Python爬虫框架Scrapy入门
Python爬虫框架Scrapy入门
一、爬虫定义
网络爬虫（Web crawler），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它们被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面，以获取这些网站的内容。
从功能上来讲，爬虫一般分为数据采集，处理，储存三个部分。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
二、所需知识
需要的知识有：linux系统 + Python语言 +Scrapy框架 + XPath（XML路径语言） + 一些辅助工具（浏览器的开发者工具和XPath helper插件）。
我们的爬虫是使用Python语言的Scrapy爬虫框架开发，在linux上运行，所以需要熟练掌握Python语言和Scrapy框架以及linux操作系统的基本知识。
我们需要使用XPath从目标HTML页面中提取我们想要的东西，包括汉语文字段落和“下一页”的链接等。
浏览器的开发者工具是编写爬虫主要使用的辅助工具。使用该工具可以分析页面链接的规律，可以用来定位HTML页面中想要提取的元素，然后提取其XPath表达式用于爬虫代码中，还可以查看页面请求头的Referer、Cookie等信息。如果爬取的目标是动态网站，该工具还可以分析出背后的JavaScript请求。
XPath helper插件是chrome的一个插件，基于chrome核的浏览器也可以安装。XPath helper可以用来调试XPath表达式。
三、环境搭建
安装Scrapy可以使用pip命令：pip install Scrapy
Scrapy相关依赖较多，因此在安装过程中可能遇到如下问题：
- ImportError: No module named w3lib.http
解决：pip install w3lib
- ImportError: No module named twisted
解决：pip install twisted
- ImportError: No module named lxml.HTML
- error: libxml/xmlversion.h: No such file or directory
apt-get install Python-lxml
- ImportError: No module named cssselect
- ImportError: No module named OpenSSL
或者使用简单的方法：使用anaconda安装。
四、Scrapy框架
1. Scrapy简介
Scrapy是大名鼎鼎的爬虫框架，是使用Python编写的。Scrapy可以很方便的进行web抓取，并且也可以很方便的根据自己的需求进行定制。
Scrapy整体架构大致如下：
2. Scrapy组件
Scrapy主要包括了以下组件：
- 引擎(Scrapy)
- 调度器(Scheduler)
- 下载器(Downloader)
- 爬虫(Spiders)
- 项目管道(Pipeline)
- 下载器中间件(Downloader Middlewares)
- 爬虫中间件(Spider Middlewares)
- 调度中间件(Scheduler Middewares)
3. Scrapy运行流程
Scrapy运行流程大概如下：
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
五、爬虫举例
我们以美剧天堂网站最近更新页面（http://www.meijutt.com/new100.HTML）为例，讲述如何使用scrapy。
源码地址：https://pan.baidu.com/s/1htFmXPM
现在我们想要爬取最近更新的100部美剧的名称。
1. 创建工程
movie 为爬虫工程的名称
2. 创建爬虫程序
meiju 为爬虫的名称，meijutt.com为要爬取的网站的域名。
3. 目录及文件结构
创建完爬虫后的目录及文件结构如下：
4. 文件说明
- scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
- items.py 设置数据存储模板，用于结构化数据，如：Django的Model
- pipelines 数据处理行为，如：一般结构化的数据持久化
- settings.py 配置文件，如：递归的层数、并发数，延迟下载等
- spiders 爬虫目录，如：创建文件，编写爬虫规则
注意：一般创建爬虫文件时，以网站域名命名。
5. 设置数据存储模板
items.py
6. 编写爬虫
meiju.py
7. 修改配置文件
settings.py增加如下内容
8. 编写数据处理脚本
pipelines.py
9. 执行爬虫
