Scrapy 爬虫初探

0x00 环境准备:

本文所需环境包括:

Lighthouse服务器

“轻量应用服务器（Lighthouse）是一种易于使用和管理、适合承载轻量级业务负载的云服务器，能帮助中小企业及开发者在云端快速构建网站、博客、电商、论坛等各类应用以及开发测试环境，并提供应用部署、配置和管理的全流程一站式服务，极大提升构建应用的体验，是您使用腾讯云的最佳入门途径。“（购买传送门->）

Lighthouse提供多种镜像供你选择，这里我们先选择LAMP镜像，选择套餐后进行支付：

Mysql数据库

Lighthouse的LAMP镜像中集成了MySQL数据库，可以直接使用，无需再安装MySQL。如果有着更高的存储要求，还可以选择使用云数据库MySQL。本文使用的是云数据库MySQL。

Python 3.x

安装Python3这里不加以赘述，网上的教程已经非常详细。

0x01 编写爬虫

安装所需python库:

pip3 install scrapy

pip3 install twisted

pip3 install Pillow

新建一个scrapy项目

运行命令 scrapy start project lighthousespider，可以看到在当前目录下新建了一个名为 lighthousespider 的项目，项目的结构如下：

其中，spiders 文件夹便是我们定义爬取逻辑的位置。本例为清华大学两院院士的爬取，在 spiders中新建 tsinghua.py，并建立 tsinghuaSpider 类如下：

class tsinghuaSpider(scrapy.Spider):
    name = 'tsinghua'
    allowed_domains = ['www.tsinghua.edu.cn']
    start_urls = ['https://www.tsinghua.edu.cn/szdw1/jcrc/lyys1.htm', ]
    custom_settings = {
    }

其中，name表示该 Spider 的标识，allowed_domains 表示允许爬取的域名，start_urls 表示要爬取的网页的url，custom_setting 中定义该 Spider 单独的设置。

在 lighthousespider 下，我们新建 begin.py，作为爬虫的入口：

from scrapy import cmdline
cmdline.execute("scrapy crawl tsinghua".split())

设计items

在这一步，我们需要定义我们要爬取的内容。首先，我们需要观察我们需要爬取的网页。

可以看到，在清华大学两院院士页面中展示了院士们的名单。院士们的名字是一个链接，点击之后是该院士的详细信息。

在详细信息中我们可以看到有名字、简介、照片三部分。由此，初步定下我们爬取的信息：姓名、简介、照片。

在items.py中新建一个 Item:TsinghuaItem，定义我们需要爬取的信息，并进行初始化：

class TsinghuaItem(scrapy.Item):
    teacher_name = scrapy.Field()
    content = scrapy.Field()
    image_url = scrapy.Field()

    def __init__(self):
        super(TsinghuaItem, self).__init__()
        for key in self.fields:
            self._values[key] = ''

编写爬取逻辑

在刚刚的观察中我们可以很容易的得到我们爬取的基本逻辑：循环点击每一位院士的名字，进入该院士的详情页->爬取姓名、简介、照片。

回到清华大学两院院士页面，进入开发者模式，找到院士们名字的href：

在tsinghuaSpider类中复写parse方法，使用CSS选择器得到我们需要的元素（可自行Google CSS语法）。姓名的href使用的是相对值，因此，我们还需要把href和当前url进行结合，得到绝对地址url。发起一个Request，并指定回调函数为parse_detail，使用parse_detail 作为详情页的处理函数：

在tsinghuaSpider类中复写parse方法，使用CSS选择器得到我们需要的元素（可自行Google CSS语法）。姓名的href使用的是相对值，因此，我们还需要把href和当前url进行结合，得到绝对地址url。发起一个Request，并指定回调函数为parse_detail，使用parse_detail 作为详情页的处理函数：

def parse(self, response, **kwargs):
    href_list = response.css('div.yuanShi a::attr(href)').extract()
    for href in href_list:
        yield Request(url=urljoin(get_base_url(response), href), callback=self.parse_detail)

类似地，我们进入院士的详情页，找到姓名、简介、照片所在的元素：

在parse_detail函数中，我们使用CSS选择器得到我们所需的值，并将其放入到之前定义好的TsinghuaItem中，进行提交。为了去除多余的空格，换行等字符我们还定义了函数trim：

def parse_detail(self, response, **kwargs):
    teacher_name = self.trim(str(response.css('header.contentNav h1::text').extract()))
    content = self.trim(str(response.css("div.v_news_content *::text").extract()))
    image_url = urljoin(get_base_url(response), str(response.css('div.yS img::attr(src)').extract()))
    item = TsinghuaItem()
    item['teacher_name'] = teacher_name
    item['content'] = content
    item['image_url'] = image_url
    yield item

