Scrapy爬虫入门实例

861 查看

在搭建好了Scrapy的开发环境后（如果配置过程中遇到问题，请参考上一篇文章
搭建Scrapy爬虫的开发环境，
或者在博客里留言），我们开始演示爬取实例。

我们试图爬取论坛-东京版的主题贴。该网
站需要登录后才能查看帖子附带的大图，适合演示登录过程。

1. 定义item

我们需要保存标题、帖子详情、帖子详情的url、图片列表，所以定义item如下：

class RentItem(scrapy.Item):
    """item类"""

    title = scrapy.Field()          # 标题
    rent_desc = scrapy.Field()      # 描述
    url = scrapy.Field()            # 详情的url
    pic_list = scrapy.Field()       # 图片列表

2. 使用FormRequest模拟登录

首先我们需要分析页面，找到登录的form，以及需要提交的数据（用Fiddler或Firebug分析请求即可），
然后使用Scrapy提供FormRequest.from_response()模拟页面的登录过程，主要代码如下：

# 需要登录，使用FormRequest.from_response模拟登录
    if "id='lsform'" in response.body:
        logging.info("in parse, need to login, url: {0}".format(response.url))
        form_data = {
            "handlekey": "ls",
            "quickforward": "yes",
            "username": "loginname",
            "password": "passwd"
        }
        request = FormRequest.from_response(
                response=response,
                headers=self.headers,
                formxpath="//form[contains(@id, 'lsform')]",
                formdata=form_data,
                callback=self.parse_list
                )
    else:
        logging.info("in parse, NOT need to login, url: {0}"
                     .format(response.url))
        request = Request(url=response.url,
                          headers=self.headers,
                          callback=self.parse_list,
                          )

如果请求的页面需要登录，则通过xpath定位到对应的form，将登录需要的数据作为参数，提交登录，
在callback对应的回调方法里，处理登录成功后的爬取逻辑。

3. 使用XPath提取页面数据

Scrapy使用XPath或CSS表达式分析页面结构，由基于lxml的Selector提取数据。XPath或者CSS都可
以，另外BeautifulSoup
分析HTML/XML文件非常方便，这里采用XPath分析页面，请参考
zvon-XPath 1.0 Tutorial，示例丰富且易
懂，看完这个入门教程，常见的爬取需求基本都能满足。我这里简单解释一下几个重要的点：

/表示绝对路径，即匹配从根节点开始，./表示当前路径，//表示匹配任意开始节点；
*是通配符，可以匹配任意节点；
在一个节点上使用[]，如果是数字n表示匹配第n个element，如果是@表示匹配属性，还可以使用函数，
比如常用的contains()表示包含，starts-with()表示字符串起始匹配等。
在取节点的值时，text()只是取该节点下的值，而不会取该节点的子节点的值，而.则会取包括子节点
在内的所有值，比如：

<div>Welcome to <strong>Chengdu</strong></div>

sel.xpath("div/text()")     // Welcome to
sel.xpath("div").xpath("string(.)")        // Welcome to Chengdu

4. 不同的spider使用不同的pipeline

我们可能有很多的spider，不同的spider爬取的数据的结构不一样，对应的存储格式也不尽相同，因此
我们会定义多个pipeline，让不同的spider使用不同的pipeline。

首先我们需要定义一个decorator，表示如果spider的pipeline属性中包含了添加该注解的pipeline，
则执行该pipeline，否则跳过该pipeline：

def check_spider_pipeline(process_item_method):
    """该注解用在pipeline上

    :param process_item_method:
    :return:
    """
    @functools.wraps(process_item_method)
    def wrapper(self, item, spider):

        # message template for debugging
        msg = "{1} {0} pipeline step".format(self.__class__.__name__)

        # if class is in the spider"s pipeline, then use the
        # process_item method normally.
        if self.__class__ in spider.pipeline:
            logging.info(msg.format("executing"))
            return process_item_method(self, item, spider)

        # otherwise, just return the untouched item (skip this step in
        # the pipeline)
        else:
            logging.info(msg.format("skipping"))
            return item

    return wrapper

然后，我们还需要在所有pipeline类的回调方法process_item()上添加该decrator注解：

@check_spider_pipeline
def process_item(self, item, spider):

最后，在spider类中添加一个数组属性pipeline，里面是所有与该spider对应的pipeline，比如：

# 应该交给哪个pipeline去处理
pipeline = set([
    pipelines.RentMySQLPipeline,
])

5. 将爬取的数据保存到mysql

数据存储的逻辑在pipeline中实现，可以使用twisted adbapi以线程池的方式与数据库交互。首
先从setttings中加载mysql配置：

@classmethod
def from_settings(cls, settings):
    """加载mysql配置"""

    dbargs = dict(
        host=settings["MYSQL_HOST"],
        db=settings["MYSQL_DBNAME"],
        user=settings["MYSQL_USER"],
        passwd=settings["MYSQL_PASSWD"],
        charset="utf8",
        use_unicode=True
    )

    dbpool = adbapi.ConnectionPool("MySQLdb", **dbargs)
    return cls(dbpool)

然后在回调方法process_item中使用dbpool保存数据到mysql：

@check_spider_pipeline
def process_item(self, item, spider):
    """pipeline的回调.

    注解用于pipeline与spider之间的对应，只有spider注册了该pipeline，pipeline才
    会被执行
    """

    # run db query in the thread pool，在独立的线程中执行
    deferred = self.dbpool.runInteraction(self._do_upsert, item, spider)
    deferred.addErrback(self._handle_error, item, spider)
    # 当_do_upsert方法执行完毕，执行以下回调
    deferred.addCallback(self._get_id_by_guid)

    # at the end, return the item in case of success or failure
    # deferred.addBoth(lambda _: item)
    # return the deferred instead the item. This makes the engine to
    # process next item (according to CONCURRENT_ITEMS setting) after this
    # operation (deferred) has finished.
    time.sleep(10)
    return deferred

6. 将图片保存到七牛云

查看七牛的python接口即可，这里要说明的是，上传图片的时候，不要使用BucketManager的
bucket.fetch()接口，因为经常上传失败，建议使用put_data()接口，比如：

def upload(self, file_data, key):
    """通过二进制流上传文件

    :param file_data:   二进制数据
    :param key:         key
    :return:
    """
    try:
        token = self.auth.upload_token(QINIU_DEFAULT_BUCKET)
        ret, info = put_data(token, key, file_data)
    except Exception as e:
        logging.error("upload error, key: {0}, exception: {1}"
                      .format(key, e))

    if info.status_code == 200:
        logging.info("upload data to qiniu ok, key: {0}".format(key))
        return True
    else:
        logging.error("upload data to qiniu error, key: {0}".format(key))
        return False

7. 项目部署

部署可以使用scrapyd和scrapyd-client。
首先安装：

$ pip install scrapyd
$ pip install scrapyd-client

启动scrapyd:

$ sudo scrapyd &

修改部署的配置文件scrapy.cfg:

[settings]
default = scrapy_start.settings

[deploy:dev]
url = http://localhost:6800/
project = scrapy_start

其中dev表示target，scrapy_start表示project，部署即可：

$ scrapyd-deploy dev -p scrapy_start

ok，这篇入门实例的重点就这么多，项目的源码在gitlab。