前言

Scrapy是一個(gè)非常好的抓取框架，它不僅提供了一些開(kāi)箱可用的基礎(chǔ)組建，還能夠根據(jù)自己的需求，進(jìn)行強(qiáng)大的自定義。本文主要給大家介紹了關(guān)于Python抓取框架Scrapy之頁(yè)面提取的相關(guān)內(nèi)容，分享出來(lái)供大家參考學(xué)習(xí)，下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧。

下面創(chuàng)建一個(gè)爬蟲(chóng)項(xiàng)目，以圖蟲(chóng)網(wǎng)為例抓取圖片。

一、內(nèi)容分析

打開(kāi) 圖蟲(chóng)網(wǎng)，頂部菜單“發(fā)現(xiàn)” “標(biāo)簽”里面是對(duì)各種圖片的分類(lèi)，點(diǎn)擊一個(gè)標(biāo)簽，比如“美女”，網(wǎng)頁(yè)的鏈接為：https://tuchong.com/tags/美女/，我們以此作為爬蟲(chóng)入口，分析一下該頁(yè)面：

打開(kāi)頁(yè)面后出現(xiàn)一個(gè)個(gè)的圖集，點(diǎn)擊圖集可全屏瀏覽圖片，向下滾動(dòng)頁(yè)面會(huì)出現(xiàn)更多的圖集，沒(méi)有頁(yè)碼翻頁(yè)的設(shè)置。Chrome右鍵“檢查元素”打開(kāi)開(kāi)發(fā)者工具，檢查頁(yè)面源碼，內(nèi)容部分如下：

<div class="content"> <div class="widget-gallery"> <ul class="pagelist-wrapper">  <li class="gallery-item...

可以判斷每一個(gè)li.gallery-item是一個(gè)圖集的入口，存放在ul.pagelist-wrapper下，div.widget-gallery是一個(gè)容器，如果使用 xpath 選取應(yīng)該是：//div[@class="widget-gallery"]/ul/li，按照一般頁(yè)面的邏輯，在li.gallery-item下面找到對(duì)應(yīng)的鏈接地址，再往下深入一層頁(yè)面抓取圖片。

但是如果用類(lèi)似 Postman 的HTTP調(diào)試工具請(qǐng)求該頁(yè)面，得到的內(nèi)容是：

<div class="content"> <div class="widget-gallery"></div></div>

也就是并沒(méi)有實(shí)際的圖集內(nèi)容，因此可以斷定頁(yè)面使用了Ajax請(qǐng)求，只有在瀏覽器載入頁(yè)面時(shí)才會(huì)請(qǐng)求圖集內(nèi)容并加入div.widget-gallery中，通過(guò)開(kāi)發(fā)者工具查看XHR請(qǐng)求地址為：

https://tuchong.com/rest/tags/美女/posts?page=1&count=20&order=weekly&before_timestamp=

參數(shù)很簡(jiǎn)單，page是頁(yè)碼，count是每頁(yè)圖集數(shù)量，order是排序，before_timestamp為空，圖蟲(chóng)因?yàn)槭峭扑蛢?nèi)容式的網(wǎng)站，因此before_timestamp應(yīng)該是一個(gè)時(shí)間值，不同的時(shí)間會(huì)顯示不同的內(nèi)容，這里我們把它丟棄，不考慮時(shí)間直接從最新的頁(yè)面向前抓取。

請(qǐng)求結(jié)果為JSON格式內(nèi)容，降低了抓取難度，結(jié)果如下：

{ "postList": [ { "post_id": "15624611", "type": "multi-photo", "url": "https://weishexi.tuchong.com/15624611/", "site_id": "443122", "author_id": "443122", "published_at": "2017-10-28 18:01:03", "excerpt": "10月18日", "favorites": 4052, "comments": 353, "rewardable": true, "parent_comments": "165", "rewards": "2", "views": 52709, "title": "微風(fēng)不燥 秋意正好", "image_count": 15, "images": [ {  "img_id": 11585752,  "user_id": 443122,  "title": "",  "excerpt": "",  "width": 5016,  "height": 3840 }, {  "img_id": 11585737,  "user_id": 443122,  "title": "",  "excerpt": "",  "width": 3840,  "height": 5760 }, ... ], "title_image": null, "tags": [ {  "tag_id": 131,  "type": "subject",  "tag_name": "人像",  "event_type": "",  "vote": "" }, {  "tag_id": 564,  "type": "subject",  "tag_name": "美女",  "event_type": "",  "vote": "" } ], "favorite_list_prefix": [], "reward_list_prefix": [], "comment_list_prefix": [], "cover_image_src": "https://photo.tuchong.com/443122/g/11585752.webp", "is_favorite": false } ], "siteList": {...}, "following": false, "coverUrl": "https://photo.tuchong.com/443122/ft640/11585752.webp", "tag_name": "美女", "tag_id": "564", "url": "https://tuchong.com/tags/%E7%BE%8E%E5%A5%B3/", "more": true, "result": "SUCCESS"}

