《Learning Scrapy》(中文版)第5章 快速构建爬虫


序言
第1章 Scrapy介绍
第2章 理解HTML和XPath
第3章 爬虫基础
第4章 从Scrapy到移动应用
第5章 快速构建爬虫
第6章 Scrapinghub部署
第7章 配置和管理
第8章 Scrapy编程
第9章 使用Pipeline
第10章 理解Scrapy的性能
第11章(完) Scrapyd分布式抓取和实时分析


第3章中,我们学习了如何从网页提取信息并存储到Items中。大多数情况都可以用这一章的知识处理。本章,我们要进一步学习抓取流程UR2IM中两个R,Request和Response。

一个具有登录功能的爬虫

你常常需要从具有登录机制的网站抓取数据。多数时候,网站要你提供用户名和密码才能登录。我们的例子,你可以在http://web:9312/dynamichttp://localhost:9312/dynamic找到。用用户名“user”、密码“pass”登录之后,你会进入一个有三条房产链接的网页。现在的问题是,如何用Scrapy登录?

《Learning Scrapy》(中文版)第5章 快速构建爬虫

让我们使用谷歌Chrome浏览器的开发者工具搞清楚登录的机制。首先,选择Network标签(1)。然后,填入用户名和密码,点击Login(2)。如果用户名和密码是正确的,你会进入下一页。如果是错误的,会看到一个错误页。

一旦你点击了Login,在开发者工具的Network标签栏中,你就会看到一个发往http://localhost:9312/dynamic/login的请求Request Method: POST。

提示:上一章的GET请求,通常用来获取静止数据,例如简单的网页和图片。POST请求通常用来获取的数据,取决于我们发给服务器的数据,例如这个例子中的用户名和密码。

点击这个POST请求,你就可以看到发给服务器的数据,其中包括表单信息,表单信息中有你刚才输入的用户名和密码。所有数据都以文本的形式发给服务器。Chrome开发者工具将它们整理好并展示出来。服务器的响应是302 FOUND(5),然后将我们重定向到新页面:/dynamic/gated。只有登录成功时才会出现此页面。如果没有正确输入用户名和密码就前往http://localhost:9312/dynamic/gated,服务器会发现你作弊,并将你重定向到错误页面:http://localhost:9312/dynamic/error。服务器怎么知道你和密码呢?如果你点击左侧的gated(6),你会发现在RequestHeaders(7)下有一个Cookie(8)。

提示:HTTP cookie是通常是一些服务器发送到浏览器的短文本或数字片段。反过来,在每一个后续请求中,浏览器把它发送回服务器,以确定你、用户和期限。这让你可以执行复杂的需要服务器端状态信息的操作,如你购物车中的商品或你的用户名和密码。

总结一下,单单一个操作,如登录,可能涉及多个服务器往返操作,包括POST请求和HTTP重定向。Scrapy处理大多数这些操作是自动的,我们需要编写的代码很简单。
我们将第3章名为easy的爬虫重命名为login,并修改里面名字的属性,如下:

class LoginSpider(CrawlSpider):
    name = 'login'

提示:本章的代码github的ch05目录中。这个例子位于ch05/properties。

我们要在http://localhost:9312/dynamic/login上面模拟一个POST请求登录。我们用Scrapy中的类FormRequest来做。这个类和第3章中的Request很像,但有一个额外的formdata,用来传递参数。要使用这个类,首先必须要引入:

from scrapy.http import FormRequest

我们然后将start_URL替换为start_requests()方法。这么做是因为在本例中,比起URL,我们要做一些自定义的工作。更具体地,用下面的函数,我们创建并返回一个FormRequest:

# Start with a login request
def start_requests(self):
  return [
    FormRequest(
      "http://web:9312/dynamic/login",
      formdata={"user": "user", "pass": "pass"}
         )]

就是这样。CrawlSpider的默认parse()方法,即LoginSpider的基本类,负责处理响应,并如第3章中使用Rules和LinkExtractors。其余的代码很少,因为Scrapy负责了cookies,当我们登录时,Scrapy将cookies传递给后续请求,与浏览器的方式相同。还是用scrapy crawl运行:

