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

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 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

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)

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：

 

---