• 首页
• 留言本

百度360必应搜狗淘宝本站头条

分布式事务框架grpc框架shiro框架java日志框架框架图

当前位置：网站首页 > 技术文章 > 正文

Python爬虫之Scrapy爬虫框架解密与并爬取亚马逊评论数据

ccwgpt 2024-09-27 07:29 186 浏览 0 评论

环境准备：

1. 使用pip安装lxml和scrapy
2. scrapy startproject amazon_comment创建一个名为amazon_comment的scrapy爬虫项目

---

scrapy核心工作流程：

1. scrapy.spiders.Spider中，有个变量start_urls，是数组类型，表示我们需要让爬虫从哪些链接开始爬取。Spider会以start_urls中的链接，生成一个含有默认回调函数parse的Request，然后使用该链接发出HTTP请求，获取到HTTP响应内容，封装成Response对象，然后把该Response对象作为参数传递给回调函数parse。Spider中最开始的Request是通过调用start_requests()方法来获取的，start_requests()方法是Spider默认实现好的，我们一般不用去实现这个方法。在start_requests()方法中，是通过读取start_urls中的链接，默认的以parse作为回调函数生成Request请求的。
2. 当获取到Response对象之后，我们可以覆盖回调函数：parse方法，也可以在生成Request指定我们想要的任何回调函数。这样，Response就会作为参数传入我们指定的回调函数里面了（默认是parse方法）。然后，我们可以在我们设置的回调函数里面，从Response对象解析出返回的网页header内容，网页body内容。最常见的就是使用scrapy提供的scrapy.selector.Selector来从网页body中提取出我们想要的网页内容。我们设置的回调函数可以返回一个Item对象，或者是一个dict，或者是Request对象，或者是一个包括这三个东西的可迭代对象。在使用Selector提取网页内容时，最常见的就是使用xpath语法来定位和提取网页中我们想要的数据。
3. 如果回调函数返回的是Request对象，那么这个Request对象之后又会经过Scrapy处理（发请求，获取Response，传递给回调函数处理）。
4. 如果我们设置的回调函数返回的是Item对象，那么scrapy会把该Item传递给scrapy中我们定义好的 Item Pipeline处理，所以，我们一般都要实现ItemPipeline，最常见的是在Item Pipeline中把Item对象格式化成我们想要的格式，然后持久化到数据库中。

---

当我们实现scrapy.spiders.Spider时：

如果是不需要登录，不需要设置header的，只通过一个url就能访问的网页，那么在scrapy.spiders的Spider类中，重写parse(response)方法即可。

如果是不需要登录，需要设置header的（一般设置User-Agent和Referer），通过url就能访问的网页，那么重写parse(response)方法，然后在scrapy.spiders的Spider类中，重写start_requests()方法，在该方法中返回一个设置了headers参数的scrapy.http.Request对象即可。该Request对象还可以设置callback，如果设置了callback，该start_requests方法返回该Request对象后，scrapy内部会根据该Request发出请求，获取scrapy.http.Response对象，然后把Response对象传递给该callback方法作参数，然后执行该callback方法；如果没有设置callback，那么scrapy内部会根据该Request发出请求，获取scrapy.http.Response对象，然后把Response对象传递给parse方法作参数，然后执行parse方法。

如果是需要登录，需要设置header的，通过url访问的网页，那么可以在start_urls中第一个元素设置为登录的url，然后在start_requests()方法中，返回一个设置了formdata参数的scrapy.FormRequest对象。该FormRequest是继承自scrapy.http.Request对象的，FormRequest没有设置额外必需的位置参数，提供了可选参数formdata，当formdata不为None时，method必为POST（FormRequest的__init__方法会自动设置）。FormRequest显然可以当做Request使用。所有Request的默认的回调函数是parse(response)方法，设置了另外的回调函数的话，该parse方法不会被调用。

---

scrapy核心方法：scrapy.spiders.Spider.start_requests()：

上面提到，scrapy在开始工作时会以执行start_requests()方法，该方法中会以start_urls变量中的链接来创建Request，从而下载网页。我们来看一下start_requests()方法的默认实现。

该方法的默认实现为，

通常把该方法实现为一个生成器（包含yield的函数），因为我们会在start_urls中存储我们想爬取的url，对于start_urls中的每一个url的处理，该方法只会调用一次（并不是在该项目的整个爬取过程中只调用一次，而是对于每个url只调用一次），然后调用回调函数处理Response从而获取item。

所以如果我们重写了这个方法，那么我们一般也将它实现为生成器，即在yield中通过make_requests_from_url(url)方法返回默认的Request对象。例如，

scrapy.spiders.Spider中该方法的默认实现会从start_urls中取url来生成scrapy.http.Request，我们在该方法中也可以不使用start_urls而是自己随意使用url生成Request返回。