$ scrapy crawl login 
INFO: Scrapy 1.0.3 started (bot: properties)
...
DEBUG: Redirecting (302) to <GET .../gated> from <POST .../login >
DEBUG: Crawled (200) <GET .../data.php>
DEBUG: Crawled (200) <GET .../property_000001.html> (referer: .../data.
php)
DEBUG: Scraped from <200 .../property_000001.html>
  {'address': [u'Plaistow, London'],
   'date': [datetime.datetime(2015, 11, 25, 12, 7, 27, 120119)],
   'description': [u'features'],
   'image_URL': [u'http://web:9312/images/i02.jpg'],
...
INFO: Closing spider (finished)
INFO: Dumping Scrapy stats:
  {...
   'downloader/request_method_count/GET': 4,
   'downloader/request_method_count/POST': 1,
...
   'item_scraped_count': 3,

我们注意到登录跳转从dynamic/login到dynamic/gated,然后就可以像之前一样抓取项目。在统计中,我们看到一个POST请求和四个GET请求;一个是dynamic/gated首页,三个是房产网页。

提示:在本例中,我们不保护房产页,而是是这些网页的链接。代码在相反的情况下也是相同的。

如果我们使用了错误的用户名和密码,我们将重定向到一个没有URL的页面,进程并将在这里结束,如下所示:

$ scrapy crawl login
INFO: Scrapy 1.0.3 started (bot: properties)
...
DEBUG: Redirecting (302) to <GET .../dynamic/error > from <POST .../
dynamic/login>
DEBUG: Crawled (200) <GET .../dynamic/error>
...
INFO: Spider closed (closespider_itemcount)

这是一个简单的登录示例,演示了基本的登录机制。大多数网站可能有更复杂的机制,但Scrapy也处理的很好。例如一些网站在执行POST请求时,需要通过从表单页面到登录页面传递某种形式的变量以确定cookies的启用,让你使用大量用户名和密码暴力破解时变得困难。

《Learning Scrapy》(中文版)第5章 快速构建爬虫

例如,如果你访问http://localhost:9312/dynamic/nonce,你会看到一个和之前一样的网页,但如果你使用Chrome开发者工具,你会发现这个页面的表单有一个叫做nonce的隐藏字段。当你提交表单http://localhost:9312/dynamic/nonce-login时,你必须既要提供正确的用户名密码,还要提交正确的浏览器发给你的nonce值。因为这个值是随机且只能使用一次,你很难猜到。这意味着,如果要成功登陆,必须要进行两次请求。你必须访问表单、登录页,然后传递数值。和以前一样,Scrapy有内建的功能可以解决这个问题。

我们创建一个和之前相似的NonceLoginSpider爬虫。现在,在start_requests()中,我们要向表单页返回一个简单的Request,并通过设定callback为名字是parse_welcome()的方法手动处理响应。在parse_welcome()中,我们使用FormRequest对象中的from_response()方法创建FormRequest,并将原始表单中的字段和值导入FormRequest。FormRequest.from_response()可以模拟提交表单。

提示:花时间看from_response()的文档是十分值得的。他有许多有用的功能如formname和formnumber,它可以帮助你当页面有多个表单时,选择特定的表单。

它最大的功能是,一字不差地包含了表单中所有的隐藏字段。我们只需使用formdata参数,填入user和pass字段,并返回FormRequest。代码如下:

# Start on the welcome page
def start_requests(self):
    return [
        Request(
            "http://web:9312/dynamic/nonce",
            callback=self.parse_welcome)
    ]
# Post welcome page's first form with the given user/pass
def parse_welcome(self, response):
    return FormRequest.from_response(
        response,
        formdata={"user": "user", "pass": "pass"}
    )

像之前一样运行爬虫:

$ scrapy crawl noncelogin 
INFO: Scrapy 1.0.3 started (bot: properties)
...
DEBUG: Crawled (200) <GET .../dynamic/nonce>
DEBUG: Redirecting (302) to <GET .../dynamic/gated > from <POST .../
dynamic/login-nonce>
DEBUG: Crawled (200) <GET .../dynamic/gated>
...
INFO: Dumping Scrapy stats:
  {...
   'downloader/request_method_count/GET': 5,
   'downloader/request_method_count/POST': 1,
...
   'item_scraped_count': 3,

我们看到第一个GET请求先到/dynamic/nonce,然后POST,重定向到/dynamic/nonce-login之后,之后像之前一样,访问了/dynamic/gated。登录过程结束。这个例子的登录含有两步。只要有足够的耐心,无论多少步的登录过程,都可以完成。

使用JSON APIs和AJAX页面的爬虫

有时,你会发现网页的HTML找不到数据。例如,在http://localhost:9312/static/页面上右键点击检查元素(1,2),你就可以在DOM树种看到所有HTML元素。或者,如果你使用scrapy shell或在Chrome中右键点击查看网页源代码(3,4),你会看到这个网页的HTML代码不包含任何和值有关的信息。数据都是从何而来呢?

