基于 Python 的 Scrapy 爬虫入门：代码详解

作者：大虫

 

一、内容分析

接下来创建一个爬虫项目，以 图虫网 为例抓取里面的图片。在顶部菜单“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：

<div class="content"> 
<div class="widget-gallery"> 
<ul class="pagelist-wrapper"> 
<li class="gallery-item...

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：

<div class="content"> 
<div class="widget-gallery"></div> 
</div>

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": "2017-10-28 18:01:03", 
"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

1. 进入cmder命令行工具，输入workon scrapy 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。
2. 输入 scrapy startproject tuchong 创建项目 tuchong
3. 进入项目主目录，输入 scrapy genspider photo tuchong.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：

import scrapy 

class TuchongItem(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 scrapy genspider photo tuchong.com 自动创建的，里面的初始内容如下：

import scrapy 

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

def parse(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：

import scrapy, json 
from ..items import TuchongItem 

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

def start_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 
for page in range(1, 11): 
yield scrapy.Request(url=url % ('美女', page), callback=self.parse) 

# 回调函数，处理抓取内容填充 TuchongItem 属性 
def parse(self, response): 
body = json.loads(response.body_as_unicode()) 
items = [] 
for post in body['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 
for img in post.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 
for tag in post.get('tags', ''): 
item['tags'].append(tag['tag_name']) 
items.append(item) 
return items

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：

... 
def process_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 
if int(item['image_count']) < 3: 
raise DropItem("美女太少: " + item['url']) 
elif item['type'] != 'multi-photo': 
raise DropItem("格式不对: " + + item['url']) 
else: 
print(item['url']) 
return item 
...

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User Agent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：

scrapy crawl photo

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: Dumping Scrapy stats: 
{'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：

scrapy crawl photo -o output.json # 输出为JSON文件 
scrapy crawl photo -o output.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:

... 
def process_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 
return item 
...

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。