手把手教你用Python实现分布式爬虫(四) | 您所在的位置:网站首页 › scrapy爬取网站图书和用mysql › 手把手教你用Python实现分布式爬虫(四) |
相关源码
搭建scrapy的开发环境,本文介绍scrapy的常用命令以及工程目录结构分析,本文中也会详细的讲解xpath和css选择器的使用。然后通过scrapy提供的spider完成所有文章的爬取。然后详细讲解item以及item loader方式完成具体字段的提取后使用scrapy提供的pipeline分别将数据保存到json文件以及mysql数据库中. 首先爬取一个网站前,我们需要分析网络的url结构,伯乐在线的网站结构是采用顶级域名下有二级域名,来区分每种类别的信息,并且在文章专栏里面 有一个 http://web.jobbole.com/all-posts/是所有文章的总链接 在这个链接下,分页显示了所有的文章内容因此对于这种爬取内容有一个总链接的话,就不需要采用深度优先或者广度优先策略,只需要将这个总链接下的每一页的内容取出即可. 说到每一页,查看url特点,发现就是在链接后面修改了页数,但是不能用这个方法,因为网站上文章数发生变化时,就必须要去修改源码。 如果是对每个分页上的写一页的链接进行跟踪,那么有多少页都无所谓了. 1 scrapy安装以及目录结构介绍pip install -i https://pypi.douban.com/simple/ scrapy 注意安装的时候可能会报错,twisted找不到,那么就去https://www.lfd.uci.edu/~gohlke/pythonlibs/下载安装包,手动安装,安装的时候必须也是在这个虚拟环境内 1.1.3 建立scrapy项目 PyCharm里面没有提供建立scrapy的项目需要在命令行内手动创建项目 刚创建好项目的时候这个文件夹是空的,默认并没有创建网站爬取的模板,但是提供了命令 scrapy genspider example example.comexample是spider的名称,后面是网站的域名 为了创建一个Spider,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。 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。 2 PyCharm 调试scrapy 执行流程 2.1 注意Python解释器版本PyCharm 中没有关于scrapy的模板,无法直接调试,需要我们自己手动编写一个main文件 设置工程目录,这样execute命令才会生效,找到该目录; 同时为了避免因环境问题无法找到该目录,使用os相关库调用 验证一下进入项目的根目录,执行下列命令启动spider scrapy crawl xxx于是,考虑将该命令配置到我们的main文件中 调用execute()函数来执行spider命令,传入数组,即是执行启动spider的命令 注意设置为False 开始debug运行main文件 所爬取源文件的内容 下一步就是对其中的内容进行解析,获取想要爬取的字段内容! 3 xpath的用法 3.1 简介 xpath使用路径表达式在xml和html文件中进行导航 xpath包含标准函数库 xpath是一个w3c的标准 3.2 xpath节点关系html中被尖括号包起来的被称为一个节点 父节点 上一层节点 子节点 下一层节点 兄弟节点 同胞节点 先辈节点 父节节点,爷爷节点 ... 后代节点 儿子节点,孙子节点 ... 3.3 xpath的语法可以看到,我们的标题标题在 html/body/div[1]/div[3]/div[1]/div[1]/h1 这个嵌套关系下
我们在用xpath解析的时候,不需要自己一个一个地看嵌套关系
在F12下,在某个元素上面右键即copy->copy xpath就能获得该元素的xpath路径 在Firefox和chrom浏览器中右键copy xpath得到的结果可能不一样 在Firefox中,得到的路径是/html/body/div[1]/div[3]/div[1]/div[1]/h1 在chrom中,得到的是//*[@id=“post-110287”]/div[1]/h1 可以发现两种路径不一样,经过测试,第一种路径不能获得标题,第二种可以,原因在于,一般元素检查看到的是动态的返回来的html信息,比如js生成的,然后有些节点可能是在后台返回信息时才创建的,对于静态的网页就是检查源代码,定位的结果可能不一样,采用第二种id确定的方式更容易标准的定位。 - -*- coding: utf-8 -*- import scrapy class JobboleSpider(scrapy.Spider): name = 'jobbole' allowed_domains = ['blog.jobbole.com'] start_urls = ['http://blog.jobbole.com/114610/'] #放入想爬取的url def parse(self, response): #/html/body/div[3]/div[3]/div[1]/div[1] # Firefox #//*[@id="post-114610"]/div[1]/h1 # Chrome #scrapy返回的是一个selector而不是node,是为了方便进一步获取selector下面的selector re_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1') re2_selector = response.xpath('//*[@id="post-114610"]/div[1]/h1/text()') #利用text()函数获取元素中的值 pass 爬取页面上的查看源码跟检查控制台的element不一定一样,源码是源代码的html文件,控制台的element会有js动态生成的dom!!! 