《Learning Scrapy》(中文版)第5章 快速构建爬虫

和以前一样,在开发者工具中打开Network标签(5)查看发生了什么。左侧列表中,可以看到所有的请求。在这个简单的页面中,只有三个请求:static/我们已经检查过了,jquery.min.js是一个流行的JavaScript框架,api.json看起来不同。如果我们点击它(6),然后在右侧点击Preview标签(7),我们可以看到它包含我们要找的信息。事实上,http://localhost:9312/properties/api.json包含IDs和名字(8),如下所示:

[{
    "id": 0,
    "title": "better set unique family well"
}, 
... {
    "id": 29,
    "title": "better portered mile"
}]

这是一个很简单的JSON API例子。更复杂的APIs可能要求你登录,使用POST请求,或返回某种数据结结构。任何时候,JSON都是最容易解析的格式,因为不需要XPath表达式就可以提取信息。

Python提供了一个强大的JSON解析库。当我们import json时,我们可以使用json.loads(response.body)解析JSON,并转换成等价的Python对象,语句、列表和字典。

复制第3章中的manual.py文件。这是最好的方法,因为我们要根据JSON对象中的IDs手动创建URL和Request。将这个文件重命名为api.py,重命名类为ApiSpider、名字是api。新的start_URL变成:

start_URL = (
    'http://web:9312/properties/api.json',
)

如果你要做POST请求或更复杂的操作,你可以使用start_requests()方法和前面几章介绍的方法。这里,Scrapy会打开这个URL并使用Response作为参数调用parse()方法。我们可以import json,使用下面的代码解析JSON:

def parse(self, response):
    base_url = "http://web:9312/properties/"
    js = json.loads(response.body)
    for item in js:
        id = item["id"]
        url = base_url + "property_%06d.html" % id
        yield Request(url, callback=self.parse_item)

这段代码使用了json.loads(response.body)将响应JSON对象转换为Python列表,然后重复这个过程。对于列表中的每个项,我们设置一个URL,它包含:base_url,property_%06d和.html.base_url,.html.base_url前面定义过的URL前缀。%06d是一个非常有用的Python词,可以让我们结合多个Python变量形成一个新的字符串。在本例中,用id变量替换%06d。id被当做数字(%d的意思就是当做数字进行处理),并扩展成6个字符,位数不够时前面添加0。如果id的值是5,%06d会被替换为000005;id是34322时,%06d会被替换为034322替换。最后的结果是可用的URL。和第3章中的yield一样,我们用URL做一个新的Request请求。运行爬虫:

$ scrapy crawl api
INFO: Scrapy 1.0.3 started (bot: properties)
...
DEBUG: Crawled (200) <GET ...properties/api.json>
DEBUG: Crawled (200) <GET .../property_000029.html>
...
INFO: Closing spider (finished)
INFO: Dumping Scrapy stats:
...
   'downloader/request_count': 31, ...
   'item_scraped_count': 30,

最后一共有31次请求,每个项目一次,api.json一次。

在响应间传递参数

许多时候,你想把JSON APIs中的信息存储到Item中。为了演示,在我们的例子中,对于一个项,JSON API在返回它的名字时,在前面加上“better”。例如,如果一个项的名字时“Covent Garden”,API会返回“Better Covent Garden”。我们要在Items中保存这些含有“bette”的名字。如何将数据从parse()传递到parse_item()中呢?

