欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Scrapy各部分运行机制?Xpath为None?多层Response如何编写?搞定Scrapy的坑

程序员文章站 2022-05-26 22:06:14
前言 Scrapy那么多模块都是怎么结合的啊?明明在chrome上的xpath helper插件写好了xpath,为什么到程序就读取的是None?Scrapy可以直接写多层response么?难道必须再使用requests库?? 没关系,这篇文章一站式解答scrapy常见的坑 Scrapy各部分运行 ......

前言

scrapy那么多模块都是怎么结合的啊?明明在chrome上的xpath helper插件写好了xpath,为什么到程序就读取的是none?scrapy可以直接写多层response么?难道必须再使用requests库??

没关系,这篇文章一站式解答scrapy常见的坑

scrapy各部分运行机制

  • scrapy是用纯python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛。

  • 框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。

  • scrapy 使用了 twisted['twɪstɪd](其主要对手是tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

                                                                  Scrapy各部分运行机制?Xpath为None?多层Response如何编写?搞定Scrapy的坑

  • scrapy engine(引擎): 负责spider、itempipeline、downloader、scheduler中间的通讯,信号、数据传递等。

  • scheduler(调度器): 它负责接受引擎发送过来的request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。

  • downloader(下载器):负责下载scrapy engine(引擎)发送的所有requests请求,并将其获取到的responses交还给scrapy engine(引擎),由引擎交给spider来处理,

  • spider(爬虫):它负责处理所有responses,从中分析提取数据,获取item字段需要的数据,并将需要跟进的url提交给引擎,再次进入scheduler(调度器),

  • item pipeline(管道):它负责处理spider中获取到的item,并进行进行后期处理(详细分析、过滤、存储等)的地方.

  • downloader middlewares(下载中间件):可以当作是一个可以自定义扩展下载功能的组件。

  • spider middlewares(spider中间件):可以理解为是一个可以自定扩展和操作引擎和spider中间通信的功能组件(比如进入spider的responses;和从spider出去的requests)

网上看到某位大佬生动形象的讲述了如何进行工作,易于理解:

scrapy的运作流程

代码写好,程序开始运行...

  1. 引擎:hi!spider, 你要处理哪一个网站?

  2. spider:老大要我处理xxxx.com。

  3. 引擎:你把第一个需要处理的url给我吧。

  4. spider:给你,第一个url是xxxxxxx.com。

  5. 引擎:hi!调度器,我这有request请求你帮我排序入队一下。

  6. 调度器:好的,正在处理你等一下。

  7. 引擎:hi!调度器,把你处理好的request请求给我。

  8. 调度器:给你,这是我处理好的request

  9. 引擎:hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

  10. 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

  11. 引擎:hi!spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)

  12. spider:(处理完毕数据之后对于需要跟进的url),hi!引擎,我这里有两个结果,这个是我需要跟进的url,还有这个是我获取到的item数据。

  13. 引擎:hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进url你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

  14. 管道``调度器:好的,现在就做!

注意:只有当调度器没有request需要处理时,整个程序才会停止。(对于下载失败的url,scrapy也会重新下载。)


 

xpath问题

有的网站明明使用了xpath helper插件写好了xpath语句并且chrome验证没问题,但是偏偏到response.xpath的时候就是取不出来值,一直为none,问题出在哪了呢????

首先我们需要知道,我们在浏览器中看到的html代码可能与从scrapy得到的不一样,所以有时候就会出现在浏览器的xpath无法在程序中使用的问题

解决方法

  1. 如果是国外网站,首先注意一点就是chrome的自动翻译功能,建议选择显示原始网页,然后进行编写
  2. 据某些网友说,某些情况 xpath中含有 tbody 是浏览器规范化额外加上去的标签,实际的网页源码并没有 所以我们需要手动删除

终极解决方案 scrapy shell

不是说scrapy得到的跟我们在浏览器看到的不同吗?好的,那我们就直接去scrapy得到的响应去看看!

打开命令行,输入命令 scrapy shell url 如百度

 

d:\pythonwork>scrapy shell www.baidu.com

 

会发现现在我们进入了scrapy的shell之中

Scrapy各部分运行机制?Xpath为None?多层Response如何编写?搞定Scrapy的坑

接下来根据提示 输入 view(response) 发现自动开启了浏览器打开了本地的一个网页

没错,这个就是通过scrapy得到的response 直接对于这个网页操作,这下就可以找到适用于我们程序的xpath了 (xpath helper需要在设置中开启允许访问文件网址即本地文件)

Scrapy各部分运行机制?Xpath为None?多层Response如何编写?搞定Scrapy的坑

肯定有小伙伴发现某些网页403进不去,仔细想想为什么?因为命令行直接进去的是没有用户代理的,一些网站需要我们自己修改user-agent,怎么办?

我们可以在已经编写好各种设置settings的scrapy项目目录下使用scrapy,不然只会使用默认settings


 

 

多层response的编写

我们在使用scrapy做爬虫的时候经常碰到数据分布在多个页面,要发去多次请求才能收集到足够的信息,例如第一个页面只有简单的几个列表信息,更多的信息在其他request的response中。

而我们一般只写如    yield scrapy.request(next_link,callback=self.parse)  只是最表层的一页之后就直接回调下一次的运行了,但是如果我们的信息还没有处理完成怎么办?需要更多的request和response处理

该怎么操作呢?总不能再引入使用requests库吧?