10. 爬虫结果
六、XPath
上面的爬虫代码中在提取电影列表和电影名称时使用了XPath（下图红框部分）。
1. XPath定义
XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。XPath当然也适用于HTML。
2. XPath语法
XPath使用路径表达式在 XML文档中选取节点。节点是通过沿着路径或者 step来选取的。
下面列出了最有用的路径表达式：
|
表达式 |
描述 |
|
nodename |
选取此节点的所有子节点。 |
|
/ |
从根节点选取。 |
|
// |
从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。 |
|
. |
选取当前节点。 |
|
.. |
选取当前节点的父节点。 |
|
@ |
选取属性。 |
3. 实例
现在有这样一个XML文档：
在下面的表格中，我们已列出了一些路径表达式以及表达式的结果：
|
路径表达式 |
结果 |
|
bookstore |
选取 bookstore 元素的所有子节点。 |
|
/bookstore |
选取根元素 bookstore。 注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！ |
|
bookstore/book |
选取属于 bookstore 的子元素的所有 book 元素。 |
|
//book |
选取所有 book 子元素，而不管它们在文档中的位置。 |
|
bookstore//book |
选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore之下的什么位置。 |
|
//@lang |
选取名为 lang 的所有属性。 |
上面知识XPath的一部分，详细的XPath知识可参考w3school网站。
七、相关工具
1. 浏览器的开发者工具
浏览器的开发者工具在写爬虫过程中具有很重要的作用。
1.1 定位HTML页面中的元素
在指定的网页元素上单击右键，选择“审查元素”，开发者工具就会定位到页面代码中该元素的位置。
定位的地方往上看就可以看到代码中Xpath表达式'//ul[@class="top-list fn-clear"]/li'中"top-list fn-clear"的来源。
1.2 查看请求头信息
这些信息包含Cookies、Referer等，在爬虫里面有时会用到。
1.3 捕获动态网站背后的真实请求
这个动态网站章节会详细介绍。
浏览器开发者工具还有一些其他用处，这里不方便一一列出。
2. XPath提取工具 XPath Helper
XPath Helper是chrome系浏览器的一个插件，只要是chrome核的浏览器都可以使用。
XPath Helper可以用来调试XPath表达式，在左边的query框里面输入XPath表达式，右边的results框就会实现显示结果。
八、动态网站
前面的例子介绍的是静态网站，静态网站的意思就是说想要提取的元素直接包含在了HTML页面的代码里面，可以用XPath直接获取到。但是现在的很多网站都是动态网站，使用Ajax技术。典型的例子就是新闻流页面，鼠标点击“加载更多”或一直向下滚动才会加载更新新闻，但是URL地址并没有变，页面的HTML代码里面也不含这些新闻。例如UC头条：
Ajax背后的大致原理是通过JavaScrpit向服务器发送异步请求，服务端查询数据库，返回数据，客户端根据返回的数据，使用JavaScript操作DOM将数据再展示出来。
所以要想爬这种网站，最主要的是知道JavaScrpit向服务器发送的那个异步请求。下面我们举个动态网站的例子：新浪滚动新闻首页，打开如下：
如果这是一个静态页面，在解析完第一页后，获取“下一页”按钮里面的链接，然后再打开该链接，再解析，再获取“下一页”按钮里面的链接。。。这样一直下去，直到最有一页。
但是这是一个动态网站，看一下“下一页”按钮的HTML的代码。
这个超链接可以提取，但是打开之后还是第一页，并不是第二页，所以真实的数据不在这里。通过浏览器的“审查元素”功能可以看到这个按钮的动作是执行一个JavaScript函数。
为什么“审查元素”看到的和HTML代码里面不一样？因为“审查元素”看到的是HTML里面的JavaScript代码执行后的。
我们可以使用浏览器开发者工具看看点击这个按钮时到底干了啥。打开浏览器开发者工具，切到“Network”，下面的类型选择” JS”。
准备就绪之后，我们点击一下“下一页”按钮，可以到看多了一条记录，类型是脚本。
点击选中这个记录，切到”Preview”选项卡，里面的数据正好是第二页的新闻。
现在可以知道，原来第二页的数据是动态向服务器请求回来的，是一个Json格式的字符串赋值给了一个变量，其实整个就是JavaScript代码，服务器返回JavaScript代码.
