大家好,之前给大家分享过Scrapy框架各组件的详细配置,今天就来更新一篇实战干货:CrawlSpider框架爬取数码宝贝全图鉴。可能本文爬的这个网站你不感兴趣,但我希望你能通过下面的爬取分析、操作中学会点什么,写的很详细,如果你对Scrapy感兴趣或者正在学习Scrapy那么本文将是一个极好的练习案例。
需求分析
主页面分析
首先点击http://digimons.net/digimon/chn.html进入中文检索页面
查看页面源码
有两点发现:
-
数据不是通过Ajax加载
-
获得全部数据不需要什么翻页逻辑,所有数码兽的后半url都在当前源码里。href中的格式是数码兽英文名/index.html
接下来分析几个数码兽详情页的url:
http://digimons.net/digimon/agumon_yuki_kizuna/index.html
http://digimons.net/digimon/herakle_kabuterimon/index.html
http://digimons.net/digimon/mugendramon/index.html
http://digimons.net/digimon/king_etemon/index.html
根据这个情况有一种思路:利用正则或者其他(超)文本解析工具获取源码中的所有href,然后利用urllib.parse.urljoin和父目录路径http://digimons.net/digimon/ 拼起来构成完整url,再访问详情页。
但本文换了一种思路。许多爬虫的数据采集工作都是类似的,因此Scrapy提供了若干个更高程度封装的通用爬虫类,可用以下命令查看:
# 查看scrapy提供的通用爬虫(Generic Spiders)
scrapy genspider -l
CrawlSpider 是通用爬虫里最常用的一个,通过一套规则引擎,它自动实现了页面链接的搜索跟进,解决了包含但不限于自动采集详情页、跟进分类/分页地址等问题。主要运行逻辑是深度优先
这个网站的设计非常简单,因此可以考虑用便捷的全网爬取框架。这个框架的前提是:无关url和需要url有明显差别,可以利用正则获取其他方式区别开。
简而言之,可以想象给定爬虫一个一只url以后,爬虫会继续访问从这个url出发能访问到的新url,然后爬虫需要根据预设的语法判断这个url是不是所需的,如果是则先解析后延伸访问新url,如果不是则继续访问新url,假如没有新url该叉结束
文章中的外链比较多是wikipedia,url差别较大。通过对比和数码兽详情页的url,可以总结出所需url的格式:
http://digimons.net/digimon/.*/index.html
利用正则替换中间的英文名即可
详情页分析
爬取的需求如下
基本一只数码兽所有的资料都会爬取下来,但需要注意不同的数码兽资料不一定完整,故写代码需要留意(举两个例子)
需求分析差不多了,现在可以着手写代码!
代码实现
创建项目
直接看代码
# scrapy startproject <Project_name>
scrapy startproject Digimons
# scrapy genspider <spider_name> <domains>
scrapy genspider –t crawl digimons http://digimons.net/digimon/chn.html
spiders.py
依次打开项目文件夹Digimons - Digimons - spiders,创建digimons.py,内容如下
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from ..items import DigimonsItem
class DigimonsSpider(CrawlSpider):
name = 'digimons'
allowed_domains = ['digimons.net']
start_urls = ['http://digimons.net/digimon/chn.html']
# 爬虫的规则是重点,把先前分析的结果url放进allow
# callback='parse_item',符合规则的url回调该函数
# follow = False则爬到该页面后不继续拓宽深度
rules = (
Rule(LinkExtractor(allow=r'http://digimons.net/digimon/.*/index.html'), callback='parse_item', follow=False),
)
# 按需求逐个解析,有的不存在需要判断
def parse_item(self, response):
# 名字列表
name_lst = response.xpath('//*[@id="main"]/article/h2[1]//text()').extract()
name_lstn = [i.replace('/', '').strip() for i in name_lst if i.strip() != '']
# 中文名
Cname = name_lstn[0].replace(' ', '-')
# 日文名
Jname = name_lstn[1]
# 英文名
Ename = name_lstn[2]
# 等级
digit_grade = response.xpath("//article/div[@class='data'][1]/table/tr[1]/td/text()").extract()
digit_grade = '-' if digit_grade == [] else ''.join(digit_grade)
# 类型
digit_type = response.xpath("//article/div[@class='data'][1]/table/tr[2]/td/text()").extract()
digit_type = '-' if digit_type == [] else ''.join(digit_type)
# 属性
digit_attribute = response.xpath("//article/div[@class='data'][1]/table/tr[3]/td/text()").extract()
digit_attribute = '-' if digit_attribute == [] else ''.join(digit_attribute)
# 所属
belongs = response.xpath("//article/div[@class='data'][1]/table/tr[4]/td/text()").extract()
belongs = '-' if belongs == [] else ''.join(belongs)
# 适应领域
adaptation_field = response.xpath("//article/div[@class='data'][1]/table/tr[5]/td/text()").extract()
adaptation_field = '-' if adaptation_field == [] else ''.join(adaptation_field)
# 首次登场
debut = response.xpath("//article/div[@class='data'][1]/table/tr[6]/td/text()").extract()
debut = '-' if debut == [] else ''.join(debut)
# 名字来源
name_source = response.xpath("//article/div[@class='data'][1]/table/tr[7]/td/text()").extract()
name_source = '-' if name_source == [] else '/'.join(name_source).strip('/')
# 必杀技
nirvana = response.xpath("//article/div[@class='data'][2]/table/tr/td[1]/text()").extract()
nirvana = '-' if nirvana == [] else '/'.join(nirvana).strip('/')
# 介绍资料
info_lst = response.xpath("//*[@id='cn']/p/text()").extract()
info = ''.join([i.replace('/', '').strip() for i in info_lst if i.strip() != ''])
# 图片url
img_url = response.xpath('//*[@id="main"]/article/div[1]/a/img/@src').extract()
img_url = response.url[:-10] + img_url[0] if img_url != [] else '-'
# 个人习惯简单输出
print(Cname, Jname, Ename)
# 如果要持久化存储转向items
item = DigimonsItem()
item['Cname'] = Cname
item['Jname'] = Jname
item['Ename'] = Ename
item['digit_grade'] = digit_grade