根據(jù)屬性名稱(chēng)很容易知道對(duì)應(yīng)的內(nèi)容含義，這里我們只需關(guān)心 postlist 這個(gè)屬性，它對(duì)應(yīng)的一個(gè)數(shù)組元素便是一個(gè)圖集，圖集元素中有幾項(xiàng)屬性我們需要用到：

• url：?jiǎn)蝹€(gè)圖集瀏覽的頁(yè)面地址
• post_id：圖集編號(hào)，在網(wǎng)站中應(yīng)該是唯一的，可以用來(lái)判斷是否已經(jīng)抓取過(guò)該內(nèi)容
• site_id：作者站點(diǎn)編號(hào) ，構(gòu)建圖片來(lái)源鏈接要用到
• title：標(biāo)題
• excerpt：摘要文字
• type：圖集類(lèi)型，目前發(fā)現(xiàn)兩種，一種multi-photo是純照片，一種text是文字與圖片混合的文章式頁(yè)面，兩種內(nèi)容結(jié)構(gòu)不同，需要不同的抓取方式，本例中只抓取純照片類(lèi)型，text類(lèi)型直接丟棄
• tags：圖集標(biāo)簽，有多個(gè)
• image_count：圖片數(shù)量
• images：圖片列表，它是一個(gè)對(duì)象數(shù)組，每個(gè)對(duì)象中包含一個(gè)img_id屬性需要用到

根據(jù)圖片瀏覽頁(yè)面分析，基本上圖片的地址都是這種格式： https://photo.tuchong.com/{site_id}/f/{img_id}.jpg ，很容易通過(guò)上面的信息合成。

二、創(chuàng)建項(xiàng)目

• 進(jìn)入cmder命令行工具，輸入workon python/59587.html">scrapy 進(jìn)入之前建立的虛擬環(huán)境，此時(shí)命令行提示符前會(huì)出現(xiàn)(Scrapy) 標(biāo)識(shí)，標(biāo)識(shí)處于該虛擬環(huán)境中，相關(guān)的路徑都會(huì)添加到PATH環(huán)境變量中便于開(kāi)發(fā)及使用。
• 輸入 scrapy startproject tuchong 創(chuàng)建項(xiàng)目 tuchong
• 進(jìn)入項(xiàng)目主目錄，輸入 scrapy genspider photo tuchong.com 創(chuàng)建一個(gè)爬蟲(chóng)名稱(chēng)叫 photo (不能與項(xiàng)目同名)，爬取 tuchong.com 域名（這個(gè)需要修改，此處先輸個(gè)大概地址），的一個(gè)項(xiàng)目?jī)?nèi)可以包含多個(gè)爬蟲(chóng)

經(jīng)過(guò)以上步驟，項(xiàng)目自動(dòng)建立了一些文件及設(shè)置，目錄結(jié)構(gòu)如下：

(PROJECT)│ scrapy.cfg│└─tuchong │ items.py │ middlewares.py │ pipelines.py │ settings.py │ __init__.py │ ├─spiders │ │ photo.py │ │ __init__.py │ │ │ └─__pycache__ │  __init__.cpython-36.pyc │ └─__pycache__  settings.cpython-36.pyc  __init__.cpython-36.pyc

• scrapy.cfg：基礎(chǔ)設(shè)置
• items.py：抓取條目的結(jié)構(gòu)定義
• middlewares.py：中間件定義，此例中無(wú)需改動(dòng)
• pipelines.py：管道定義，用于抓取數(shù)據(jù)后的處理
• settings.py：全局設(shè)置
• spiders/photo.py：爬蟲(chóng)主體，定義如何抓取需要的數(shù)據(jù)

三、主要代碼

items.py 中創(chuàng)建一個(gè)TuchongItem類(lèi)并定義需要的屬性，屬性繼承自 scrapy.Field 值可以是字符、數(shù)字或者列表或字典等等：

import scrapyclass TuchongItem(scrapy.Item): post_id = scrapy.Field() site_id = scrapy.Field() type = scrapy.Field() url = scrapy.Field() image_count = scrapy.Field() images = scrapy.Field() tags = scrapy.Field() excerpt = scrapy.Field() ...

