Python Scrapy 库

Scrapy 是一个功能强大的 Python 爬虫框架，专门用于抓取网页数据并提取信息。

Scrapy常被用于数据挖掘、信息处理或存储历史数据等应用。

Scrapy 内置了许多有用的功能，如处理请求、跟踪状态、处理错误、处理请求频率限制等，非常适合进行高效、分布式的网页爬取。

与简单的爬虫库（如 requests 和 BeautifulSoup）不同，Scrapy 是一个全功能的爬虫框架，具有高度的可扩展性和灵活性，适用于复杂和大规模的网页抓取任务。

Scrapy 官网：https://scrapy.org/。

Scrapy 特点与介绍：https://www.runoob.com/w3cnote/scrapy-detail.html。

Scrapy 架构图(绿线是数据流向):

Scrapy 的工作基于以下几个核心组件：

• Spider：爬虫类，用于定义如何从网页中提取数据以及如何跟踪网页的链接。
• Item：用来定义和存储抓取的数据。相当于数据模型。
• Pipeline：用于处理抓取到的数据，常用于清洗、存储数据等操作。
• Middleware：用来处理请求和响应，可以用于设置代理、处理 cookies、用户代理等。
• Settings：用来配置 Scrapy 项目的各项设置，如请求延迟、并发请求数等。

安装 Scrapy

在使用 Scrapy 之前，你需要先安装它，我们使用 pip 安装：

pip install scrapy

Scrapy 项目结构

Scrapy 项目是一个结构化的目录，其中包含多个文件夹和模块，旨在帮助你组织爬虫的代码。

Scrapy 使用命令行工具来创建和管理爬虫项目。你可以使用以下命令创建一个新的 Scrapy 项目：

scrapy startproject myproject

这将创建一个名为 myproject 的项目，项目结构大致如下：

myproject/
    scrapy.cfg            # 项目的配置文件
    myproject/            # 项目源代码文件夹
        __init__.py
        items.py          # 定义抓取的数据结构
        middlewares.py    # 定义中间件
        pipelines.py      # 定义数据处理管道
        settings.py       # 项目的设置文件
        spiders/           # 存放爬虫代码的文件夹
            __init__.py
            myspider.py   # 自定义的爬虫代码

编写一个简单的 Scrapy 爬虫

以下是一个基本的 Scrapy 爬虫示例，展示了如何从网页中抓取数据。

我们创建一个爬虫项目：

scrapy startproject runoob_test_spiders

执行以上命令，如果成功会输出：

templates/project', created in:/Users/Runoob/runoob-test/runoob_test_spiders

You can start your first spider with:
    cd runoob_test_spiders
    scrapy genspider example example.com

生成的项目结构如下：

然后进入该目录：

cd runoob_test_spiders

接下来通过 scrapy genspider 命令来创建一个爬虫：

scrapy genspider douban_spider movie.douban.com

目录结构如下：

runoob_test_spiders 目录下生成一个名为 douban_spider.py 的文件，代码如下：

代码说明：

• name：定义爬虫的名称，必须是唯一的。
• allowed_domains：限制爬虫的访问域名，防止爬虫爬取其他域名的网页。
• start_urls：定义爬虫的起始页面，爬虫将从这些页面开始抓取。
• parse：parse 方法是每个爬虫的核心部分，用于处理响应并提取数据。它接收一个 response 对象，表示服务器返回的页面内容。

编写爬虫代码

编写爬虫代码前我们需要注意几个点：

• 豆瓣等网站可能会检测爬虫行为，建议设置 USER_AGENT 和 DOWNLOAD_DELAY 来模拟正常用户行为。
• 在爬取数据时，请遵守目标网站的 robots.txt 文件规定，避免对服务器造成过大压力。
• 如果频繁爬取，可能会触发 IP 封禁。

修改 settings.py 配置

在 settings.py 中添加以下配置，以模拟浏览器请求并绕过反爬虫机制：

# 设置 User-Agent
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'

# 不遵守 robots.txt 规则
ROBOTSTXT_OBEY = False

# 设置下载延迟，避免过快请求
DOWNLOAD_DELAY = 2

# 启用自动限速扩展
AUTOTHROTTLE_ENABLED = True
AUTOTHROTTLE_START_DELAY = 2
AUTOTHROTTLE_MAX_DELAY = 5

在爬虫代码中，添加自定义请求头（如 User-Agent 和 Referer），以进一步模拟浏览器行为。

打开 douban_spider.py 文件，并修改其内容如下：

代码解析：

1. name = "douban_spider": 定义爬虫的名称。

2. start_urls: 定义爬虫开始爬取的初始 URL（豆瓣电影 Top 250 页面）。

3. parse 方法:

   • 使用 CSS 选择器提取每部电影的标题、评分和简介。

   • span.title::text：提取电影标题。

   • span.rating_num::text：提取电影评分。

   • span.inq::text：提取电影简介。

4. 分页处理:

   • 使用 span.next a::attr(href) 提取下一页的链接。

   • 如果存在下一页，使用 response.follow 继续爬取。

在命令行中运行以下命令来启动爬虫：

scrapy crawl douban_spider -o douban_movies.csv

这将启动爬虫并将提取的数据保存到 douban_movies.csv 文件中。

注意：以上内容仅供学习，在爬取数据时，请遵守目标网站的 robots.txt 文件规定。

常用方法

1. 爬虫方法

2. 数据提取方法

3. 请求与响应方法

4. 中间件与管道方法

5. 工具与扩展方法

6. 常用设置（settings.py）

7. 其他常用方法

以上表格列出了 Scrapy 中常用的方法及其作用。这些方法涵盖了爬虫开发的各个方面，包括请求生成、数据提取、中间件处理、管道操作等。通过掌握这些方法，你可以高效地编写和管理 Scrapy 爬虫。如果需要更详细的功能，可以参考 Scrapy 官方文档。

方法使用举例

1. start_requests()

start_requests() 方法是 Scrapy 爬虫的入口点，用于生成初始请求。通常在这个方法中定义爬虫的起始 URL。

2. parse()

parse() 方法是默认的响应处理方法，用于解析响应并提取数据或生成新的请求。

3. parse_item()

parse_item() 方法用于解析单个项目（Item）的响应，通常用于提取结构化数据。

4. follow()

follow() 方法用于生成新的请求并自动处理响应，通常用于跟踪链接。

5. yield

yield 关键字用于生成请求或项目（Item），并将其传递给 Scrapy 引擎进行处理。

6. Item

Item 类用于定义数据结构，通常用于存储从网页中提取的数据。

7. ItemLoader

ItemLoader 类用于加载和填充 Item 对象，简化数据提取和处理的流程。

8. Request

Request 类用于生成 HTTP 请求对象，通常用于定义请求的 URL、回调方法等。

9. Response

Response 类表示 HTTP 响应对象，包含从服务器返回的 HTML 内容、状态码等信息。

10. Selector

Selector 类用于从 HTML 或 XML 文档中提取数据，支持 XPath 和 CSS 选择器。

11. CrawlSpider

CrawlSpider 是一种特殊的 Spider 类，用于处理复杂的爬取规则和链接跟踪。

12. LinkExtractor

LinkExtractor 类用于从响应中提取链接，通常用于自动跟踪页面中的链接。

13. Pipeline

Pipeline 类用于处理爬取到的数据，通常用于数据清洗、存储等操作。

14. Middleware

Middleware 类用于处理请求和响应的中间件，通常用于修改请求头、处理异常等操作。