item['digit_type'] = digit_type
item['digit_attribute'] = digit_attribute
item['belongs'] = belongs
item['adaptation_field'] = adaptation_field
item['debut'] = debut
item['name_source'] = name_source
item['nirvana'] = nirvana
item['info'] = info
item['img_url'] = img_url
yield item
items.py
关于MySQL存储的细节可以参考收藏|我的Mysql学习笔记
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
# 和spiders.py中的传入对应
class DigimonsItem(scrapy.Item):
Cname = scrapy.Field()
Jname = scrapy.Field()
Ename = scrapy.Field()
digit_grade = scrapy.Field()
digit_type = scrapy.Field()
digit_attribute = scrapy.Field()
belongs = scrapy.Field()
adaptation_field = scrapy.Field()
debut = scrapy.Field()
name_source = scrapy.Field()
nirvana = scrapy.Field()
info = scrapy.Field()
img_url = scrapy.Field()
# 注释部分是sql语法,需要在命令行运行
def get_insert_sql_and_data(self):
# CREATE TABLE digimons(
# id int not null auto_increment primary key,
# Chinese_name text, Japanese_name text, English_name text,
# digit_grade text, digit_type text, digit_attribute text,
# belongs text, adaptation_field text, debut text, name_source text,
# narvana text, info text)ENGINE=INNODB DEFAULT CHARSET=UTF8mb4;
insert_sql = 'insert into digimons(Chinese_name,Japanese_name,English_name,digit_grade,digit_type,'
'digit_attribute,belongs,adaptation_field,debut,name_source,nirvana,info,img_url)'
'values(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
data = (self['Cname'],self['Jname'],self['Ename'],self['digit_grade'],self['digit_type'],
self['digit_attribute'],self['belongs'],self['adaptation_field'],self['debut'],
self['name_source'],self['nirvana'],self['info'],self['img_url'])
return (insert_sql, data)
pipelines.py
借助items.py和Mysqlhelper完成存储
# -*- coding: utf-8 -*-
from mysqlhelper import Mysqlhelper
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
class DigimonsPipeline(object):
def __init__(self):
self.mysqlhelper = Mysqlhelper()
def process_item(self, item, spider):
if 'get_insert_sql_and_data' in dir(item):
(insert_sql, data) = item.get_insert_sql_and_data()
self.mysqlhelper.execute_sql(insert_sql, data)
return item
settings.py
没有特别修改,下面的代码默认是注释状态,需要打开
ITEM_PIPELINES = {
'Digimons.pipelines.DigimonsPipeline': 300,
}
extends.py
自定义拓展这部分内容不看也可以,我实现的功能就是在爬虫运行结束的时候自动给微信推送消息(借助喵提醒),喵提醒需要申请账号获得自己的id,官方已经给了一个API可以包装在本地
from urllib import request, parse
import json
class Message(object):
def __init__(self,text):
self.text = text
def push(self):
# 重要,在id中填写自己绑定的id
page = request.urlopen("http://miaotixing.com/trigger?" + parse.urlencode({"id": "xxxxxx", "text": self.text, "type": "json"}))
result = page.read()
jsonObj = json.loads(result)
if (jsonObj["code"] == 0):
print("
Reminder message was sent successfully")
else:
print("
Reminder message failed to be sent,wrong code:" + str(jsonObj["code"]) + ",describe:" + jsonObj["msg"])
写在另外的py文件里命名为message.py,接下来写extends.py,需要自己新建,位置和pipelines.py,items.py同级
from scrapy import signals
from message import Message
class MyExtension(object):
def __init__(self, value):
self.value = value
@classmethod
def from_crawler(cls, crawler):
val = crawler.settings.getint('MMMM')
ext = cls(val)
crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened)
crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed)
return ext
def spider_opened(self, spider):
print('spider running')
def spider_closed(self, spider):
# 推送的消息可以自定义,可以再给出获取了多少条数据
text = 'DigimonsSpider运行结束'
message = Message(text)
message.push()
print('spider closed')
重要的是如果添加了自定义拓展,需要在settings中也打开,默认是:
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
# 'scrapy.extensions.telnet.TelnetConsole': None,
#}
需要修改并打开:
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
EXTENSIONS = {
'Digimons.extends.MyExtension': 500,
}
running.py
最后就是运行这个项目了,也可以直接在命令行中cd到项目位置后运行
scrapy crawl digimons
个人比较喜欢在py文件中运行,新建一个running.py(和items.py同级目录)
from scrapy.cmdline import execute
execute('scrapy crawl digimons'.split())
最后运行runnings.py这个项目就启动了
项目运行
下面就是本项目的运行过程
运行完成共获得1179条数据,进入Navicat查看
数据非常好的储存了,可以看到不是所有的数码兽都有所属阵营,现在我哦们可以做一些简单的查询,比如七大魔王阵营里都有谁:
查询结果对比确实只有7只,重复出现的都是形态变化或者变体:
对其中重复的一只数码兽再次查询,的确简介都不同,如果觉得用MySQL查看不方便,可以在Navicat中转出成EXCEL查看
到这里,本项目就结束了,我们下个案例见~