我们要做的就是在parse()方法产生的Request中进行设置。然后,我们可以从parse_item()的的Response中取回。Request有一个名为meta的字典,在Response中可以直接访问。对于我们的例子,给字典设一个title值以存储从JSON对象的返回值:

title = item["title"]
yield Request(url, meta={"title": title},callback=self.parse_item)

在parse_item()中,我们可以使用这个值,而不用XPath表达式:

l.add_value('title', response.meta['title'],
      MapCompose(unicode.strip, unicode.title))

你会注意到,我们从调用add_xpath()切换到add_value(),因为对于这个字段不需要使用XPath。我们现在运行爬虫,就可以在PropertyItems中看到api.json中的标题了。

一个加速30倍的项目爬虫

当你学习使用一个框架时,这个框架越复杂,你用它做任何事都会很复杂。可能你觉得Scrapy也是这样。当你就要为XPath和其他方法变得抓狂时,不妨停下来思考一下:我现在抓取网页的方法是最简单的吗?

如果你可以从索引页中提取相同的信息,就可以避免抓取每一个列表页,这样就可以节省大量的工作。

提示:许多网站的索引页提供的项目数量是不同的。例如,一个网站可以通过调整一个参数,例如&show=50,给每个索引页面设置10、 50或100个列表项。如果是这样的话,将其设置为可用的最大值。

例如,对于我们的例子,我们需要的所有信息都存在于索引页中,包括标题、描述、价格和图片。这意味着我们抓取单个索引页,提取30个条目和下一个索引页的链接。通过抓取100个索引页,我们得到3000个项,但只有100个请求而不是3000个。

在真实的Gumtree网站上,索引页的描述比列表页的完整描述要短。这是可行的,或者是更推荐的。

提示:许多情况下,您不得不在数据质量与请求数量间进行折衷。很多网站都限制请求数量(后面章节详解),所以减少请求可能解决另一个棘手的问题。

在我们的例子中,如果我们查看一个索引页的HTML,我们会发现,每个列表页有自己的节点,itemtype="http://schema.org/Product"。节点有每个项的全部信息,如下所示:

《Learning Scrapy》(中文版)第5章 快速构建爬虫

让我们在Scrapy shell中加载索引首页,并用XPath处理:

$ scrapy shell http://web:9312/properties/index_00000.html
While within the Scrapy shell, let's try to select everything with the Product tag:
>>> p=response.xpath('//*[@itemtype="http://schema.org/Product"]')
>>> len(p)
30
>>> p
[<Selector xpath='//*[@itemtype="http://schema.org/Product"]' data=u'<li 
class="listing-maxi" itemscopeitemt'...]

我们得到了一个包含30个Selector对象的表,每个都指向一个列表。Selector对象和Response对象很像,我们可以用XPath表达式从它们指向的对象中提取信息。不同的是,表达式为有相关性的XPath表达式。相关性XPath表达式与我们之前见过的很像,不同之处是它们前面有一个点“.”。然我们看看如何用.//*[@itemprop="name"][1]/text()提取标题的:

>>> selector = p[3]
>>> selector
<Selector xpath='//*[@itemtype="http://schema.org/Product"]' ... '>
>>> selector.xpath('.//*[@itemprop="name"][1]/text()').extract()
[u'l fun broadband clean people brompton european']

我们可以在Selector对象表中用for循环提取一个索引页的所有30个项目信息。还是从第3章中的maunal.py文件开始,重命名为fast.py。重复使用大部分代码,修改parse()和parse_item()方法。更新的方法如下所示:

def parse(self, response):
    # Get the next index URL and yield Requests
    next_sel = response.xpath('//*[contains(@class,"next")]//@href')
    for url in next_sel.extract():
        yield Request(urlparse.urljoin(response.url, url))
    # Iterate through products and create PropertiesItems
    selectors = response.xpath(
        '//*[@itemtype="http://schema.org/Product"]')
    for selector in selectors:
        yield self.parse_item(selector, response)