解决方案:

我在爬取某个壁纸网站的时候遇到了这个问题,首页只得到了各个图片的略缩图,而原图地址需要点开另外的html文件才能获得

解决代码如下:

# -*- coding: utf-8 -*-
import scrapy
from wallpaper.items import wallpaperitem


class wallspiderspider(scrapy.spider):
    name = 'wallspider'
    allowed_domains = ['wall.alphacoders.com']
    start_urls = ['https://wall.alphacoders.com/']


    def parse(self, response):
        picx_list = response.xpath("//div[@class='center']//div[@class='boxgrid']/a/@href").getall()

        for picx in picx_list:
            url = 'https://wall.alphacoders.com/'+str(picx)
            #回调给下一层处理函数
            yield scrapy.request(url,callback=self.detail_parse)


    def detail_parse(self, response):
        pic_url = response.xpath("//*[@id='page_container']/div[4]/a/@href").get()
        pic_size = response.xpath("//*[@id='wallpaper_info_table']/tbody//span/span[2]/a/text()").get()
        pic_name = response.xpath("//*[@id='page_container']/div/a[4]/span/text()").get()
        wall_item = wallpaperitem()
        wall_item['pic_url'] = pic_url
        wall_item['pic_size'] = pic_size.split()[0]
        wall_item['pic_name'] = pic_name
        print(wall_item)
        return wall_item

同时我在csdn中看到 名为 kocor的用户写的解决方案则更有教学性,解决方案如下:

yield scrapy.request(item['url'], meta={'item': item}, callback=self.detail_parse)

scrapy 用scrapy.request发起请求可以带上 meta={'item': item} 把之前已收集到的信息传递到新请求里,在新请求里用 item = response.meta('item') 接受过来,在 item 就可以继续添加新的收集的信息了。

多少级的请求的数据都可以收集。

spider.py文件

# -*- coding: utf-8 -*-
import scrapy
from tencent.items import tencentitem
 
 
class tencentspider(scrapy.spider):
    # 爬虫名称
    name = 'tencent'
    # 允许爬取的域名
    allowed_domains = ['www.xxx.com']
    # 爬虫基础地址 用于爬虫域名的拼接
    base_url = 'https://www.xxx.com/'
    # 爬虫入口爬取地址
    start_urls = ['https://www.xxx.com/position.php']
    # 爬虫爬取页数控制初始值
    count = 1
    # 爬虫爬取页数 10为只爬取一页
    page_end = 1
 
    def parse(self, response):
 
 
        nodelist = response.xpath("//table[@class='tablelist']/tr[@class='odd'] | //table[@class='tablelist']/tr[@class='even']")
        for node in nodelist:
            item = tencentitem()
 
            item['title'] = node.xpath("./td[1]/a/text()").extract()[0]
            if len(node.xpath("./td[2]/text()")):
                item['position'] = node.xpath("./td[2]/text()").extract()[0]
            else:
                item['position'] = ''
            item['num'] = node.xpath("./td[3]/text()").extract()[0]
            item['address'] = node.xpath("./td[4]/text()").extract()[0]
            item['time'] = node.xpath("./td[5]/text()").extract()[0]
            item['url'] = self.base_url + node.xpath("./td[1]/a/@href").extract()[0]
            # 根据内页地址爬取
            yield scrapy.request(item['url'], meta={'item': item}, callback=self.detail_parse)
 
            # 有下级页面爬取 注释掉数据返回
            # yield item
 
        # 循环爬取翻页
        nextpage = response.xpath("//a[@id='next']/@href").extract()[0]
        # 爬取页数控制及末页控制
        if self.count < self.page_end and nextpage != 'javascript:;':
            if nextpage is not none:
                # 爬取页数控制值自增
                self.count = self.count + 1
                # 翻页请求
                yield scrapy.request(self.base_url + nextpage, callback=self.parse)
        else:
            # 爬虫结束
            return none
 
    def detail_parse(self, response):
        # 接收上级已爬取的数据
        item = response.meta['item']   
 
        #一级内页数据提取 
        item['zhize'] = response.xpath("//*[@id='position_detail']/div/table/tr[3]/td/ul[1]").xpath('string(.)').extract()[0]
        item['yaoqiu'] = response.xpath("//*[@id='position_detail']/div/table/tr[4]/td/ul[1]").xpath('string(.)').extract()[0]
 
        # 二级内页地址爬取
        yield scrapy.request(item['url'] + "&123", meta={'item': item}, callback=self.detail_parse2)
 
        # 有下级页面爬取 注释掉数据返回
        # return item
 
    def detail_parse2(self, response):
        # 接收上级已爬取的数据
        item = response.meta['item']
 
        # 二级内页数据提取 
        item['test'] = "111111111111111111"
 
        # 最终返回数据给爬虫引擎
        return item

他的文章地址: