手把手教你使用Scrapy框架来爬取北京新发地价格行情(理论篇)

开发 前端
大家好!我是霖hero。上个月的时候,我写了一篇关于IP代理的文章,手把手教你使用XPath爬取免费代理IP,今天在这里分享我的第二篇文章,希望大家可以喜欢。

[[426532]]

大家好!我是霖hero。上个月的时候,我写了一篇关于IP代理的文章,手把手教你使用XPath爬取免费代理IP,今天在这里分享我的第二篇文章,希望大家可以喜欢。

前言

有一天,我在逛街,突然被一声靓仔打断了我的脚步,回头一看,原来是水果摊阿姨叫我买水果,说我那么靓仔,便宜一点买给我,自恋的我无法拒绝阿姨的一声声靓仔,于是买了很多水果回家,家人问我水果多少钱,结果如何,没错,水果买贵了!今天我们使用scrapy框架来爬取北京新发地价格行情,了解商品价格,家人再也不怕我买贵东西啦。

Scrapy简介

在爬取之前,我们先来学习一下什么Scrapy框架。

Scrapy是一个基于Twisted的异步处理框架,是纯Python实现的爬虫框架,是提取结构性数据而编写的应用框架,其架构清晰,模块之间的耦合程度低,可扩展性极强,我们只需要少量的代码就能够快速抓取数据。

Scrapy框架介绍

首先我们看看经典的Scrapy框架架构图,如下图所示:

学Scrapy框架的绝大部分都看过这个图,图中分了很多部分,接下来,我们通过下面的表来简单地了解各个部分的作用。

名称 作用 是否要手写代码
Engine 引擎,负责数据和信号的在不同模块间的传递。
Scheduler 调度器,存放引擎发过来的requests请求,在引擎再次请求的时候将请求提供给引擎。
Downloader 下载器,下载网页响应的内容并将内容返回给引擎。
Spiders 爬虫,处理引擎传过来的网页内容并提取数据、url,并返回给引擎。
Item Pipeline 管道,处理引擎传过来的数据,主要任务是清洗、验证和存储数据。
Downloader Middlewares 下载器中间件,位于引擎和下载器之间的桥梁框架,主要是处理引擎与下载器之间的请求及响应,可以自定义下载扩展,如设置代理。 一般不用手写
Spider MiddlewaresSpider 中间件,位于引擎和爬虫之间的桥梁框架,主要处理向爬虫输入的响应和输出的结果及新的请求。

在表中,我们可以发现,每部分都要经过引擎,上图中Scrapy Engine部分也是放在正中心,由此可知,Engine引擎是整个框架的核心。

注意:这些模块部分只有Spiders和Item Pipeline需要我们自己手写代码,其他的大部分都不需要。

Scrapy项目

大致了解了Scrapy框架的各个部分后,接下来我们开始创建一个Scrapy项目,可以使用如下命令:

 

  1. scrapy startproject <Scrapy项目名> 

创建一个scrapy项目名为test1的项目,如下图所示:

这样我们就创建好Scrapy项目了,如下图所示:

其中:

  • spiders:存放spiders的文件夹;
  • items.py:Items的定义,定义爬取的数据结构;
  • middlewares.py:项目中间件文件,定义爬取时的中间件;
  • pipelines.py:项目管道文件,定义数据管道;
  • settings:项目设置文件;
  • scrapy.cfg:Scrapy部署配置文件。

Spider爬虫

创建spider爬虫

要创建Spider爬虫,首先我们要进入刚才创建的Scrapy目录中,再在命令行运行以下命令:

  1. scrapy genspider <爬虫名字> <允许爬取的域名> 

  1. http://quotes.toscrape.com 

网站为例子,该网站是一个著名作家名言的网站,创建Spider爬虫如下图所示:

创建spider爬虫后,spiders文件夹中多了一个firstspider.py,这个py文件就是我们创建爬虫,文件内容如下所示:

  1. import scrapy 
  2.  
  3. class FirstspiderSpider(scrapy.Spider): 
  4.     name = 'firstSpider' 
  5.     allowed_domains = ['quotes.toscrape.com'
  6.     start_urls = ['http://quotes.toscrape.com/'
  7.      
  8.     def parse(self, response): 
  9.         pass 

其中:

  • class FirstspiderSpider()是自定义spider类,继承自scrapy.Spider
  • name是定义此爬虫名称的字符串,每个项目唯一的名字,用来区分不同的Spider,启动爬虫时使用scrapy crawl +该爬虫名字;
  • allowed_domains是允许爬取的域名,防止爬虫爬到其他网站;
  • start_urls是最开始爬取的url;
  • parse()方法是负责解析返回响应、提取数据或进一步生成要处理的请求,注意:不能修改这个方法的名字。

parse()提取数据并启动爬虫

大致了解了firstspider.py文件内容后,我们接下来尝试在parse()方法中提取响应的数据,具体代码如下所示:

  1. xpath_parse = response.xpath('/html/body/div[1]/div[2]/div[1]/div'
  2. for xpath in xpath_parse: 
  3.     item={} 
  4.     item['text'] = xpath.xpath('./span[1]/text()').extract_first().replace('“','').replace('”','')       item['author']=xpath.xpath('./span[2]/small/text()').extract_first() 
  5.     print(item) 

这样我们就成功提取到引擎响应的内容数据了,接着输入以下命令来运行spider爬虫:

  1. scrapy crawl firstSpider 

运行结果如下:

运行后发现我们结果里面多了很多log日志,这时可以通过在settings.py添加以下代码,就可以屏蔽这些log日志:

  1. LOG_LEVEL="WARNING" 

这样就可以直接输入我们想要的内容,如下图所示:

有人可能问:那User-Agent在哪里设置?