@staticmethod
def trim(value: str):
    if value is None:
        return ''
    bad_chars = ['\n', '\t', '\u3000', '\xa0', ' ', '\r', '&nbsp']
    for char in bad_chars:
        value = value.replace(char, '')
    return value.strip()

至此，我们得到了院士的姓名、简介、和照片的url。

下载照片

我们需要通过爬取到的照片的url，下载院士的照片，并存储在本地。Scrapy在pipelines中提供了ImagesPipeline，我们只要继承ImagesPipeline并简单的复写一下就可以了：

class MyImagesPipeline(ImagesPipeline):
    store_uri = None

    def __init__(self, store_uri, download_func=None, settings=None):
        self.store_uri = store_uri
        super(MyImagesPipeline, self).__init__(store_uri, settings=settings,download_func=download_func)

    def get_media_requests(self, item, info):
        image_url = item['image_url']
        if image_url:
            yield scrapy.Request(image_url)

定义了MyImagesPipeline 后，还需要将其加入到settings中使其生效。我们可以选择在settings.py中取消掉 ITEM_PIPELINES 的注释，加入MyImagesPipeline，并设立该pipelines的优先级。优先级表示多个pipelines时调用的顺序，数字越小表示优先级越高：

ITEM_PIPELINES = {
   'lighthousespider.pipelines.MyImagesPipeline': 400,
}

我们还可以在之前提到的custom_settings中加入MyImagesPipeline：

custom_settings = {
    'ITEM_PIPELINES': {
        'lighthousespider.pipelines.MyImagesPipeline': 400,
    },
}

两种方式的区别为：在custom_settings中添加的pipelines仅作用于当前Spider，而在settings.py中添加的pipelines作用于所有Spider。

添加完pipelines后，我们在settings.py中配置照片的存储路径：

#image store
IMAGES_URLS_FIELD = "image_url"
project_dir = os.path.abspath(os.path.dirname(__file__))  #获取当前爬虫项目的绝对路径
IMAGES_STORE = os.path.join(project_dir, 'images')  #组装新的图片路径

运行begin.py，可以看到在lighthousespider下建立了images文件夹，存储了院士们的照片：

数据存储

爬取到数据后我们需要将其存入到数据库。首先，我们需要在MySQL中配置库和表。我们建立一个名为tsinghua的数据库，并设计tsinghua_teacher表如下：

在settings.py中我们需要定义我们数据库的连接信息：

#Mysql数据库的配置信息
MYSQL_HOST = '111.111.111.111'      #数据库地址
MYSQL_DBNAME = 'tsinghua'         #数据库名字
MYSQL_USER = 'root'             #数据库账号
MYSQL_PASSWD = '*********'         #数据库密码
MYSQL_PORT = 3306               #数据库端口

在pipelines.py中，我们定义一个新的pipeline:InsertDBPipeline。通过twisted连接到MySQLdb。值得注意的是，在Python3当中使用的是pymysql，而非MySQLdb，因此我们还需要做一个转换：

import pymysql 
pymysql.install_as_MySQLdb()

class InsertDBPipeline(object):
    def __init__(self, dbpool):
        self.dbpool = dbpool

    def process_item(self, item, spider):
        query = self.dbpool.runInteraction(self._conditional_insert, item)
        query.addErrback(self._handle_error, item, spider)
        return item

    @classmethod
    def from_settings(cls, settings):
        dbparams = dict(
            host=settings['MYSQL_HOST'],
            db=settings['MYSQL_DBNAME'],
            user=settings['MYSQL_USER'],
            passwd=settings['MYSQL_PASSWD'],
            charset='utf8',
            use_unicode=False,
        )
        dbpool = adbapi.ConnectionPool('MySQLdb', **dbparams)
        return cls(dbpool)

    def _conditional_insert(self, tx, item):
        id = str(uuid.uuid1())
        sql = "insert into tsinghua_teacher" \
              "(id, teacher_name, image_url, content)" \
              "values(%s,%s,%s,%s)"
        params = (id, item['teacher_name'], item['image_url'], item['content'])
        tx.execute(sql, params)

    def _handle_error(self, failue, item, spider):
        print(failue)

最后，和MyImagesPipeline类似，我们还需要在settings.py或者custom_settings中添加新定义的pipeline：

custom_settings = {
    'ITEM_PIPELINES': {
        'lighthousespider.pipelines.MyImagesPipeline': 400,
        'lighthousespider.pipelines.InsertDBPipeline': 300
    },
}

运行begin.py，可以看到数据库表中数据如下：

至此，爬虫运行结束，我们已经得到了我们想要的数据。

0x02 小结

本文介绍的内容以爬虫入门为主，较为简单。在之后的文章中，我们会详细介绍一些相对复杂的爬虫技术，包括爬取javascript动态渲染页面、设立请求代理池、ip池、cloudflare5秒盾破解等等，敬请期待。