基于Python的Scrapy爬蟲入門：代碼詳解
一、內容分析
接下來創建一個爬蟲項目，以 圖蟲網 為例抓取里面的圖片。在頂部菜單“發現” “標簽”里面是對各種圖片的分類，點擊一個標簽，比如“美女”，網頁的鏈接為：https://tuchong.com/tags/美女/，我們以此作為爬蟲入口，分析一下該頁面：
打開頁面后出現一個個的圖集，點擊圖集可全屏瀏覽圖片，向下滾動頁面會出現更多的圖集，沒有頁碼翻頁的設置。Chrome右鍵“檢查元素”打開開發者工具，檢查頁面源碼，內容部分如下：
- <div class="content">
- <div class="widget-gallery">
- <ul class="pagelist-wrapper">
- <li class="gallery-item...
可以判斷每一個li.gallery-item是一個圖集的入口，存放在ul.pagelist-wrapper下，div.widget-gallery是一個容器，如果使用 xpath 選取應該是：//div[@class=”widget-gallery”]/ul/li，按照一般頁面的邏輯，在li.gallery-item下面找到對應的鏈接地址，再往下深入一層頁面抓取圖片。
但是如果用類似 Postman 的HTTP調試工具請求該頁面，得到的內容是：
- <div class="content">
- <div class="widget-gallery"></div>
- </div>
也就是并沒有實際的圖集內容，因此可以斷定頁面使用了Ajax請求，只有在瀏覽器載入頁面時才會請求圖集內容并加入div.widget-gallery中，通過開發者工具查看XHR請求地址為：
- https://tuchong.com/rest/tags/美女/posts?page=1&count=20&order=weekly&before_timestamp=
參數很簡單，page是頁碼，count是每頁圖集數量，order是排序，before_timestamp為空，圖蟲因為是推送內容式的網站，因此before_timestamp應該是一個時間值，不同的時間會顯示不同的內容，這里我們把它丟棄，不考慮時間直接從***的頁面向前抓取。
請求結果為JSON格式內容，降低了抓取難度，結果如下：
- {
- "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"
- }
根據屬性名稱很容易知道對應的內容含義，這里我們只需關心 postlist 這個屬性，它對應的一個數組元素便是一個圖集，圖集元素中有幾項屬性我們需要用到：
- url：單個圖集瀏覽的頁面地址
- post_id：圖集編號，在網站中應該是唯一的，可以用來判斷是否已經抓取過該內容
- site_id：作者站點編號 ，構建圖片來源鏈接要用到
- title：標題
- excerpt：摘要文字
- type：圖集類型，目前發現兩種，一種multi-photo是純照片，一種text是文字與圖片混合的文章式頁面，兩種內容結構不同，需要不同的抓取方式，本例中只抓取純照片類型，text類型直接丟棄
- tags：圖集標簽，有多個
- image_count：圖片數量
- images：圖片列表，它是一個對象數組，每個對象中包含一個img_id屬性需要用到
根據圖片瀏覽頁面分析，基本上圖片的地址都是這種格式： https://photo.tuchong.com/{site_id}/f/{img_id}.jpg ，很容易通過上面的信息合成。
二、創建項目
- 進入cmder命令行工具，輸入workon scrapy 進入之前建立的虛擬環境，此時命令行提示符前會出現(Scrapy) 標識，標識處于該虛擬環境中，相關的路徑都會添加到PATH環境變量中便于開發及使用。
- 輸入 scrapy startproject tuchong 創建項目 tuchong
- 進入項目主目錄，輸入 scrapy genspider photo tuchong.com 創建一個爬蟲名稱叫 photo (不能與項目同名)，爬取 tuchong.com 域名（這個需要修改，此處先輸個大概地址），的一個項目內可以包含多個爬蟲
經過以上步驟，項目自動建立了一些文件及設置，目錄結構如下：
- (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：基礎設置
- items.py：抓取條目的結構定義
- middlewares.py：中間件定義，此例中無需改動
- pipelines.py：管道定義，用于抓取數據后的處理
- settings.py：全局設置
- spiders\photo.py：爬蟲主體，定義如何抓取需要的數據
三、主要代碼
items.py 中創建一個TuchongItem類并定義需要的屬性，屬性繼承自 scrapy.Field 值可以是字符、數字或者列表或字典等等：
- import scrapy
- class TuchongItem(scrapy.Item):
- post_id = scrapy.Field()
- site_id = scrapy.Field()
- title = 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主體中賦予。
spiders\photo.py 這個文件是通過命令 scrapy genspider photo tuchong.com 自動創建的，里面的初始內容如下：
- import scrapy
- class PhotoSpider(scrapy.Spider):
- name = 'photo'
- allowed_domains = ['tuchong.com']
- start_urls = ['http://tuchong.com/']