请求的链接可以在“Headers”里面看到。
这个链接就是我们想要的，其实这个链接就是新浪新闻后台提供给前端页面使用的数据接口，我们也可以直接请求这个链接获取数据，而不用解析HTML页面，这无疑提升了效率和稳定性。因为既然是接口，那么就要保持稳定，不能频繁变动，而前端HTML页面代码相对来说变动的代价较小。。
我们继续看这个链接，发现后面有很多参数。
这些参数代表什么意思？我们不用全部知道，只需要知道那些会变化的参数，而那些不变化的参数，我们保持一致即可。所以我们再点击2下“下一页”按钮，看看3次之间哪些参数会发生变化，然后建立一个表格对比看下。
|
col |
spec |
type |
ch |
k |
offset_page |
offset_num |
num |
asc |
page |
r |
|
89 |
01 |
0 |
0 |
60 |
2 |
0.029493685979885775 |
||||
|
89 |
01 |
0 |
0 |
60 |
3 |
0.3121254224752399 |
||||
|
89 |
01 |
0 |
0 |
60 |
4 |
0.656132625486423 |
可以发现只有“page”和”r”在变化，其它的不动。“page”很容易可以猜到是第几页，“r”看上去是一个随机数，0-1之间的随机数。其它参数也可以猜测下，比如“col”可能是栏目ID，“num”是向服务器请求的新闻条数。
知道了可以用“page”控制向服务器请求的页数，但是我们怎么知道一共有多少页呢，请求到什么时候截止呢？这是一个问题。
再观察服务器返回的数据，发现里面有一个“count”字段。
这个字段的值三次返回的结果分别是16204、16207、16210，猜测这个就是总的新闻条数，因为新闻编辑者们在实时编辑，所以总是在上升，但是变化不大。
有了新闻总数count、每次向服务器请求的新闻个数，那么有多少页就很简单了。
page_count = count / num
page_count就是页数了。
至此，爬虫代码就很简单了，请求接口返回来的是JavaScript的代码，将其中的JavaScript数据提取出来就可以了，剩下的跟静态网站一样了。
九、反爬
爬虫、反爬虫、反反爬虫，这之间的斗争恢宏壮阔，不是三两句话能讲清楚的。这里简单了说一下几个反反爬虫的方法。
1. 随机user_agent
利用Scrapy写出来的爬虫，请求头的user_agent字段都含有“Scrapy”关键字，很容易被识别出来是爬虫，所以我们可以伪装成浏览器。通过浏览器随意打开一个网站，在开发者工具里面可以看到这个浏览器的user_agent。
多弄些浏览器在不同平台、不同系统下的的user_agent，随机切换，这样更具隐蔽性。自定义user_agent可以通过继承Scrapy的UserAgentMiddleware类来实现。
2. 添加Referer
Referer是告诉服务器我是从哪个页面链接过来的，服务器借此可以获得一些信息用于处理。例如，用户在打开新闻详情页时，一般都是从新闻列表页链接过来的，或者是从别的网站链接过来的，Referer都是有值的。而Scrapy写的爬虫，Referer字段都是空的。打开百度新闻首页（http://news.baidu.com/）里的一篇文章，可以用开发者工具获取到Referer：
3. 延时
有些网站监控同一个IP向服务器请求的频率，如果频率太大，比如一秒钟几百次，这完全超出人类的行为，所以服务器直接视为爬虫，将IP拉黑，豆瓣就是这样的。对于这样的网站，我们可以在爬虫中增加延时，比如每两个请求之间间隔0.3秒。
4. 随机代理IP
对于封IP的网站，延时的方法使得爬虫效率大大下降。更好的办法是使用IP代理，每次向服务器请求使用不同的IP。高质量的、稳定的代理IP一般都是收费的，需要购买。有些网站提供一些免费的限时的代理IP，可以临时一用。
十、局限
一个全新的网站入口需要重新订制一个爬虫，不利于大规模抓取。