第一部分中用于产生下一条索引请求的代码没有变动。不同的地方是第二部分,我们重复使用选择器调用parse_item()方法,而不是用yield创建请求。这和原先使用的源代码很像:

def parse_item(self, selector, response):
    # Create the loader using the selector
    l = ItemLoader(item=PropertiesItem(), selector=selector)
    # Load fields using XPath expressions
l.add_xpath('title', './/*[@itemprop="name"][1]/text()',
                MapCompose(unicode.strip, unicode.title))
    l.add_xpath('price', './/*[@itemprop="price"][1]/text()',
                MapCompose(lambda i: i.replace(',', ''), float),
                re='[,.0-9]+')
    l.add_xpath('description',
                './/*[@itemprop="description"][1]/text()',
                MapCompose(unicode.strip), Join())
    l.add_xpath('address',
                './/*[@itemtype="http://schema.org/Place"]'
                '[1]/*/text()',
                MapCompose(unicode.strip))
    make_url = lambda i: urlparse.urljoin(response.url, i)
    l.add_xpath('image_URL', './/*[@itemprop="image"][1]/@src',
                MapCompose(make_url))
    # Housekeeping fields
    l.add_xpath('url', './/*[@itemprop="url"][1]/@href',
                MapCompose(make_url))
    l.add_value('project', self.settings.get('BOT_NAME'))
    l.add_value('spider', self.name)
    l.add_value('server', socket.gethostname())
    l.add_value('date', datetime.datetime.now())
    return l.load_item()

我们做出的变动是:

  • ItemLoader现在使用selector作为源,不使用Response。这么做可以让ItemLoader更便捷,可以让我们从特定的区域而不是整个页面抓取信息。
  • 通过在前面添加“.”使XPath表达式变为相关XPath。

提示:碰巧的是,在我们的例子中,XPath表达式在索引页和介绍页中是相同的。不同的时候,你需要按照索引页修改XPath表达式。

  • 在response.url给我们列表页的URL之前,我们必须自己编辑Item的URL。然后,它才能返回我们抓取网页的URL。我们必须用.//*[@itemprop="url"][1]/@href提取URL,然后将它用MapCompose转化为URL绝对路径。

这些小小大量的工作的改动可以节省大量的工作。现在,用以下命令运行爬虫:

$ scrapy crawl fast -s CLOSESPIDER_PAGECOUNT=3
...
INFO: Dumping Scrapy stats:
   'downloader/request_count': 3, ...
   'item_scraped_count': 90,...

就像之前说的,我们用三个请求,就抓取了90个项目。不从索引开始的话,就要用93个请求。

如果你想用scrapy parse来调试,你需要如下设置spider参数:

$ scrapy parse --spider=fast http://web:9312/properties/index_00000.html
...
>>> STATUS DEPTH LEVEL 1 <<<
# Scraped Items  --------------------------------------------
[{'address': [u'Angel, London'],
... 30 items...
# Requests  ---------------------------------------------------
[<GET http://web:9312/properties/index_00001.html>]

正如所料,parse()返回了30个Items和下一个索引页的请求。你还可以继续试验scrapy parse,例如,设置—depth=2。

可以抓取Excel文件的爬虫

大多数时候,你每抓取一个网站就使用一个爬虫,但如果要从多个网站抓取时,不同之处就是使用不同的XPath表达式。为每一个网站配置一个爬虫工作太大。能不能只使用一个爬虫呢?答案是可以。

新建一个项目抓取不同的东西。当前我们是在ch05的properties目录,向上一级:

$ pwd
/root/book/ch05/properties
$ cd ..
$ pwd
/root/book/ch05

新建一个项目,命名为generic,再创建一个名为fromcsv的爬虫:

$ scrapy startproject generic
$ cd generic
$ scrapy genspider fromcsv example.com

新建一个.csv文件,它是我们抓取的目标。我们可以用Excel表建这个文件。如下表所示,填入URL和XPath表达式,在爬虫的目录中(有scrapy.cfg的文件夹)保存为todo.csv。保存格式是csv:

《Learning Scrapy》(中文版)第5章 快速构建爬虫

一切正常的话,就可以在终端看见这个文件:

$ cat todo.csv 
url,name,price
a.html,"//*[@id=""itemTitle""]/text()","//*[@id=""prcIsum""]/text()"
b.html,//h1/text(),//span/strong/text()
c.html,"//*[@id=""product-desc""]/span/text()"

Python中有csv文件的内建库。只需import csv,就可以用后面的代码一行一行以dict的形式读取这个csv文件。在当前目录打开Python命令行,然后输入:

$ pwd
/root/book/ch05/generic2
$ python
>>> import csv
>>> with open("todo.csv", "rU") as f:
        reader = csv.DictReader(f)
        for line in reader:
            print line

