Scrapy爬取博客网站

1026

Scrapy架构

Scrapy Engine

Scrapy Engine负责控制整个数据处理的流程，和事件的触发。

Scheduler

调度程序从Scrapy Engine接受请求并排序列入队列，并在Scrapy Engine发出请求后返还给他们。

Downloader

下载器的主要职责是抓取网页并将网页内容返还给Spider。

Spiders

Spiders是有Scrapy用户自己定义用来解析网页并抓取制定URL返回的内容的类，每个Spider都能处理一个域名或一组域名。换句话说就是用来定义特定网站的抓取和解析规则。

Item Pipeline

Item Pipeline的主要责任是负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被Spider解析后，将被发送到Item Pipeline，并经过几个特定的次序处理数据。每个Item Pipeline的组件都是有一个简单的方法组成的Python类。他们获取了项目并执行他们的方法，同时他们还需要确定的是是否需要在Item Pipeline中继续执行下一步或是直接丢弃掉不处理。

Downloader middlewares

Downloader middlewares是位于Scrapy Engine和下载器之间的钩子框架，主要是处理Scrapy Engine与下载器之间的请求及响应。它提供了一个自定义的代码的方式来拓展Scrapy的功能。Downloader middlewares是一个处理请求和响应的钩子框架。他是轻量级的，对Scrapy尽享全局控制的底层的系统。

Spider middlewares

Spider middlewares是介于Scrapy Engine和Spider之间的钩子框架，主要工作是处理Spider的响应输入和请求输出。它提供一个自定义代码的方式来拓展Scrapy的功能。Spider middlewares是一个挂接到Scrapy的Spider处理机制的框架，你可以插入自定义的代码来处理发送给Spider的请求和返回Spider获取的响应内容和项目。

Scheduler middlewares

Scheduler middlewares是介于Scrapy Engine和调度之间的中间件，主要工作是处从Scrapy Engine发送到调度的请求和响应。他提供了一个自定义的代码来拓展Scrapy的功能。

Scrapy处理流程

  1. Engine打开一个域名，让Spider处理这个域名，并让Spider获取第一个爬取的URL。
  2. Engine从Spider那获取第一个需要爬取的URL，然后作为请求在Scheduler中进行调度。
  3. Engine从Scheduler那获取接下来进行爬取的页面。
  4. Scheduler将下一个爬取的URL返回给Engine，Engine将他们通过Downloader middlewares发送到Downloader。
  5. 当网页被Downloader下载完成以后，响应内容通过Downloader middlewares被发送到Engine。
  6. Engine收到Downloader的响应并将它通过Spider middlewares发送到Spider进行处理。
  7. Spider处理响应并返回爬取到的数据，然后给Engine发送新的请求。
  8. Engine将抓取到的数据交给Item Pipeline，并向Scheduler发送请求。
  9. 系统重复第二部后面的操作，直到Scheduler中没有请求，然后断开Engine与域之间的联系。

Scrapy项目结构

通过如下代码可以新建scrapy项目： 

$ scrapy startproject stack
2015-09-05 20:56:40 [scrapy] INFO: Scrapy 1.0.3 started (bot: scrapybot)
2015-09-05 20:56:40 [scrapy] INFO: Optional features available: ssl, http11
2015-09-05 20:56:40 [scrapy] INFO: Overridden settings: {}
New Scrapy project 'stack' created in:
    /stack-spider/stack

You can start your first spider with:
    cd stack
    scrapy genspider example example.com

文件结构： 

├── scrapy.cfg
└── stack
    ├── __init__.py
    ├── items.py
    ├── pipelines.py
    ├── settings.py
    └── spiders
        └── __init__.py
        └── spider.py

一个普通的scrapy项目，主要需要编写items.py,pipelines.py,spider.py三个文件。

items.py

定义要爬取的字段 

from scrapy.item import Item, Field

class StackItem(Item):
    title = Field()
    url = Field()

spider.py

定义爬取规则和爬取路径 

from scrapy import Spider
from scrapy.selector import Selector

from stack.items import StackItem


class StackSpider(Spider):
    name = "stack"
    allowed_domains = ["stackoverflow.com"]
    start_urls = [
        "http://stackoverflow.com/questions?pagesize=50&sort=newest",
    ]

    def parse(self, response):
        questions = Selector(response).xpath('//div[@class="summary"]/h3')

        for question in questions:
            item = StackItem()
            item['title'] = question.xpath(
                'a[@class="question-hyperlink"]/text()').extract()[0]
            item['url'] = question.xpath(
                'a[@class="question-hyperlink"]/@href').extract()[0]
            yield item

pipelines.py

将抓取的数据存入数据库 

import pymongo

from scrapy.conf import settings
from scrapy.exceptions import DropItem
from scrapy import log


class MongoDBPipeline(object):

    def __init__(self):
        connection = pymongo.MongoClient(
            settings['MONGODB_SERVER'],
            settings['MONGODB_PORT']
        )
        db = connection[settings['MONGODB_DB']]
        self.collection = db[settings['MONGODB_COLLECTION']]

    def process_item(self, item, spider):
        valid = True
        for data in item:
            if not data:
                valid = False
                raise DropItem("Missing {0}!".format(data))
        if valid:
            self.collection.insert(dict(item))
            log.msg("Question added to MongoDB database!",
                    level=log.DEBUG, spider=spider)
        return item

setting.py

在配置文件里添加一些基本配置 

ITEM_PIPELINES = ['stack.pipelines.MongoDBPipeline', ]

