Python Scrapy

什么是爬虫？

网络爬虫（英语：web crawler），也叫网络蜘蛛（spider），是一种用来自动浏览万维网的网络机器人。其目的一般为编纂网络索引。

Python 爬虫

在爬虫领域，Python几乎是霸主地位，将网络一切数据作为资源，通过自动化程序进行有针对性的数据采集以及处理。从事该领域应学习爬虫策略、高性能异步IO、分布式爬虫等，并针对Scrapy框架源码进行深入剖析，从而理解其原理并实现自定义爬虫框架。

Python 爬虫爬虫框架 Scrapy

Scrapy 是用 Python 编写实现的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。Scrapy 常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。

Python Scrapy 核心

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

**Scheduler(调度器): **它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

**Downloader（下载器）：**负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

**Spider（爬虫）：**它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器).

**Item Pipeline(管道)：**它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方。

**Downloader Middlewares（下载中间件）：**你可以当作是一个可以自定义扩展下载功能的组件。

**Spider Middlewares（Spider中间件）：**你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

Scrapy Demo

# 创建爬虫虚拟环境
$ conda create --name scrapy python=3.6

# 激活虚拟环境
$ activate scrapy

# 安装scrapy
$ conda install scrapy

# 使用 scrapy 提供的工具创建爬虫项目
$ scrapy startproject myScrapy

# 启动爬虫
$ scrapy crawl scrapyName

项目文件介绍

scrapy.cfg: 项目的配置文件。
mySpider/: 项目的Python模块，将会从这里引用代码。
mySpider/items.py: 项目的目标文件。
mySpider/pipelines.py: 项目的管道文件。
mySpider/settings.py: 项目的设置文件。
mySpider/spiders/: 存储爬虫代码目录。

爬取豆瓣 top250

item.py

import scrapy

class DoubanItem(scrapy.Item): name = scrapy.Field() director = scrapy.Field() detail = scrapy.Field() star = scrapy.Field() synopsis = scrapy.Field() comment = scrapy.Field()
spiders/DoubanSpider.py

coding:utf-8

import scrapy from scrapy import Request

from douban.items import DoubanItem

class DoubanSpider(scrapy.Spider): name = "douban" allowed_domains = ['douban.com'] start_urls = ['https://movie.douban.com/top250'] def parse(self, response): movie_list = response.xpath("//div[@class='article']/ol/li") if movie_list and len(movie_list) > 0: for movie in movie_list: item = DoubanItem() item['name'] = movie.xpath("./div/div[2]/div[1]/a/span[1]/text()").extract()[0] item['director'] = movie.xpath("normalize-space(./div/div[2]/div[2]/p/text())").extract_first() item['detail'] = movie.xpath("normalize-space(./div/div[2]/div[2]/p[1]/text())").extract()[0] item['star'] = movie.xpath("./div/div[2]/div[2]/div/span[2]/text()").extract()[0] item['synopsis'] = movie.xpath("normalize-space(./div/div[2]/div[2]/p[2]/span/text())").extract()[0] item['comment'] = movie.xpath("./div/div[2]/div[2]/div/span[4]/text()").extract()[0] yield item next_link = response.xpath("//span[@class='next']/a/@href").extract() if next_link: yield Request("https://movie.douban.com/top250" + next_link[0], callback=self.parse, dont_filter=True)
pipelines.py

-- coding: utf-8 --

Define your item pipelines here

Don't forget to add your pipeline to the ITEM_PIPELINES setting

See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html

from database_handler import DatabaseHandler

class DoubanPipeline(object): def init(self): self.db = DatabaseHandler(host="xxx", username="xxx", password="xxx", database="xxx") def close_spider(self, spider): self.db.close() # 将 Item 实例保存到文件 def process_item(self, item, spider): sql = "insert into t_douban(name,director,detail,star,synopsis,comment) values('%s', '%s', '%s', '%s', '%s', '%s')" % ( item['name'], item['director'], item['detail'], item['star'], item['synopsis'], item['comment']) self.db.insert(sql) return item
DatabaseHandler.py

coding:utf-8

import pymysql from pymysql.err import *

class DatabaseHandler(object): def init(self, host, username, password, database, port=3306): """初始化数据库连接""" self.host = host self.username = username self.password = password self.port = port self.database = database self.db = pymysql.connect(self.host, self.username, self.password, self.database, self.port, charset='utf8') self.cursor = None def execute(self, sql): """执行SQL语句""" try: self.cursor = self.db.cursor() self.cursor.execute(sql) self.db.commit() except (MySQLError, ProgrammingError) as e: print(e) self.db.rollback() else: print("rowCount: %s rowNumber: %s" % (self.cursor.rowcount, self.cursor.rownumber)) finally: self.cursor.close() def update(self, sql): """ 更新操作""" self.execute(sql) def insert(self, sql): """插入数据""" self.execute(sql) return self.cursor.lastrowid def insert_bath(self, sql, rows): """批量插入""" try: self.cursor.executemany(sql, rows) self.db.commit() except (MySQLError, ProgrammingError) as e: print(e) self.db.rollback() else: print("rowCount: %s rowNumber: %s" % (self.cursor.rowcount, self.cursor.rownumber)) finally: self.cursor.close() def delete(self, sql): """删除数据""" self.execute(sql) def select(self, sql): """查询数据返回 map 类型的数据""" self.cursor = self.db.cursor(cursor=pymysql.cursors.DictCursor) result = [] try: self.cursor.execute(sql) data = self.cursor.fetchall() for row in data: result.append(row) except MySQLError as e: print(e) else: print(f"rowCount: {self.cursor.rowcount} rowNumber: {self.cursor.rownumber}") return result finally: self.cursor.close() def call_proc(self, name): """调用存储过程""" self.cursor.callproc(name) return self.cursor.fetchone() def close(self): """关闭连接""" self.db.close() if name == "main": pass
修改settings.py

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'

ITEM_PIPELINES = { 'mySpider.pipelines.DoubanPipeline': 300, }