下面将源代码拷贝进项目来研究同一个页面的元素通过不同电脑的chrom浏览器进行源代码查看,标签结点信息发现不一样,在h1标签中多了个span标签,解决方法:清除浏览器缓存,以下是同一页面用一个内容的检查元素的对比图。 图1:未清除浏览器缓存前 图2:清除浏览器缓存后 每一次调试都运行python脚本发送HTTP请求获取内容效率低下! scrapy提供了一种shell模式,提高了调试的效率. 具体操作在命令行中,之前的启动scrapy的命令是 scrapy crawl jobbole现在可以在命令行中使用shell,命令为 scrapy shell 网址然后就进入了调试区域
步骤如下图,注意启动scrapy必须在命令行中进入相应的虚拟环境以及项目的工作目录 访问数组的第一个值即可~ 获取title下所有节点 该class全局唯一 如果提取的字符串左右有回车符换行符等等,则需要使用strip()将其去掉 re_selector.extract()[0].strip()目标代码 目标内容 可是我们只是想要个6数字而已呀,怎么办呢?使用正则提取即可! response.xpath("//span[contains(@class,'bookmark-btn')]/text()").extract()[0] # ' 收藏' # 收藏数的标签设置和点赞数不一样,直接是收藏前面有数字,这里没有数字,其实是0收藏的意思。 # 对于含数字的话,我们应该使用正则表达式将数字部分提取出来。 import re match_re = re.match('.*?(\d+).*',' 收藏') if match_re: fav_nums = int(match_re.group(1)) else: fav_nums = 0 # 正则表达式注意要有?表示非贪婪匹配,可以获取两位数等 # 还有一点就是老师没有考虑的,如果没有收藏数,即匹配不到数字,说明收藏数为0. 3.9 爬取文章评论数关于extract()方法和text()方法的区别:extract()是对一个selector的内容取出这个标签内的所有内容,包括当前的节点标签。text()方法一般是在xpath的路径内部,用于获取当前节点内的所有文本内容。 3.11 获取文章标签 # 文章标签 tag = response.xpath('//*[@id="post-114610"]/div[2]/p/a/text()').extract()css选择器:通过一定的语法定位到某一个元素,与xpath选择的功能是一样的 4.1 css选择器的常见用法 表达式 说明 * 选择所有节点 #container 选择id为container的节点 .container 选取所有class包含container的节点 li a 选取所有li下的所有a节点 ul + p 选择ul后面的第一个p元素 div#container>ul 选取id为container的第一个ul子元素 ul ~ p 选取与ul相邻的所有p元素 a[title] 选取所有有title属性的a元素 a[href=“http://jobbole.com”] 选取所有href属性为jobbole.com值的a元素 a[href*=“jobble”] 选取所有href属性包含jobbole的a元素 a[href^=“http”] 选取所有href属性以http开头的a元素 a[href$=".jpg"] 选取所有href属性以jpg结尾的a元素 input[type=radio]:checked 选择选中的radio元素 div:not(#container) 选取所有id非container的div属性 li:nth-child(3) 选取第三个li元素 tr:nth-child(2n) 第偶数个tr ::text 利用伪类选择器获得选中的元素的内容几乎对于所有的元素来说,用xpath和css都是可以完成定位功能的,但对前端朋友来说比较熟悉前端的写法,scrapy提供两种方法。css的写法是比xpath更简短的,在浏览器中都能直接获取。对前端熟悉的人可以优先考虑使用css选择器来定位一个元素,对于之前用xpath做实例的网页全用css选择器,代码如下 title = response.xpath("div.entry-header h1::text").extract()[0] # '用 Vue 编写一个长按指令' create_date = response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·", "").strip() # '2018/08/22' praise_ums = response.css(".vote-post-up h10::text").extract_first() if praise_ums: praise_ums = int(praise_ums) else: praise_ums = 0 fav_nums = response.css(".bookmark-btn::text").extract()[0] match_re = re.match('.