万字长文带你入门Scrapy – Scrapy简明教程

本文转载自:http://realpython.cn/open-framework/scrapy/scrapy-intro-tutorial/

本文通过示例简要介绍一下使用Scrapy抓取网站内容的基本方法和流程。

继续阅读之前请确保已安装了scrapy。

基本安装方法为:pip install scrapy

我们已经在之前的文章中初步介绍了scrapy,本文是前文的进一步拓展。

本文主要包含如下几部分:

1,创建一个scrapy项目

2,编写一个爬虫(或蜘蛛spider,本文中含义相同)类用于爬取网站页面并提取数据

3,使用命令行导出爬到的数据

4,递归地爬取子页面

5,了解并使用spider支持的参数

我们测试的网站为quotes.toscrape.com,这是一个收录名人警句的站点。Let’s go!

  • 创建爬虫项目

Scrapy将爬虫代码各模块及配置组织为一个项目。Scrapy安装成功后,你可以在shell中使用如下命令创建一个新的项目:

scrapy startproject tutorial

这将会创建一个tutorial目录,该目录的文件结构如下所示:

    scrapy.cfg            # 部署配置文件

    tutorial/             # 项目的Python模块, 我们从这个模块中导入所需代码
        __init__.py

        items.py          # items定义文件

        middlewares.py    # middlewares(中间件)定义文件

        pipelines.py      # pipelines(流水线)定义文件

        settings.py       # 项目配置文件

        spiders/          # 存放spider的目录
            __init__.py
  • 编写蜘蛛类

Spiders是Scrapy中需要定义的实现爬取功能的类。

每个spider继承自Spider基类。spider主要定义了一些起始url,并负责解析web页面元素,从中提前所需数据。也可以产生新的url访问请求。

下边这段代码就是我们所定义的spider,将其保存为quotes_spider.py,放在项目的tutorial/spiders/目录下。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Saved file %s' % filename)

在我们的代码中,QuotesSpider继承自scrapy.Spider,并定义了一些属性和方法:

name:用于在项目中唯一标识一个spider。项目中可以包含多个spider,其name必须唯一。

start_requests():用于产生初始的url,爬虫从这些页面开始爬行。这个函数需要返回一个包含Request对象的iterable,可以是一个列表(list)或者一个生成器(generator)。我们的例子中返回的是一个生成器。

parse():是一个回调函数,用于解析访问url得到的页面,参数response包含了页面的详细内容,并提供了诸多从页面中提取数据的方法。我们通常在parse中将提取的数据封装为dict,查找新的url,并为这些url产生新的Request,以继续爬取。

  • 运行蜘蛛

Spider定义好了之后,我们可以在项目的顶层目录,即最顶层的tutorial,执行如下命令来运行这个spider:

scrapy crawl quotes

这个命令会在项目的spiders目录中查找并运行name为quotes的Spider,它会向quotes.toscrape.com这个网站发起HTTP请求,并获取如下响应:

... 
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Spider opened
2016-12-16 21:24:05 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2016-12-16 21:24:05 [scrapy.extensions.telnet] DEBUG: Telnet console listening on 127.0.0.1:6023
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://quotes.toscrape.com/robots.txt> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
2016-12-16 21:24:05 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/2/> (referer: None)
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-1.html
2016-12-16 21:24:05 [quotes] DEBUG: Saved file quotes-2.html
2016-12-16 21:24:05 [scrapy.core.engine] INFO: Closing spider (finished)
...

这些输出告诉我们,爬虫已成功访问了一些url,并将其内容保存为html文件。这正是我们在parse()中定义的功能。

  • 底层执行逻辑

Scrapy统一调度由spider的start_requests()方法产生的Request。每当Request请求完成之后,Scrapy便创建一个与之相应的Response,并将这个Response作为参数传递给Request关联的回调函数(callback),由回调函数来解析这个web响应页面,从中提取数据,或发起新的http请求。

这个流程由Scrapy内部实现,我们只需要在spider中定义好需要访问的url,以及如何处理页面响应就行了。

  • start_requests的简写

除了使用start_requests()产生请求对象Request之外,我们还可以使用一个简单的方法来生成Request。那就是在spider中定义一个start_urls列表,将开始时需要访问的url放置其中。如下所示:

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        page = response.url.split("/")[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)

实际上,spider仍然会去调用默认的start_requests()方法,在这个方法里读取start_urls,并生成Request。

这个简版的请求初始化方法也没有显式地将回调函数parse和Request对象关联。很容易想到,scrapy内部为我们做了关联:parse是scrapy默认的Request回调函数。

  • 数据提取

我们得到页面响应后,最重要的工作就是如何从中提取数据。这里先介绍一下Scrapy shell这个工具,它是scrapy内置的一个调试器,可以方便地拉取一个页面,测试数据提取方法是否可行。

scrapy shell的执行方法为:

scrapy shell 'http://quotes.toscrape.com/page/1/'

直接在后面加上要调试页面的url就行了,注意需要用引号包括url。

回车后会得到如下输出:

[ ... Scrapy log here ... ]
2016-09-19 12:09:27 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://quotes.toscrape.com/page/1/> (referer: None)
[s] Available Scrapy objects:
[s]   scrapy     scrapy module (contains scrapy.Request, scrapy.Selector, etc)
[s]   crawler    <scrapy.crawler.Crawler object at 0x7fa91d888c90>
[s]   item       {}
[s]   request    <GET http://quotes.toscrape.com/page/1/>
[s]   response   <200 http://quotes.toscrape.com/page/1/>
[s]   settings   <scrapy.settings.Settings object at 0x7fa91d888c10>
[s]   spider     <DefaultSpider 'default' at 0x7fa91c8af990>
[s] Useful shortcuts:
[s]   shelp()           Shell help (print this help)
[s]   fetch(req_or_url) Fetch request (or URL) and update local objects
[s]   view(response)    View response in a browser

我们接下来就可以在shell中测试如何提取页面元素了。

可以使用Response.css()方法来选取页面元素:

>>> response.css('title')
[<Selector xpath='descendant-or-self::title' data='<title>Quotes to Scrape</title>'>]

css()返回结果是一个selector列表,每个selector都是对页面元素是封装,它提供了一些用于获取元素数据的方法。

我们可以通过如下方法获取html title的内容:

>>> response.css('title::text').getall()
['Quotes to Scrape']

这里,我们在css查询中向title添加了::text,其含义是只获取<title>标签中的文本,而不是整个<title>标签:

>>> response.css('title').getall()
['<title>Quotes to Scrape</title>']

不加::text就是上边这个效果。

另外,getall()返回的是一个列表,这是由于通过css选取的元素可能是多个。如果只想获取第一个,可以用get():

>>> response.css('title::text').get()
'Quotes to Scrape'

还可以通过下标引用css返回的某个selector:

>>> response.css('title::text')[0].get()
'Quotes to Scrape'

如果css选择器没有匹配到页面元素,get()会返回None。

除了get()和getall(),我们还可以使用re()来实现正则提取:

>>> response.css('title::text').re(r'Quotes.*')
['Quotes to Scrape']
>>> response.css('title::text').re(r'Q\w+')
['Quotes']
>>> response.css('title::text').re(r'(\w+) to (\w+)')
['Quotes', 'Scrape']

所以,数据提取的重点就在于如何找到合适的css选择器。

常用的方法是借助于浏览器的开发者工具进行分析。在chrome中可以通过F12打开开发者工具。

  • XPath简介

除了css,Scrapy还支持使用XPath来选取页面元素

>>> response.xpath('//title')
[<Selector xpath='//title' data='<title>Quotes to Scrape</title>'>]
>>> response.xpath('//title/text()').get()
'Quotes to Scrape'

XPath表达式功能强大,它是Scrapy中选择器实现的基础,css在scrapy底层也会转换为XPath。

相较于css选择器,XPath不仅能解析页面结构,还可以读取元素内容。可以通过XPath方便地获取到页面上“下一页”这样的url,很适于爬虫这种场景。我们会在后续的Scrapy选取器相关内容进一步了解其用法,当然网上也有很多这方面的资料可供查阅。

  • 提取警句和作者

通过上边的介绍,我们已经初步了解了如何选取页面元素,如何提取数据。接下来继续完善这个spider,我们将从测试站点页面获取更多信息。

打开http://quotes.toscrape.com/,在开发者工具中查看单条警句的源码如下所示:

<div class="quote">
    <span class="text">“The world as we have created it is a process of our
    thinking. It cannot be changed without changing our thinking.”</span>
    <span>
        by <small class="author">Albert Einstein</small>
        <a href="/author/Albert-Einstein">(about)</a>
    </span>
    <div class="tags">
        Tags:
        <a class="tag" href="/tag/change/page/1/">change</a>
        <a class="tag" href="/tag/deep-thoughts/page/1/">deep-thoughts</a>
        <a class="tag" href="/tag/thinking/page/1/">thinking</a>
        <a class="tag" href="/tag/world/page/1/">world</a>
    </div>
</div>

现在我们打开scrapy shell来测试一下如何提取其中的元素。

$ scrapy shell 'http://quotes.toscrape.com'

shell获取到页面内容后,我们通过css选取器可以得到页面中的警句列表:

>>> response.css("div.quote")
[<Selector xpath="descendant-or-self::div[@class and contains(concat(' ', normalize-space(@class), ' '), ' quote ')]" data='<div class="quote" itemscope itemtype...'>,
 <Selector xpath="descendant-or-self::div[@class and contains(concat(' ', normalize-space(@class), ' '), ' quote ')]" data='<div class="quote" itemscope itemtype...'>,
 ...]

由于页面中有很多警句,这个结果是一个包含很多selector对象的列表。我们可以通过索引获取第一个selector,然后调用其中的方法得到元素内容。

>>> quote = response.css("div.quote")[0]

通过quote对象就可以提取其中的文字、作者和标签等内容,这同样是使用css选择器来实现的。

>>> text = quote.css("span.text::text").get()
>>> text
'“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”'
>>> author = quote.css("small.author::text").get()
>>> author
'Albert Einstein'

页面上每个警句都打了若干标签,我们可以通过getall()来获取这些标签字符串:

>>> tags = quote.css("div.tags a.tag::text").getall()
>>> tags
['change', 'deep-thoughts', 'thinking', 'world']

既然我们已经获取了第一个quote的内容,我们同样可以通过循环来获取当前页面所有quote的内容:

>>> for quote in response.css("div.quote"):
...     text = quote.css("span.text::text").get()
...     author = quote.css("small.author::text").get()
...     tags = quote.css("div.tags a.tag::text").getall()
...     print(dict(text=text, author=author, tags=tags))
{'text': '“The world as we have created it is a process of our thinking. It cannot be changed without changing our thinking.”', 'author': 'Albert Einstein', 'tags': ['change', 'deep-thoughts', 'thinking', 'world']}
{'text': '“It is our choices, Harry, that show what we truly are, far more than our abilities.”', 'author': 'J.K. Rowling', 'tags': ['abilities', 'choices']}
...
  • 在spider代码中提取数据

在了解了如何使用scrapy shell提取页面元素后,我们重新回到之前编写的spider代码。

到目前为止,我们的spider仅仅将页面响应Response.body一股脑保存到了HTML文件中。我们需要对它进行完善,以保存有意义的数据。

Scrapy Spider通常会在解析页面之后返回一些包含数据的dict,这些dict可用于后续的处理流程。

我们可以通过在回调函数中使用yield来返回这些dict。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
        'http://quotes.toscrape.com/page/2/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

运行这个spider,会在日志中得到如下输出:

2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['life', 'love'], 'author': 'André Gide', 'text': '“It is better to be hated for what you are than to be loved for what you are not.”'}
2016-09-19 18:57:19 [scrapy.core.scraper] DEBUG: Scraped from <200 http://quotes.toscrape.com/page/1/>
{'tags': ['edison', 'failure', 'inspirational', 'paraphrased'], 'author': 'Thomas A. Edison', 'text': "“I have not failed. I've just found 10,000 ways that won't work.”"}
  • 存储数据

Scrapy支持将数据存储到各种存储系统中,最简单的方法是将其保存文件文件。可通过如下命令实现:

scrapy crawl quotes -o quotes.json

这会以JSON格式保存提取的数据,并且是以append的方式写入文件。如果同时执行多次这个命令,写入到相同文件的数据会相互覆盖,造成数据破坏!

Scrapy提供了JSON Lines的写入方式,可以避免上述覆盖的情况。

scrapy crawl quotes -o quotes.jl

这种格式的文件是按行来保存JSON对象的。

除了JSON,Scrapy还支持csv、xml等存储格式。

如果存储逻辑比较复杂,还可以通过scrapy提供的Item流水线(pipeline)来拆解存储过程,将每个存储步骤封装为一个pipeline,由scrapy引擎来调度执行。这方面的内容会在后续文章中一起学习。

  • 追踪链接

目前我们实现的spider只从两个页面获取数据,如果想要自动获取整个网站的数据,我们还需要提取页面上的其他链接,产生新的爬取请求。

我们了解一下跟踪页面链接的方法。

首先要在页面中找到要进一步爬取的链接。在测试网站页面上,可以看到列表右下有一个“Next”链接,其HTML源码为:

<ul class="pager">
    <li class="next">
        <a href="/page/2/">Next <span aria-hidden="true">&rarr;</span></a>
    </li>
</ul>

使用scrapy shell测试一下如何提取这个链接:

>>> response.css('li.next a').get()
'<a href="/page/2/">Next <span aria-hidden="true">→</span></a>'

