Python 新手入门很多时候都会写个爬虫练手,本教程使用 Scrapy 框架,帮你简单快速实现爬虫,并将数据保存至数据库。在机器学习中数据挖掘也是十分重要的,我的数据科学老师曾经说过,好算法不如好数据。
介绍
Scrapy ,Python 开发的一个快速、高层次的屏幕抓取和 web 抓取框架,用于抓取 web 站点并从页面中提取结构化的数据。文件结构清晰,即使是小白也能够快速上手,总之非常好用😂。
XPath ,它是一种用来查找 XML 文档中节点位置的语言。 XPath 基于 XML 的树状结构,有不同类型的节点,包括元素节点,属性节点和文本节点,提供在数据结构树中找寻节点的能力。
MySQL 是一种关系数据库管理系统,它的优势:它是免费的。作者是下载了 MAMP for Mac ,内嵌MySQL
和Apache
。
首先通过 Scrapy 爬取到网页后, 通过 XPath 来定位指定元素,获取到你想要的数据,得到数据之后可以将数据存入数据库( MySQL )。简单了解之后就可以开始编写你的爬虫。
*重要:下载并查看 Demo ,结合本文可以快速实现一个基本爬虫✌️。
准备工作
安装 Scrapy (系统默认安装了 Python)
:
$ pip install Scrapy
在当前目录新建工程
$ scrapy startproject yourproject
新建工程文件结构如下:
yourproject/
----|scrapy.cfg # 部署配置文件
|yourproject/ # 工程目录
|----__init__.py
|----items.py # 项目数据文件
|----pipelines.py # 项目管道文件
|----settings.py # 项目设置文件
|----spiders/ # 我们的爬虫 目录
|----__init__.py # 爬虫主要代码在这里
简单的爬虫主要使用了spiders
、items
、pipelines
这三个文件:
- spider :爬虫的主要逻辑。
- items :爬虫的数据模型。
- pipelines : 爬虫获取到的数据的加工工厂,可以进行数据筛选或保存。
数据模型:items
先看看我们要爬取的网站,这个是 Scrapy 官方 Demo 爬取数据用的网站,我们先用这个来练手。
分析网页的信息我们可以看到网页主体是一个列表,列表每一行都包含可一句引用、作者名字、标签等信息。作者名右边点击(about)可以看到作者的详细信息,包括介绍、出生年月日、地点等等。根据上面的数据,我们可以先创建如下数据模型:
items.py
import scrapy
# quote 我们要爬取的主体
class QuoteItem(scrapy.Item):
text = scrapy.Field()
tags = scrapy.Field()
author = scrapy.Field()
next_page = scrapy.Field()
pass
# quote 的作者信息 对应 QuoteItem.author
class AuthorItem(scrapy.Item):
name = scrapy.Field()
birthday = scrapy.Field()
address = scrapy.Field()
description = scrapy.Field()
pass
所有的模型必须继承scrapy.Item
,完成这一步我们就可以开始写爬虫的逻辑了。
# 完整的 QuoteItem 数据结构示例
{
text,
tags,
author:{
name,
birthday,
address,
description
}
}
爬虫:spider
既然是爬虫,自然需要去爬取网页,爬虫部分的几个要点:
- 引入你创建的数据模型
- 首先爬虫类要继承
scrapy.Spider
。 - 设置爬虫的名字
name
,启动爬虫时要用。 - 将你要爬取的网址放入
start_requests()
,作为爬虫的起点。 - 爬取的网页信息成功后,在的请求响应
parse()
中解析。
spiders/init.py
- 在顶部引入创建的数据模型。
import scrapy
from ScrapySample.items import QuoteItem
from ScrapySample.items import AuthorItem
- 爬虫类,
name
->爬虫名字,allowed_domains
->爬取网页的白名单。
class QuotesSpider(scrapy.Spider):
name = "quotes"
allowed_domains = ["quotes.toscrape.com"]
-
在
start_requests()
中记录你要爬取的网址。可以只放入一个网址,然后让爬虫自己爬取起始网址中下一页的链接。也可以在这里把所有需要爬的网址直接放入,比如说
page
一般是从1开始,并且有序的,写一个for
循环可以直接输入所有页面的网址。本文使用的是让爬虫自己去爬取下一页网址的方式,所以只写入了一个起始网址。
def start_requests(self):
urls = [
'http://quotes.toscrape.com/page/1/',
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
-
如下代码,爬取网页成功之后,我们要分析网页结构,找到我们需要的数据。
我们先来看XPath语法,
//div[@class="col-md-8"]/div[@class="quote"
:这是表示查找 class 为"col-md-8"
的 div 节点下的一个子节点,并且子节点是一个 class 为"quote"
div 节点。如果在当前页面找到了这样一个节点,则返回节点信息,如果没有找到则返回None
。
def parse(self, response):
# 通过查看器,找到列表所在的节点
courses = response.xpath('//div[@class="col-md-8"]/div[@class="quote"]')
for course in courses:
# 将数据模型实例化 并从节点中找到数据填入我们的数据模型
item = QuoteItem()
# 轮询 course 节点下所有 class 为 "text" 的 span 节点,获取所有匹配到的节点的 text() ,由于获取到的是列表,我们默认取第一个。
item['text'] = course.xpath('.//span[@class="text"]/text()').extract_first()
item['author'] = course.xpath('.//small[@class="author"]/text()').extract_first()
item['tags'] = course.xpath('.//div[@class="tags"]/a/text()').extract()
# 请求作者详细信息
author_url = course.xpath('.//a/@href').extract_first()
# 如果作者介绍的链接不为空 则去请求作者的详细信息
if author_url != '':
request = scrapy.Request(url='http://quotes.toscrape.com'+author_url, dont_filter=True, callback=self.authorParse)
# 将我们已经获取到的 QuoteItem 传入该请求的回调函数 authorParse(),在该函数内继续处理作者相关数据。
request.meta['item'] = item