這些屬性的值將在爬蟲(chóng)主體中賦予。

spiders/photo.py 這個(gè)文件是通過(guò)命令 scrapy genspider photo tuchong.com 自動(dòng)創(chuàng)建的，里面的初始內(nèi)容如下：

import scrapyclass PhotoSpider(scrapy.Spider): name = 'photo' allowed_domains = ['tuchong.com'] start_urls = ['http://tuchong.com/'] def parse(self, response): pass

爬蟲(chóng)名 name，允許的域名 allowed_domains（如果鏈接不屬于此域名將丟棄，允許多個(gè)） ，起始地址 start_urls 將從這里定義的地址抓取（允許多個(gè)）

函數(shù) parse 是處理請(qǐng)求內(nèi)容的默認(rèn)回調(diào)函數(shù)，參數(shù) response 為請(qǐng)求內(nèi)容，頁(yè)面內(nèi)容文本保存在 response.body 中，我們需要對(duì)默認(rèn)代碼稍加修改，讓其滿足多頁(yè)面循環(huán)發(fā)送請(qǐng)求，這需要重載 start_requests 函數(shù)，通過(guò)循環(huán)語(yǔ)句構(gòu)建多頁(yè)的鏈接請(qǐng)求，修改后代碼如下：

import scrapy, jsonfrom ..items import TuchongItemclass PhotoSpider(scrapy.Spider): name = 'photo' # allowed_domains = ['tuchong.com'] # start_urls = ['http://tuchong.com/'] def start_requests(self): url = 'https://tuchong.com/rest/tags/%s/posts?page=%d&count=20&order=weekly'; # 抓取10個(gè)頁(yè)面，每頁(yè)20個(gè)圖集 # 指定 parse 作為回調(diào)函數(shù)并返回 Requests 請(qǐng)求對(duì)象 for page in range(1, 11):  yield scrapy.Request(url=url % ('美女', page), callback=self.parse) # 回調(diào)函數(shù)，處理抓取內(nèi)容填充 TuchongItem 屬性 def parse(self, response): body = json.loads(response.body_as_unicode()) items = [] for post in body['postList']:  item = TuchongItem()  item['type'] = post['type']  item['post_id'] = post['post_id']  item['site_id'] = post['site_id']  item['title'] = post['title']  item['url'] = post['url']  item['excerpt'] = post['excerpt']  item['image_count'] = int(post['image_count'])  item['images'] = {}  # 將 images 處理成 {img_id: img_url} 對(duì)象數(shù)組  for img in post.get('images', ''):  img_id = img['img_id']  url = 'https://photo.tuchong.com/%s/f/%s.jpg' % (item['site_id'], img_id)  item['images'][img_id] = url  item['tags'] = []  # 將 tags 處理成 tag_name 數(shù)組  for tag in post.get('tags', ''):  item['tags'].append(tag['tag_name'])  items.append(item) return items

經(jīng)過(guò)這些步驟，抓取的數(shù)據(jù)將被保存在 TuchongItem 類(lèi)中，作為結(jié)構(gòu)化的數(shù)據(jù)便于處理及保存。

前面說(shuō)過(guò)，并不是所有抓取的條目都需要，例如本例中我們只需要 type="multi_photo 類(lèi)型的圖集，并且圖片太少的也不需要，這些抓取條目的篩選操作以及如何保存需要在pipelines.py中處理，該文件中默認(rèn)已創(chuàng)建類(lèi) TuchongPipeline 并重載了 process_item 函數(shù)，通過(guò)修改該函數(shù)只返回那些符合條件的 item，代碼如下：

... def process_item(self, item, spider): # 不符合條件觸發(fā) scrapy.exceptions.DropItem 異常，符合條件的輸出地址 if int(item['image_count']) < 3:  raise DropItem("美女太少: " + item['url']) elif item['type'] != 'multi-photo':  raise DropItem("格式不對(duì): " + + item['url']) else:  print(item['url']) return item...