- def parse(self, response):
- pass
爬蟲名 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） ，起始地址 start_urls 將從這里定義的地址抓取（允許多個）
函數 parse 是處理請求內容的默認回調函數，參數 response 為請求內容，頁面內容文本保存在 response.body 中，我們需要對默認代碼稍加修改，讓其滿足多頁面循環發送請求，這需要重載 start_requests 函數，通過循環語句構建多頁的鏈接請求，修改后代碼如下：
- import scrapy, json
- from ..items import TuchongItem
- class 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個頁面，每頁20個圖集
- # 指定 parse 作為回調函數并返回 Requests 請求對象
- for page in range(1, 11):
- yield scrapy.Request(url=url % ('美女', page), callback=self.parse)
- # 回調函數，處理抓取內容填充 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} 對象數組
- 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 數組
- for tag in post.get('tags', ''):
- item['tags'].append(tag['tag_name'])
- items.append(item)
- return items
經過這些步驟，抓取的數據將被保存在 TuchongItem 類中，作為結構化的數據便于處理及保存。
前面說過，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，該文件中默認已創建類 TuchongPipeline 并重載了 process_item函數，通過修改該函數只返回那些符合條件的 item，代碼如下：
- import scrapy, json
- from ..items import TuchongItem
- class 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個頁面，每頁20個圖集
- # 指定 parse 作為回調函數并返回 Requests 請求對象
- for page in range(1, 11):
- yield scrapy.Request(url=url % ('美女', page), callback=self.parse)
- # 回調函數，處理抓取內容填充 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} 對象數組
- 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 數組
- for tag in post.get('tags', ''):
- item['tags'].append(tag['tag_name'])
- items.append(item)
- return items
當然如果不用管道直接在 parse 中處理也是一樣的，只不過這樣結構更清晰一些，而且還有功能更多的FilePipelines和ImagePipelines可供使用，process_item將在每一個條目抓取后觸發，同時還有 open_spider 及 close_spider 函數可以重載，用于處理爬蟲打開及關閉時的動作。
注意：管道需要在項目中注冊才能使用，在 settings.py 中添加：
- ITEM_PIPELINES = {
- 'tuchong.pipelines.TuchongPipeline': 300, # 管道名稱: 運行優先級(數字小優先)
- }
另外，大多數網站都有反爬蟲的 Robots.txt 排除協議，設置 ROBOTSTXT_OBEY = True 可以忽略這些協議，是的，這好像只是個君子協定。如果網站設置了瀏覽器User Agent或者IP地址檢測來反爬蟲，那就需要更高級的Scrapy功能，本文不做講解。
四、運行
返回 cmder 命令行進入項目目錄，輸入命令：
- scrapy crawl photo
終端會輸出所有的爬行結果及調試信息，并在***列出爬蟲運行的統計信息，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)}
主要關注ERROR及WARNING兩項，這里的 Warning 其實是不符合條件而觸發的 DropItem 異常。
五、保存結果
大多數情況下都需要對抓取的結果進行保存，默認情況下 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 -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：輸出至文件中的項目是未經過 TuchongPipeline 篩選的項目，只要在 parse 函數中返回的 Item 都會輸出，因此也可以在 parse 中過濾只返回需要的項目
如果需要保存至數據庫，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 是一個數據庫類，用于處理數據庫操作
- return item
- ...
為了在插入數據庫操作中排除重復的內容，可以使用 item[‘post_id’] 進行判斷，如果存在則跳過。