我们可以在settings.py中设置User-Agent,代码如下所示:

items.py介绍

为了避免拼写错误或者定义字段错误,我们可以在items.py文件中定义好字段,在上面提取数据中,我们获取了text、author内容,所以我们可以在items.py定义text和author字段,具体代码如下所示:

  1. import scrapy 
  2. class Test1Item(scrapy.Item): 
  3.     text= scrapy.Field() 
  4.     author = scrapy.Field() 

在items.py文件中,我们只需要使用scrapy.Field()来进行定义即可,scrapy.Field()是一个字典,总的来说我们可以把该类理解为一个字典。

接着在firstspider.py文件中导入我们的items.py,以及修改item={},如下所示:

  1. from test1.items import Test1Item 
  2. item=Test1Item() 

有人可能会说为什么要多此一举定义一个字典呢?

当我们在获取到数据的时候,使用不同的item来存放不同的数据,在把数据交给pipeline的时候,可以通过isinstance(item,Test1Item)来判断数据属于哪个item,进行不同的数据(item)处理。

例如我们获取到京东、淘宝、拼多多的数据时,我们可以items.py文件中定义好对应的字段,具体代码如下:

  1. import scrapy 
  2. class jingdongItem(scrapy.Item): 
  3.     text= scrapy.Field() 
  4.     author = scrapy.Field() 
  5.  
  6. class taobaoItem(scrapy.Item): 
  7.     text= scrapy.Field() 
  8.     author = scrapy.Field() 
  9.  
  10. class pddItem(scrapy.Item): 
  11.     text= scrapy.Field() 
  12.     author = scrapy.Field() 

定义好字段后,这是我们通过在pipeline.py文件中编写代码,对不同的item数据进行区分,具体代码如下:

  1. from test1.items import jingdongItem 
  2. class Test1Pipeline: 
  3.     def process_item(self, item, spider): 
  4.         if isinstance(item,jingdongItem): 
  5.             print(item) 

首先我们通过导入我们的items.py,通过isinstance()函数来就可以成功获取到对应的item数据了。

pipelines.py介绍

Item Pipeline为项目管道,当Item生成后,它就会自动被送到Item Pipeline进行处理,我们常用Item Pipeline来做以下操作:

  • 清理HTML数据;
  • 验证爬取数据,检测爬取字段;
  • 查看并丢弃重复内容;
  • 将爬取结果保存到数据库。

pipelines.py内容如下所示:

  1. from itemadapter import ItemAdapter 
  2.  
  3. class Test1Pipeline: 
  4.     def process_item(self, item, spider): 
  5.         return item 

在process_item()方法中,传入了两个参数,一个参数是item,每次Spider生成的Item都会作为参数传递过来。另一个参数是spider,就是Spider的示例。

完成pipeline代码后,需要在setting.py中设置开启,开启方式很简单,只要把setting.py内容中的以下代码的注释取消即可:

  1. ITEM_PIPELINES = { 
  2.     'test1.pipelines.Test1Pipeline': 300, 

其中:

  • test1.pipelines.Test1Pipeline是pipeline的位置;
  • 300是pipeline的权重。

注意:

  • pipeline的权重越小优先级越高;
  • pipeline中的process_item()方法名不能修改为其他的名称;
  • pipeline能够定义多个。

当我们有多个spider爬虫时,为了满足不同的spider爬虫需求,这时可以定义不同的pipeline处理不同的item内容;

当一个spider的内容可能要做不同的操作时,例如存入不同的数据库中,这时可以定义不同的pipeline处理不同的item操作。

例如当我们有多个spider爬虫时,可以通过pipeline.py编写代码定义多个pipeline,具体代码如下:

  1. class jingdongPipeline1: 
  2.     def process_item(self, item, spider): 
  3.         if spider.name=="jingdong"
  4.             print(item) 
  5.         return item 
  6. class taobaoPipeline: 
  7.     def process_item(self, item, spider): 
  8.         if spider.name=="taobao"
  9.             print(item) 
  10.         return item 

这样我们就可以处理到对应的spider爬虫传递过来的数据了。

定义好pipeline后,我们要在settings.py中设置pipeline权重,也就是那个pipeline先运行,具体代码如下:

  1. ITEM_PIPELINES = { 
  2.    'test1.pipelines.jingdongPipeline': 300, 
  3.    'test1.pipelines.taobaoPipeline': 301, 

数据传输到pipeline中

在上面我们已经提取到想要的数据,接下来将数据传到pipeline中,传输很简单,我们只需要使用yield,代码如下:

  1. yield item 

没错,只要在spider爬虫中写入这一行代码即可,那么为什么要使用yield呢?,我用return不能行吗?