*?(\d+).*',fav_nums) if match_re: fav_nums = int(match_re.group(1)) else: fav_nums = 0 comment_nums = response.css("a[href='#article-comment'] span::text").extract()[0] match_re = re.match('.*?(\d+).*', comment_nums) if match_re: comment_nums = int(match_re.group(1)) else: comment_nums = 0 content = response.css("div.entry").extract()[0] tags = response.css("p.entry-meta-hide-on-mobile a::text").extract() tag_list = [element for element in tag_list if not element.strip().endswith("评论")] tags = ",".join(tag_list)注意,提示一个新的函数,extract_first(),这个函数就是相当于之前的extract()[0],但是前者好处在于避免了当取出数组为空的情况,这时候取[0]元素是会报错的,不得不做异常处理。extract()函数可以传入参数,表示如果找到的数组为空,那么就返回默认值。比如extract("")就表示如果前面取出数组为空,那么就返回空字符串. 5 spider批量爬取首先,我们需要通过列表页爬取所有文章的url,前面部分只爬取了一个页面start_urls这个list中只有一个url,没有涉及到如何解析这个字段,通过文章分页一页一页的传递给scrapy,让scrapy自动去下载其他页面. 5.1 在scrapy中,不需要自己使用request去请求一个页面返回,所以问题是如何将众多的url传递给scrapy完成下载呢?查看伯乐在线的文章布局如下: 在文章列表页中,每一篇文章是一个div块; 所以根据css选择器就能提取出文章列表中的每一篇的url; 需要考虑的问题是,提取出来的url是否精确,有无混杂其他推荐文章的url,这就需要css选择器足够准确! 获取了每一个具体文章的url后,如何将url传递给scrapy进行下载并返回response呢? 用到了scrapy.http中的Request类; 这个类中,可以直接传递url和callback参数,url为一个页面地址,callback为回调函数,表示对该页面进行的具体操作,所以将之前的某个具体文章的解析封装在另一个函数中,作为Request的回调函数。 还要考虑的一个地方是,提取出来的url可能不是一个完整的网址,只是域名的一部分,所以还需要将网址进行完善,比如加上域名部分,又或者原本是一个具体的文章网址,都需要处理 初始化好request之后,如何交给scrapy下载,使用yield这个关键字就可以了! 5.3 coding开始调试 看出该范围并不准确! 通过增加该id进一步限定范围 这就对了嘛! 取到url 数据爬取的主要目的就是从非结构的数据源得到结构性数据,解析完成的数据返回问题, 最简单的就是将这些字段分别都放入一个字典里,返回给scrapy. 虽然字典也很好用,但是dict缺少结构性的东西,比如字段的名字容易出错,比如fav_nums写成了fav_num,那么dict的管理就会出错。 6.1.2 item类的作用为了将这些东西结构化,sccrapy提供了item类,可以像django一样指定字段,比如说,定义一个article_item,这个article_item有title,creat_date等字段,通过很多爬取到的item内容来实例化,就不会出错了. item类似于字典,但是比dict的功能强大,对item进行实例化和数据赋值之后,通过yeild传递给scrapy,scrapy发现这是一个item实例时,将item路由到pipeline中去,那么在pipeline中就可以集中处理数据的保存,去重等,这就是item的作用. 6.2 item类操作步骤 6.2.1 修改settings.py文件,使item传递给pipeline生效 查看scrapy的源码,其中就有pipelines,提供了scrapy一些默认的pipline,可以加速编码过程设置好之后可以在pipelines中打断点,进行调试。 