yield request
# 继续爬向下一页 该函数具体实现下面会分析
next_page_request = self.requestNextPage(response)
yield next_page_request
这段注释不是很详细,如果看不懂可能需要补一下相关知识。
-
爬取作者详细信息
成功获取作者详细信息 AuthorItem 后并且赋值给 QuoteItem 的属性
author
,这样一个完整的引述信息 QuoteItem 就组装完成了。
def authorParse(self, response):
# 先获取从 parse() 传递过来的 QuoteItem
item = response.meta['item']
# 通过查看器,找到作者详细信息所在节点
sources = response.xpath('//div[@class="author-details"]')
# 实例化一个作者信息的数据模型
author_item = AuthorItem()
# 往作者信息模型填入数据
for source in sources:
author_item['name'] = source.xpath('.//h3[@class="author-title"]/text()').extract_first()
author_item['birthday'] = source.xpath('.//span[@class="author-born-date"]/text()').extract_first()
author_item['address'] = source.xpath('.//span[@class="author-born-location"]/text()').extract_first()
author_item['description'] = source.xpath('.//div[@class="author-description"]/text()').extract_first()
# 最后将作者信息 author_item 填入 QuoteItem
item['author'] = author_item
# 保存组装好的完整数据模型
yield item
-
爬虫自己找到出路(下一页网页链接)
通过查看器我们可以找到
下一页
按钮元素,找到该节点并提取链接,爬虫即奔向下一个菜园。
def requestNextPage(self, response):
next_page = response.xpath('.//li[@class="next"]/a/@href').extract_first()
# 判断下一个是按钮元素的链接是否存在
if next_page is not None:
if next_page != '':
return scrapy.Request(url='http://quotes.toscrape.com/'+next_page, callback=self.parse)
return None
爬虫的主要逻辑到这里就结束了,我们可以看到,一小段代码就可以实现一个简单的爬虫。一般主流网页都针对防爬虫做了一些处理,实操过程中也许并不会这么顺利,我们可能需要模仿浏览器的User-Agent,或者做访问延时防止请求过于频繁等等处理。
数据处理:pipelines
pipelines是 Scrapy 用来后续处理的管道,可以同时存在多个,并且可以自定义顺序执行,通常用来做数据处理和数据保存。我们需要在settings.py
文件中设置需要需要执行的管道和执行顺序。
# 在 settings.py 加入下面的代码
ITEM_PIPELINES = {
'ScrapySample.pipelines.ScrapySamplePipeline': 300,
}
在这里我只使用了一个管道ScrapySamplePipeline
,用来将数据保存到数据库当中,后面的数字300
是表示该管道的优先级,数字越小优先级越高。
由于我们要保存数据到数据库,所以我们需要先在本地搭建起数据库服务,我这里用的是MySQL
,如果没有搭建的小伙伴可以下个 MAMP 免费版本,安装好傻瓜式操作一键启动Apache
、MySQL
服务。当然,数据库和表还是要自己建的。
# 在 pipelines.py 中加入数据库配置信息
config = {
'host': '127.0.0.1',
'port': 8081,
'user': 'root',
'password': 'root',
'db': 'xietao',
'charset': 'utf8mb4',
'cursorclass': pymysql.cursors.DictCursor,
}
我们可以在__init__()
函数里做一些初始化工作,比如说连接数据库。
然后process_item()
函数是管道处理事件的函数,我们要在这里将数据保存入数据库,我在这个函数里写了一些插入数据库操作。
close_spider()
函数是爬虫结束工作时候调用,我们可以在这里关闭数据库。
class ScrapySamplePipeline(object):
def __init__(self):
# 连接数据库
self.db = sql.connect(**config)
self.cursor = self.db.cursor()
def process_item(self, item, spider):
# 先保存作者信息
sql = 'INSERT INTO author (name, birthday, address, detail) VALUES (%s, %s, %s, %s)'
self.cursor.execute(sql, (item['author']['name'], item['author']['birthday'], item['author']['address'], item['author']['description']))
# 获取作者id
author_id = self.cursor.lastrowid
# 保存引述信息
sql = 'INSERT INTO spider (text, tags, author) VALUES (%s, %s, %s)'
self.cursor.execute(sql, (item['text'], ','.join(item['tags']), author_id))
self.db.commit()
# 即将结束爬虫
def close_spider(self, spider):
self.db.close()
self.cursor.close()
print('close db')
如果不需要保存数据库或者对数据处理的话,pipelines
这部分是可以忽略的。这个时候在命令行切换到工程目录下,输入开始执行爬虫命令:
$ scrapy crawl quotes
部分不保存到数据库的小伙伴可以使用下方命令,将爬取的数据以 Json 格式导出到该工程目录下。
$ scrapy crawl quotes -o quotes.json
最后贴上数据库数据成功录入的截图。
总结
这是作者最开始学习 Python 的时候写的,有一些不尽人意的地方后面会再调整,写下本文用意是巩固知识或是用于以后回顾,同时希望对同样刚开始学习 Python 的读者有所帮助。
最后再次贴上Demo ️。
今天的文章Python 萌新 – 花10分钟学爬虫分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/23095.html