_item(item)return item

启用和设置 Item Pipeline

　　为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 就像下面这个例子：

123	ITEM_PIPELINES = {'bbsDmoz.pipelines.XmlWritePipeline': 1000,}

　　分配给每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。

Settings

　　Scrapy设定(settings)提供了定制Scrapy组件的方法。您可以控制包括核心(core)，插件(extension)，pipeline及spider组件。　　设定为代码提供了提取以key-value映射的配置值的的全局命名空间(namespace)。设定可以通过下面介绍的多种机制进行设置。　　设定(settings)同时也是选择当前激活的Scrapy项目的方法(如果您有多个的话)。　　在setting配置文件中，你可一定以抓取的速率、是否在桌面显示抓取过程信息等。详细请参考内置设定列表请参考。　　本爬虫的setting配置如下：

12345678910111213141516

# -*- coding: utf-8 -*-# Scrapy settings for bbs project# For simplicity, this file contains only the most important settings by# default. All the other settings are documented here:# http://doc.scrapy.org/en/latest/topics/settings.htmlBOT_NAME = 'bbsDomz'CONCURRENT_REQUESTS = 200LOG_LEVEL = 'INFO'COOKIES_ENABLED = TrueRETRY_ENABLED = TrueSPIDER_MODULES = ['bbsDomz.spiders']NEWSPIDER_MODULE = 'bbsDomz.spiders'# JOBDIR = 'jobdir'ITEM_PIPELINES = {'bbsDomz.pipelines.XmlWritePipeline': 1000,}

Crawling

　　写好爬虫程序后，我们就可以运行程序抓取数据。进入项目的根目录bbsDomz/下，执行下列命令启动spider：

1	scrapy crawl bbsSpider

　　这样就等程序运行结束就还可以啦。