Python抓取框架Scrapy爬虫入门：页面提取

2023-09-20 03:49:05 166

前言

Scrapy是一个非常好的抓取框架，它不仅提供了一些开箱可用的基础组建，还能够根据自己的需求，进行强大的自定义。本文主要给大家介绍了关于Python抓取框架Scrapy之页面提取的相关内容，分享出来供大家参考学习，下面随着小编来一起学习学习吧。

在开始之前，关于scrapy框架的入门大家可以参考这篇文章：https://www.nhooo.com/article/87820.htm

下面创建一个爬虫项目，以图虫网为例抓取图片。

一、内容分析

打开图虫网，顶部菜单“发现”“标签”里面是对各种图片的分类，点击一个标签，比如“美女”，网页的链接为：https://tuchong.com/tags/美女/，我们以此作为爬虫入口，分析一下该页面：

打开页面后出现一个个的图集，点击图集可全屏浏览图片，向下滚动页面会出现更多的图集，没有页码翻页的设置。Chrome右键“检查元素”打开开发者工具，检查页面源码，内容部分如下：





可以判断每一个li.gallery-item是一个图集的入口，存放在ul.pagelist-wrapper下，div.widget-gallery是一个容器，如果使用xpath选取应该是：//div[@class="widget-gallery"]/ul/li，按照一般页面的逻辑，在li.gallery-item下面找到对应的链接地址，再往下深入一层页面抓取图片。
但是如果用类似Postman的HTTP调试工具请求该页面，得到的内容是：

也就是并没有实际的图集内容，因此可以断定页面使用了Ajax请求，只有在浏览器载入页面时才会请求图集内容并加入div.widget-gallery中，通过开发者工具查看XHR请求地址为：

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

参数很简单，page是页码，count是每页图集数量，order是排序，before_timestamp为空，图虫因为是推送内容式的网站，因此before_timestamp应该是一个时间值，不同的时间会显示不同的内容，这里我们把它丢弃，不考虑时间直接从最新的页面向前抓取。

请求结果为JSON格式内容，降低了抓取难度，结果如下：

{
"postList":[
{
"post_id":"15624611",
"type":"multi-photo",
"url":"https://weishexi.tuchong.com/15624611/",
"site_id":"443122",
"author_id":"443122",
"published_at":"2017-10-2818:01:03",
"excerpt":"10月18日",
"favorites":4052,
"comments":353,
"rewardable":true,
"parent_comments":"165",
"rewards":"2",
"views":52709,
"title":"微风不燥秋意正好",
"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"
}

根据属性名称很容易知道对应的内容含义，这里我们只需关心postlist这个属性，它对应的一个数组元素便是一个图集，图集元素中有几项属性我们需要用到：

url：单个图集浏览的页面地址
post_id：图集编号，在网站中应该是唯一的，可以用来判断是否已经抓取过该内容
site_id：作者站点编号，构建图片来源链接要用到
title：标题
excerpt：摘要文字
type：图集类型，目前发现两种，一种multi-photo是纯照片，一种text是文字与图片混合的文章式页面，两种内容结构不同，需要不同的抓取方式，本例中只抓取纯照片类型，text类型直接丢弃
tags：图集标签，有多个
image_count：图片数量
images：图片列表，它是一个对象数组，每个对象中包含一个img_id属性需要用到

根据图片浏览页面分析，基本上图片的地址都是这种格式：https://photo.tuchong.com/{site_id}/f/{img_id}.jpg，很容易通过上面的信息合成。

二、创建项目

进入cmder命令行工具，输入workonscrapy进入之前建立的虚拟环境，此时命令行提示符前会出现(Scrapy)标识，标识处于该虚拟环境中，相关的路径都会添加到PATH环境变量中便于开发及使用。
输入scrapystartprojecttuchong创建项目tuchong
进入项目主目录，输入scrapygenspiderphototuchong.com创建一个爬虫名称叫photo(不能与项目同名)，爬取tuchong.com域名（这个需要修改，此处先输个大概地址），的一个项目内可以包含多个爬虫

经过以上步骤，项目自动建立了一些文件及设置，目录结构如下：

(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：基础设置
items.py：抓取条目的结构定义
middlewares.py：中间件定义，此例中无需改动
pipelines.py：管道定义，用于抓取数据后的处理
settings.py：全局设置
spiders\photo.py：爬虫主体，定义如何抓取需要的数据

三、主要代码

items.py中创建一个TuchongItem类并定义需要的属性，属性继承自scrapy.Field值可以是字符、数字或者列表或字典等等：

importscrapy

classTuchongItem(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()
...