Request的必备参数只有一个，如Request的构造方法为，

Request的构造方法

FormRequest

在一个网页需要登录或者提交表单数据才能访问时，我们可以不使用默认的Request而是FormRequest。FormRequest从名字上就可以看出，就是为了在请求中模拟表单请求而存在的。

scrapy.FormRequest继承自Request，无额外的必备参数，可以设置formdata参数来使用POST提交数据。

如，

scrapy核心方法：scrapy.spiders.Spider.parse(response)：

parse方法是scrapy.http.Request中默认的回调函数，在Request中我们如果不显式声明回调函数的话，Request会默认把parse方法作为回调函数使用。

parse方法必须返回一个包含scrapy.http.Request对象、dict、project.items中定义的Item的可迭代的对象（一般实现为生成器，即在方法最后使用yield item或者yield Request）。

parse方法如果返回scrapy.http.Request对象，则scrapy内部还会通过该Request对象获取scrapy.http.Response，然后传递给该Request中的回调函数并调用该回调函数（默认是parse方法）。

parse方法中可以使用自定义的任何解析器来分析Response，获取item（一般是使用xpath，即scrapy.selector.Selector.xpath()方法，该方法还是返回一个Selector对象）。如

parse方法中提取想要的数据：scrapy.selector.Selector和xpath：

在parse方法中，要从抓取的网页提取感兴趣的数据，需要使用到Selector和xpath。

Selector构造函数为：

Selector(response=None, text=None, type=None, namespaces=None, _root=None, _expr=None)

Selector常用方法为：

1. extract()：返回Selector对象的unicode字符串列表。
2. extract_first()：返回Selector对象匹配到的第一个元素。
3. xpath()：返回一个Selector对象

Selector和xpath使用示例：

1. Selector(response).xpath('//span/text()').extract()： # 以列表方式返回所有span元素的文本内容。
2. Selector(response).xpath('//div[@id]/a[1]/text()').extract()： # @表示选取属性，该句表示以列表形式返回所有具有id属性的div中第一个超链接的文本内容。或者使用Selector(response).xpath('//div[@id]/a/text()').extract_first()Selector(response).xpath('//div[@id and @class]/a/text()').extract()： # 多个条件用and连接
3. Selector(response).xpath('//div[@id="images"]/a[1]/text()').extract()： # @表示选取属性，该句表示以列表形式返回所有id为images的div中第一个超链接的文本内容。
4. Selector(response).xpath('//div[ul]/a/text()').extract()： # 以列表形式返回所有含有ul子元素的div中所有超链接的文本内容。
5. Selector(response).xpath('//div[last()]/a/text()').extract()： # 以列表形式返回最后一个div中所有超链接的文本内容。
6. Selector(response).xpath('//a[contains(@href, "image")]/@href').extract()： # 以列表形式返回所有的超链接中，其href属性包含"image"内容的那些超链接的链接内容。<a href="http://image1.html">超链接</a>这样的链接会被匹配上，因为href属性包含"image"内容。
7. element_dom.xpath("//div[@class='item_list']//li/a/@href")： # 选取任意位置的class为item_list的div节点的全部子节点li【div后代节点，不管在div中任何位置】中a节点的href属性

xpath链式写法、条件嵌套和多条件查找：

xpath()完之后，仍然可以继续xpath：

注意：xpath链式写法重复利用时，'//'前需要加上点'.'。如在某个xpath对象下继续使用xpath规则提取, 当提取某个对象下的所有某个对象所有tr标签：

xpath多条件查找：

假设xml内容为下图，我们想要查找包含“data”节点并且“data”的type属性为"String"并且“data”节点的文本为“Alpha”的所有“cell”节点（即下图中的第一个data节点）：

满足需求的xpath为：//cell[data[text()='Alpha'] and data[@type='String']] 或 //cell[data[text()='Alpha' and @type='String']]。//cell表示搜索所有的cell节点，中括号[]里面是条件，满足了中括号中所有条件的cell节点会被搜索出来，data[text()='Alpha' and @type='String']表示（节点文本="Alpha"且type="String"）的子节点会被搜索出来。其中，中括号中的多个条件用and连接，相当于Python条件表达式中的and语法。

如果要在加一层结点的话，则中括号[]继续嵌套，想要查找子孙节点为data节点并且该data节点的type属性为"String"并且data节点的文本为“Alpha”的所有Row结点：

满足条件的xpath为：//row[cell/data[text()='Alpha'] and cell/data[@type='String']] 或 //row[cell/data[text()='Alpha' and @type='String']]

Selector().css()

与xpath类似，我们也可以在Selector上使用css()方法来查找元素。

css()方法：返回一个Selector对象，采用css语法来查找元素。

css()示例：

1. Selector(response).css('title::text').extract() # 以列表方式返回所有title元素的文本内容。
2. Selector(response).css('base::attr(href)').extract() # 以列表方式返回所有base元素的href属性内容。
3. Selector(response).css('a[href*=image]::attr(href)').extract() # 以列表方式返回所有超链接中，href属性包含"image"的那些超链接的链接内容。
4. Selector(response).css('a[href*=asks] .num::text').extract() # 以列表方式返回所有超链接中，href属性包含"asks"的那些超链接下，class为num的那些元素的文本内容。

更多文章

Python爬虫框架之Scrapy详解

Python爬虫框架Scrapy架构和爬取糗事百科段子结果

Python爬虫框架Scrapy之爬取糗事百科大量段子数据

喜欢的可以关注，赞赏多多支持一下！

相关推荐