image.py里面就是存放的关于下载图片的pipline,其中ImagesPipeline这个配置好之后就可以自动下载图片 scrapy 爬虫中完成图片下载到本地 将文章封面图片下载下来,并保存到本地,如何做?scrapy提供了自动下载图片的机制,只需在settings.py中配置 在ITEM_PIPELINES中加一个scrapy的ImagePipeline即可 同时还要配置图片存放的地址IMAGES_STORE参数 以及下载图片的地址是item中的哪个字段IMAGES_URLS_FIELD参数 scrapy 提供了设置图片的保存路径,后面添加路径,可以是绝对路径,如果放到项目目录下,可使用相对路径 譬如,想保存在如下目录 配置好下载图片的pipeline之后运行检验是否配置成功,运行main.py 该类要继承scrapy.Item,定义的内容就是有哪些字段,并且写明字段的类型,scrapy中只有Field()类型,所以定义字段的方法为:title = scrapy.Field(),其余同理 在jobbole.py文件中,引入JobBoleArticleItem类,并且实例化一个对象,article_item = JobBoleArticleItem(),当解析出来每一个字段值后,对这个对象的每一个属性或者说字段进行填充:article_item[“title”] = title,注意都定义好后需要提交给scrapy:yield article_item。 在pipelines.py文件中,如果字段中需要去下载文章封面图,并且保存到本地,获取保存到本地路径,就涉及到自定义pipeline,自己定义一个ArticleImagePipeline(ImagesPipeline)类,有继承关系,并且设置不同功能的pipeline执行的顺序,先下载图片保存本地,获取路径之后将其填充到item的front_image_path属性中,再将这个item提交给ArticlespiderPipeline(object),完成结构化数据的管理,比如存入数据库等等。 定义MD5函数方法一: 在pipelines.py中,自定义pipeline类保存item为json文件,并且在settings.py文件中完成配置 方法二: scrapy本身也提供了写入json的机制
scrapy提供了 field exporter机制,可以将item方便的导出成各种类型的文件,比如csv,xml,pickle,json等。使用方法,在pipelines.py中引入:from scrapy.exporters import JsonItemExporter 上述方法(execute和commit操作是同步操作)在后期爬取加解析会快于数据存储到mysql,会导致阻塞。使用twisted框架提供的api可以完成数据的异步写入。 方法2:用到twisted的异步机制有了方法1,为什么还要方法2,spider解析的速度肯定是超过mysql数据入库的速度,如果后期爬取的item越来越多,插入速度很不上解析速度,就会堵塞。 Twisted这个框架提供了一种将mysql关系数据库插入异步化的操作,将mysql操作变成异步化操作,方法一中的execute()和commit()是一种同步化的操作,意思就是execute不执行完,就不能往下执行,进行提交。在数据量不是很大的情况下还是可以采用方法1的,对于方法2,可以直接复制使用,需要修改的就是do_insert()函数中的内容。 Twisted框架提供了一种工具,连接池,将mysql操作变成异步操作,目前支持的是关系型数据库。 在setting.py中配置相关数据信息当需要解析提取的字段越来越多,写了很多xpath和css选择器,后期维护起来就很麻烦,scrapy提供的item loader机制就可以将维护工作变得简单。 具体原理item loader提供的是一种容器,可以在其中配置item的哪个字段需要怎么的选择器. 直接调用item_loader.load_item(),可以获得item,通过选择器获得的内容都为list,未经处理,比如是list的第一个值或者评论数需要正则表达式匹配之类. 而scrapy又提供了from scrapy.loader.processors import MapCompose类,可以在items.py定义item字段类型的时候,在Field中可以添加处理函数 设计思路 使用itemLoader统一使用add_css/add_xpath/add_value方法获取对应数据并存储到item中 在item中使用scrapy.Field的参数input_processor执行MapCompose方法执行对输入值的多次函数处理 具体操作 引入依赖在实际保存到数据库的代码调试过程中,会遇到很多出其不意的问题,某个文章出现访问异常,或者没有封面图等异常情况,这种时候应该学会使用try_catch,捕获异常并且进行处理,从而处理个别异常文章。 报错信息:_mysql_exceptions.OperationalError: (1366, “Incorrect string value: ‘\xF0\x9F\x98\x8C\xE9\x99…’ for column ‘content’ at row 1”) 这个问题的原因来自于mysql的编码问题,解决办法为将mysql中数据库以及表的格式和连接数据库时的charset都要设置为utf8mb4格式,就解决了。 |
CopyRight 2018-2019 实验室设备网 版权所有 |