这些属性的值将在爬虫主体中赋予。

spiders\photo.py这个文件是通过命令scrapygenspiderphototuchong.com自动创建的，里面的初始内容如下：

importscrapy

classPhotoSpider(scrapy.Spider):
name='photo'
allowed_domains=['tuchong.com']
start_urls=['http://tuchong.com/']

defparse(self,response):
pass

爬虫名name，允许的域名allowed_domains（如果链接不属于此域名将丢弃，允许多个），起始地址start_urls将从这里定义的地址抓取（允许多个）

函数parse是处理请求内容的默认回调函数，参数response为请求内容，页面内容文本保存在response.body中，我们需要对默认代码稍加修改，让其满足多页面循环发送请求，这需要重载start_requests函数，通过循环语句构建多页的链接请求，修改后代码如下：

importscrapy,json
from..itemsimportTuchongItem

classPhotoSpider(scrapy.Spider):
name='photo'
#allowed_domains=['tuchong.com']
#start_urls=['http://tuchong.com/']

defstart_requests(self):
url='https://tuchong.com/rest/tags/%s/posts?page=%d&count=20&order=weekly';
#抓取10个页面，每页20个图集
#指定parse作为回调函数并返回Requests请求对象
forpageinrange(1,11):
yieldscrapy.Request(url=url%('美女',page),callback=self.parse)

#回调函数，处理抓取内容填充TuchongItem属性
defparse(self,response):
body=json.loads(response.body_as_unicode())
items=[]
forpostinbody['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']={}
#将images处理成{img_id:img_url}对象数组
forimginpost.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']=[]
#将tags处理成tag_name数组
fortaginpost.get('tags',''):
item['tags'].append(tag['tag_name'])
items.append(item)
returnitems

经过这些步骤，抓取的数据将被保存在TuchongItem类中，作为结构化的数据便于处理及保存。

前面说过，并不是所有抓取的条目都需要，例如本例中我们只需要type="multi_photo类型的图集，并且图片太少的也不需要，这些抓取条目的筛选操作以及如何保存需要在pipelines.py中处理，该文件中默认已创建类TuchongPipeline并重载了process_item函数，通过修改该函数只返回那些符合条件的item，代码如下：

...
defprocess_item(self,item,spider):
#不符合条件触发scrapy.exceptions.DropItem异常，符合条件的输出地址
ifint(item['image_count'])<3:
raiseDropItem("美女太少:"+item['url'])
elifitem['type']!='multi-photo':
raiseDropItem("格式不对:"++item['url'])
else:
print(item['url'])
returnitem
...

当然如果不用管道直接在parse中处理也是一样的，只不过这样结构更清晰一些，而且还有功能更多的FilePipelines和ImagePipelines可供使用，process_item将在每一个条目抓取后触发，同时还有open_spider及close_spider函数可以重载，用于处理爬虫打开及关闭时的动作。

注意：管道需要在项目中注册才能使用，在settings.py中添加：

ITEM_PIPELINES={
'tuchong.pipelines.TuchongPipeline':300,#管道名称:运行优先级(数字小优先)
}

另外，大多数网站都有反爬虫的Robots.txt排除协议，设置ROBOTSTXT_OBEY=True可以忽略这些协议，是的，这好像只是个君子协定。如果网站设置了浏览器UserAgent或者IP地址检测来反爬虫，那就需要更高级的Scrapy功能，本文不做讲解。

四、运行

返回cmder命令行进入项目目录，输入命令：

scrapycrawlphoto

终端会输出所有的爬行结果及调试信息，并在最后列出爬虫运行的统计信息，例如：

[scrapy.statscollectors]INFO:DumpingScrapystats:
{'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)}

主要关注ERROR及WARNING两项，这里的Warning其实是不符合条件而触发的DropItem异常。

五、保存结果

大多数情况下都需要对抓取的结果进行保存，默认情况下item.py中定义的属性可以保存到文件中，只需要命令行加参数-o{filename}即可：

scrapycrawlphoto-ooutput.json#输出为JSON文件
scrapycrawlphoto-ooutput.csv#输出为CSV文件

注意：输出至文件中的项目是未经过TuchongPipeline筛选的项目，只要在parse函数中返回的Item都会输出，因此也可以在parse中过滤只返回需要的项目
如果需要保存至数据库，则需要添加额外代码处理，比如可以在pipelines.py中process_item后添加:

...
defprocess_item(self,item,spider):
...
else:
print(item['url'])
self.myblog.add_post(item)#myblog是一个数据库类，用于处理数据库操作
returnitem
...

为了在插入数据库操作中排除重复的内容，可以使用item['post_id']进行判断，如果存在则跳过。
本项目中的抓取内容只涉及了文本及图片链接，并未下载图片文件，如需下载图片，可以通过两种方式：

安装Requests模块，在process_item函数中下载图片内容，同时在保存数据库时替换为本地图片路径。
使用ImagePipelines管道下载图片，具体使用方法下回讲解。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对毛票票的支持。

Python抓取框架Scrapy爬虫入门：页面提取

热门推荐

随机推荐