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['tw?st?d](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...
-
引擎:Hi!Spider, 你要处理哪一个网站?
-
Spider:老大要我处理xxxx.com。
-
引擎:你把第一个需要处理的URL给我吧。
-
Spider:给你,第一个URL是xxxxxxx.com。
-
引擎:Hi!调度器,我这有request请求你帮我排序入队一下。
-
调度器:好的,正在处理你等一下。
-
引擎:Hi!调度器,把你处理好的request请求给我。
-
调度器:给你,这是我处理好的request
-
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
-
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)
-
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)
-
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。
-
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。
-
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
- 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
- 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 fro