我们使用css(‘li.next a’)得到了这个链接的selector,并通过get()得到了整个链接元素。显然这数据有点冗余,我们需要的是链接的href属性值。这个值可以通过scrapy提供的css扩展语法获得:

>>> response.css('li.next a::attr(href)').get()
'/page/2/'

也可以通过访问selector的attrib属性获取:

>>> response.css('li.next a').attrib['href']
'/page/2/'

接下来,我们将这个提取过程整合到spider代码中,以实现递归跟踪页面链接。

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

        next_page = response.css('li.next a::attr(href)').get()
        if next_page is not None:
            next_page = response.urljoin(next_page)
            yield scrapy.Request(next_page, callback=self.parse)

现在我们的初始url为第一页。

parse()函数提取完第一页上所有的警句之后,继续查找页面上的“Next”链接,如果找到,就产生一个新的请求,并关联自己为这个Request的回调函数。这样就可以递归地访问整个网站,直到最后一页。

这就是Scrapy跟踪页面链接的机制:用户负责解析这些链接,通过yield产生新的请求Request,并给Request关联一个处理函数callback。Scrapy负责调度这些Request,自动发送请求,并通过callback处理响应消息。

  • 创建Requests的快捷方法

除了直接创建一个scrapy.Request对象,我们还可以使用response.follow来简化生成Request的方法。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/page/1/',
    ]

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('span small::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall(),
            }

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

follow可以直接通过相对路径生成url,不需要再调用urljoin()。这和页面上的href写法一致,很方便。

follow还支持直接传入url对应的selector,而不需调用get()提取url字符串。

for href in response.css('ul.pager a::attr(href)'):
    yield response.follow(href, callback=self.parse)

对<a>标签,还可以进一步简化:

for a in response.css('ul.pager a'):
    yield response.follow(a, callback=self.parse)

这是因为follow会自动使用<a>的href属性。

我们还可以使用follow_all从可迭代对象中批量创建Request:

#aonchors包含多个<a>选择器
anchors = response.css('ul.pager a')
yield from response.follow_all(anchors, callback=self.parse)

follow_all也支持简化写法:

yield from response.follow_all(css='ul.pager a', callback=self.parse)
  • 更多示例

我们再看一个spider,其作用是获取所有警句的作者信息。

import scrapy

class AuthorSpider(scrapy.Spider):
    name = 'author'

    start_urls = ['http://quotes.toscrape.com/']

    def parse(self, response):
        author_page_links = response.css('.author + a')
        yield from response.follow_all(author_page_links, self.parse_author)

        pagination_links = response.css('li.next a')
        yield from response.follow_all(pagination_links, self.parse)

    def parse_author(self, response):
        def extract_with_css(query):
            return response.css(query).get(default='').strip()

        yield {
            'name': extract_with_css('h3.author-title::text'),
            'birthdate': extract_with_css('.author-born-date::text'),
            'bio': extract_with_css('.author-description::text'),
        }

这个spider从测试站点主页开始爬取。提取这个页面上所有的author链接,并产生新的Request;提取页面上的Next链接,产生对应的Request。通过parse_author提取作者信息。

在parse_author中我们定义了一个helper函数供提取数据使用。

值得注意的是,某个作者可能有多条警句,而每条警句单独包含了这个作者的标签。我们可能会提取多个相同作者的url。但实际上,Scrapy并不会对相同的url发起多次请求,它会自动进行去重处理,这在一定程度上会减轻爬虫对网站的压力。

  • 使用spider参数

我们可以通过scrapy命令行的-a选项来向spider传递一些参数。比如:

scrapy crawl quotes -o quotes-humor.json -a tag=humor

这里,-a之后,tag为参数名,humor为参数值。

这些参数会传递给spider的__init__方法,并成为spider的属性。我们可以在spider中获取这些属性,并根据其值处理不同的业务。

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"

    def start_requests(self):
        url = 'http://quotes.toscrape.com/'
        tag = getattr(self, 'tag', None)
        if tag is not None:
            url = url + 'tag/' + tag
        yield scrapy.Request(url, self.parse)

    def parse(self, response):
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
            }

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

在上边的代码中,如果启动时传入tag参数(值为humor),我们就会在初始化url中追加“tag/humor”,这样就只会爬取标签为humor的页面:http://quotes.toscrape.com/tag/humor。

  • 结语

本文“详尽的”介绍了scrapy的基础知识,Scrapy还有跟多特性无法在一篇文章中全部介绍。我们后续会继续学习Scrapy的方方面面,并在实践中不断理解和掌握。