MONGODB_SERVER = "localhost"
MONGODB_PORT = 27017
MONGODB_DB = "stackoverflow"
MONGODB_COLLECTION = "questions"

这时就可以运行爬虫了： 

$ scrapy crawl stack

通用型博客爬虫

针对每一个网站都创建一个爬虫项目实在太繁琐，但每个爬虫的爬取路径等信息都不同，不能简单的把一个项目进行复用 。在参考了神箭手后，写出了一个功能简单的通用爬虫。
 能够爬取的网站必须满足：

  • 可以分页读取历史文章
  • 通过feed或者atom进行rss更新

设计思路是将每一个网站特有的信息保存到数据库，运行某个网站的爬虫时，再将它的信息从数据库读取出来，放到相应的代码中。

所以需要建立两个数据表：
 第一个存放网站的爬虫配置信息 

/* 1 */
{
    "_id" : ObjectId("57621e7a9d60312fe4f2ba65"),
    "url_page" : 126,
    "site_name" : "wydrops",
    "col_name" : "wydropsposts",
    "post_time_xpath" : "//time/text()",
    "update_list_url" : "http://drops.wooyun.org/feed",
    "post_title_xpath" : "//header/h1/text()",
    "post_content_xpath" : "//section",
    "allowed_domains" : "drops.wooyun.org",
    "language" : "cn",
    "post_author_xpath" : "//header/div/a/text()",
    "datetime_parser" : "%Y/%m/%d %H:%M",
    "list_post_url_xpath" : "//h2/a/@href",
    "start_url" : "http://drops.wooyun.org/page/{}",
    "update_by" : "feed"
}

第二张存放每次爬取的更新时间 

{
    "_id" : ObjectId("576221009d60311204a608a5"),
    "site_name" : "wydrops",
    "title" : "逆向浅析常见病毒的注入方式系列之一-----WriteProcessMemory",
    "url" : "http://drops.wooyun.org/feed",
    "timestamp" : ISODate("2016-06-16T02:44:18.000Z"),
    "last_updated_at" : ISODate("2016-06-16T03:46:43.671Z")
}

文件结构：

其中db.py用来建立数据库连接，conf.py从数据库中读取网站的配置信息，web文件夹存放flask应用，作为项目的web端。
 GeneralSpider.py解析文章列表，根据页码爬取历史文章。 

# -*- coding=utf8 -*-
from datetime import datetime
from scrapy.spiders import Spider
from scrapy.http import Request
from ..items import GeneralspiderItem
from ..conf import CONF


class GeneralSpider(Spider):
    name = 'GeneralSpider'
    allowed_domains = CONF['allowed_domains']
    start_urls = [
        CONF['start_url'].format(i) for i in range(1, CONF['url_page'] + 1)
    ]

    def parse(self, response):
        urls = response.xpath(CONF['list_post_url_xpath']).extract()
        for url in urls:
            if not url.startswith("http"):
                url = "http://" + CONF['allowed_domains'] + url
            request = Request(url=url, callback=self.parse_post, dont_filter=True)
            yield request

    def parse_post(self, response):
        item = GeneralspiderItem()
        item['url'] = response.url
        item['title'] = response.xpath(CONF['post_title_xpath']).extract()[0].strip()
        try:
            item['author'] = response.xpath(CONF['post_author_xpath']).extract()[0].strip()
        except:
            pass
        try:
            published_at = response.xpath(CONF['post_time_xpath']).extract()[0].strip()
            item['published_at'] = datetime.strptime(published_at, CONF['datetime_parser'])
        except:
            pass
        item['crawled_at'] = datetime.now()
        item['content'] = response.xpath(CONF['post_content_xpath']).extract()[0]  # 可能需要转义HTML
        yield item

UpdateInitialSpider.py在爬取历史文章后运行，作用是初始化更新表。
 updatingspider.py定时执行，根据更新表爬取网站的更新内容。!
 web端效果：

todo

  1. 优化通用爬虫的兼容性（phantomjs+selenium）
  2. 学习celery分布式任务队列,让爬虫通过web端的请求启动，并把scrapy任务通过celery异步执行。
Comments
Write a Comment