文件的第一行会被自动作为header,从而导出dict的键名。对于下面的每一行,我们得到一个包含数据的dict。用for循环执行每一行。前面代码的结果如下:

{'url': ' http://a.html', 'price': '//*[@id="prcIsum"]/text()', 'name': '//*[@id="itemTitle"]/text()'}
{'url': ' http://b.html', 'price': '//span/strong/text()', 'name': '//h1/text()'}
{'url': ' http://c.html', 'price': '', 'name': '//*[@id="product-desc"]/span/text()'}

很好。现在编辑generic/spiders/fromcsv.py爬虫。我们使用.csv文件中的URL,并且不希望遇到域名限制的情况。因此第一件事是移除start_URL和allowed_domains。然后再读.csv文件。

因为从文件中读取的URL是我们事先不了解的,所以使用一个start_requests()方法。对于每一行,我们都会创建Request。我们还要从request,meta的csv存储字段名和XPath,以便在我们的parse()函数中使用。然后,我们使用Item和ItemLoader填充Item的字段。下面是所有代码:

import csv
import scrapy
from scrapy.http import Request
from scrapy.loader import ItemLoader
from scrapy.item import Item, Field
class FromcsvSpider(scrapy.Spider):
    name = "fromcsv"
def start_requests(self):
    with open("todo.csv", "rU") as f:
        reader = csv.DictReader(f)
        for line in reader:
            request = Request(line.pop('url'))
            request.meta['fields'] = line
            yield request
def parse(self, response):
    item = Item()
    l = ItemLoader(item=item, response=response)
    for name, xpath in response.meta['fields'].iteritems():
        if xpath:
      item.fields[name] = Field()
            l.add_xpath(name, xpath)
    return l.load_item()

运行爬虫,输出文件保存为csv:

$ scrapy crawl fromcsv -o out.csv
INFO: Scrapy 0.0.3 started (bot: generic)
...
DEBUG: Scraped from <200 a.html>
{'name': [u'My item'], 'price': [u'128']}
DEBUG: Scraped from <200 b.html>
{'name': [u'Getting interesting'], 'price': [u'300']}
DEBUG: Scraped from <200 c.html>
{'name': [u'Buy this now']}
...
INFO: Spider closed (finished)
$ cat out.csv 
price,name
128,My item
300,Getting interesting
,Buy this now

有几点要注意。项目中没有定义一个整个项目的Items,我们必须手动向ItemLoader提供一个:

item = Item()
l = ItemLoader(item=item, response=response)

我们还用Item的fields成员变量添加了动态字段。添加一个新的动态字段,并用ItemLoader填充,使用下面的方法:

item.fields[name] = Field()
l.add_xpath(name, xpath)

最后让代码再漂亮些。硬编码todo.csv不是很好。Scrapy提供了一种便捷的向爬虫传递参数的方法。如果我们使用-a参数,例如,-a variable=value,就创建了一个爬虫项,可以用self.variable取回。为了检查变量(没有的话,提供一个默认变量),我们使用Python的getattr()方法:getattr(self, 'variable', 'default')。总之,原来的with open…替换为:

with open(getattr(self, "file", "todo.csv"), "rU") as f:

现在,todo.csv是默认文件,除非使用参数-a,用一个源文件覆盖它。如果还有一个文件,another_todo.csv,我们可以运行:

$ scrapy crawl fromcsv -a file=another_todo.csv -o out.csv

总结

在本章中,我们进一步学习了Scrapy爬虫。我们使用FormRequest进行登录,用请求/响应中的meta传递变量,使用了相关的XPath表达式和Selectors,使用.csv文件作为数据源等等。

接下来在第6章学习在Scrapinghub云部署爬虫,在第7章学习关于Scrapy的设置。


序言
第1章 Scrapy介绍
第2章 理解HTML和XPath
第3章 爬虫基础
第4章 从Scrapy到移动应用
第5章 快速构建爬虫
第6章 Scrapinghub部署
第7章 配置和管理
第8章 Scrapy编程
第9章 使用Pipeline
第10章 理解Scrapy的性能
第11章(完) Scrapyd分布式抓取和实时分析


上一篇:《Pandas Cookbook》第03章 数据分析入门


下一篇:你的机器学习模型为什么会出错?奉上四大原因解析及五条改进措施