行,但yield是让整个函数变成一个生成器,每次遍历的时候挨个读到内存中,这样不会导致内存的占用量瞬间变高。

实现翻页

我们成功获取到了一页数据了,那么问题来了,如何实现翻页呢,方法有很多种,我们主要介绍两种。

第一种:使用start_requests()方法

我们通过在spider爬虫中,也就是我们创建的firstspider.py中添加以下代码,具体代码如下:

  1. def start_requests(self): 
  2.     for i in range(1,3): 
  3.         url=f'https://quotes.toscrape.com/page/{i}/' 
  4.         yield scrapy.Request(url=url,callback=self.parse) 

第二种:在parse()方法中实现翻页

我们可以通过parse()方法中实现翻页,具体代码如下:

  1. for i in range(2,3): 
  2.     url = f'https://quotes.toscrape.com/page/{i}/' 
  3.     yield scrapy.Request(url=url,callback=self.parse) 

大家可以发现,上面两种翻页方式都差不多,只是一个在start_requests()方法实现,一个在parse()方法实现。

但都要使用scrapy.Request()方法,该方法能构建一个requests,同时指定提取数据的callback函数

  1. scrapy.Requeset(url,callback,method='GET',headers,cookies,meta,dont_filter=False

其中:

  • url:表示爬取的url链接;
  • callback:指定传入的url交给哪个解析函数去处理;
  • headers:请求头;
  • cookies:用于识别用户身份、进行回话跟踪而存储在用户本地终端上的数据;
  • meta:实现在不同的解析函数中传递数据;
  • dont_filter:让scrapy的去重不会过滤当前url,scrapy默认有url去重的功能。

保存数据

我们已经获取到数据而且实现了翻页,接下来是保存数据。

保存在文件中

当我们要把数据保存成文件的时候,不需要任何额外的代码,只要执行如下代码即可:

  1. scrapy crawl spider爬虫名 -o xxx.json            #保存为JSON文件 
  2. scrapy crawl spider爬虫名 -o xxx.jl或jsonlines    #每个Item输出一行json 
  3. scrapy crawl spider爬虫名 -o xxx.csv          #保存为csv文件 
  4. scrapy crawl spider爬虫名 -o xxx.xml            #保存为xml文件 

想要保存为什么格式的文件,只要修改后缀就可以了,在这里我就不一一例举了。

保存MongoDB中

当我们要把数据保存在MongoDB数据库的时候,就要使用Item Pipeline模块了,也就是说要在pipeline.py中编写代码,具体代码如下所示:

  1. from pymongo import  MongoClient 
  2. client=MongoClient() 
  3. collection=client["test1"]["firstspider"
  4.  
  5. class Test1Pipeline: 
  6.     def process_item(self, item, spider): 
  7.         collection.insert(item) 
  8.         return item 

首先我们导入MongoClient模块并实例化MongoClient,创建一个集合,然后在process_item()方法中使用insert()方法把数据插入MongoDB数据库中。

好了,Scrapy知识就讲到这里,下一篇文章小编将带大家爬取北京新发地价格行情,顺便巩固我们今天学的知识。

总结

大家好,我是霖hero。这篇文章主要给大家分享了Scrapy框架的条条框框,Scrapy是一个基于Twisted的异步处理框架,是纯Python实现的爬虫框架,是提取结构性数据而编写的应用框架,其架构清晰,模块之间的耦合程度低,可扩展性极强。

本文转载自微信公众号「Python爬虫与数据挖掘」,可以通过以下二维码关注。转载本文请联系Python爬虫与数据挖掘公众号。

 

责任编辑:武晓燕 来源: Python爬虫与数据挖掘
相关推荐

2021-09-30 09:00:34

Scrapy网络爬虫Python

2021-07-03 09:04:22

XPathPython免费代理IP

2021-04-30 09:05:37

爬虫框架数据

2021-07-14 09:00:00

JavaFX开发应用

2018-05-16 13:50:30

Python网络爬虫Scrapy

2022-05-26 12:26:27

CSSJS逆向

2022-12-07 08:42:35

2021-05-08 08:04:05

Python爬取素材

2020-03-08 22:06:16

Python数据IP

2021-01-30 10:37:18

ScrapyGerapy网络爬虫

2011-05-03 15:59:00

黑盒打印机

2011-01-10 14:41:26

2021-08-02 07:35:19

Nacos配置中心namespace

2021-03-12 10:01:24

JavaScript 前端表单验证

2022-07-22 12:45:39

GNU

2021-12-15 08:49:21

gpio 子系统pinctrl 子系统API

2020-05-15 08:07:33

JWT登录单点

2022-10-30 10:31:42

i2ccpuftrace

2020-10-21 08:05:45

Scrapy

2011-02-22 13:46:27

微软SQL.NET
点赞
收藏

51CTO技术栈公众号