當(dāng)然如果不用管道直接在 parse 中處理也是一樣的，只不過(guò)這樣結(jié)構(gòu)更清晰一些，而且還有功能更多的FilePipelines和ImagePipelines可供使用，process_item將在每一個(gè)條目抓取后觸發(fā)，同時(shí)還有 open_spider 及 close_spider 函數(shù)可以重載，用于處理爬蟲(chóng)打開(kāi)及關(guān)閉時(shí)的動(dòng)作。

注意：管道需要在項(xiàng)目中注冊(cè)才能使用，在 settings.py 中添加：

ITEM_PIPELINES = { 'tuchong.pipelines.TuchongPipeline': 300, # 管道名稱(chēng): 運(yùn)行優(yōu)先級(jí)(數(shù)字小優(yōu)先)}

另外，大多數(shù)網(wǎng)站都有反爬蟲(chóng)的 Robots.txt 排除協(xié)議，設(shè)置 ROBOTSTXT_OBEY = True 可以忽略這些協(xié)議，是的，這好像只是個(gè)君子協(xié)定。如果網(wǎng)站設(shè)置了瀏覽器User Agent或者IP地址檢測(cè)來(lái)反爬蟲(chóng)，那就需要更高級(jí)的Scrapy功能，本文不做講解。

四、運(yùn)行

返回 cmder 命令行進(jìn)入項(xiàng)目目錄，輸入命令：

scrapy crawl photo

終端會(huì)輸出所有的爬行結(jié)果及調(diào)試信息，并在最后列出爬蟲(chóng)運(yùn)行的統(tǒng)計(jì)信息，例如：

[scrapy.statscollectors] INFO: Dumping Scrapy stats:{'downloader/request_bytes': 491, 'downloader/request_count': 2, 'downloader/request_method_count/GET': 2, 'downloader/response_bytes': 10224, 'downloader/response_count': 2, 'downloader/response_status_count/200': 2, 'finish_reason': 'finished', 'finish_time': datetime.datetime(2017, 11, 27, 7, 20, 24, 414201), 'item_dropped_count': 5, 'item_dropped_reasons_count/DropItem': 5, 'item_scraped_count': 15, 'log_count/DEBUG': 18, 'log_count/INFO': 8, 'log_count/WARNING': 5, 'response_received_count': 2, 'scheduler/dequeued': 1, 'scheduler/dequeued/memory': 1, 'scheduler/enqueued': 1, 'scheduler/enqueued/memory': 1, 'start_time': datetime.datetime(2017, 11, 27, 7, 20, 23, 867300)}

主要關(guān)注ERROR及WARNING兩項(xiàng)，這里的 Warning 其實(shí)是不符合條件而觸發(fā)的 DropItem 異常。

五、保存結(jié)果

大多數(shù)情況下都需要對(duì)抓取的結(jié)果進(jìn)行保存，默認(rèn)情況下 item.py 中定義的屬性可以保存到文件中，只需要命令行加參數(shù) -o {filename} 即可：

scrapy crawl photo -o output.json # 輸出為JSON文件scrapy crawl photo -o output.csv # 輸出為CSV文件

注意：輸出至文件中的項(xiàng)目是未經(jīng)過(guò) TuchongPipeline 篩選的項(xiàng)目，只要在 parse 函數(shù)中返回的 Item 都會(huì)輸出，因此也可以在 parse 中過(guò)濾只返回需要的項(xiàng)目
如果需要保存至數(shù)據(jù)庫(kù)，則需要添加額外代碼處理，比如可以在 pipelines.py 中 process_item 后添加:

... def process_item(self, item, spider):  ...  else:   print(item['url'])   self.myblog.add_post(item) # myblog 是一個(gè)數(shù)據(jù)庫(kù)類(lèi)，用于處理數(shù)據(jù)庫(kù)操作  return item...

為了在插入數(shù)據(jù)庫(kù)操作中排除重復(fù)的內(nèi)容，可以使用 item['post_id'] 進(jìn)行判斷，如果存在則跳過(guò)。
本項(xiàng)目中的抓取內(nèi)容只涉及了文本及圖片鏈接，并未下載圖片文件，如需下載圖片，可以通過(guò)兩種方式：

安裝 Requests 模塊，在 process_item 函數(shù)中下載圖片內(nèi)容，同時(shí)在保存數(shù)據(jù)庫(kù)時(shí)替換為本地圖片路徑。
使用 ImagePipelines 管道下載圖片，具體使用方法下回講解。

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問(wèn)大家可以留言交流，謝謝大家對(duì)VEVB武林網(wǎng)的支持。