Python Scrapy爬虫项目开发过程详解

通过前面的 Scrapy shell 调试,已经演示了使用 XPath 从 HTML 文档中提取信息的方法,只要将这些调试的测试代码放在 Spider 中,即可实现真正的 Scrapy 爬虫。

基于 Scrapy 项目开发爬虫大致需要如下几个步骤:
  1. 定义 Item 类。该类仅仅用于定义项目需要爬取的 N 个属性。比如该项目需要爬取工作名称、工资、招聘公司等信息,则可以在 items.py 中增加如下类定义:
    import scrapy
    
    class ZhipinspiderItem(scrapy.Item):
        # 工作名称
        title = scrapy.Field()
        # 工资
        salary = scrapy.Field()
        # 招聘公司
        company = scrapy.Field()
        # 工作详细链接
        url = scrapy.Field()
        # 工作地点
        work_addr = scrapy.Field()
        # 行业
        industry = scrapy.Field()
        # 公司规模
        company_size = scrapy.Field()
        # 招聘人
        recruiter = scrapy.Field()
        # 发布时间
        publish_date = scrapy.Field()
    上面程序中,第 3 行代码表明所有的 Item 类都需要继承 scrapy.Item 类,接下来就为所有需要爬取的信息定义对应的属性,每个属性都是一个 scrapy.Field 对象。

    该 Item 类只是一个作为数据传输对象(DTO)的类,因此定义该类非常简单。
  2. 编写 Spider 类。应该将该 Spider 类文件放在 spiders 目录下。这一步是爬虫开发的关键,需要使用 XPath 或 CSS 选择器来提取 HTML 页面中感兴趣的信息。

    Scrapy 为创建 Spider 提供了 scrapy genspider 命令,该命令的语法格式如下:

    scrapy genspider [options] <name> <domain>

    在命令行窗口中进入 ZhipinSpider 目录下,然后执行如下命令即可创建一个 Spider:

    scrapy genspider job_position "zhipin.com"

    运行上面命令,即可在 ZhipinSpider 项目的 ZhipinSpider/spider 目录下找到一个 job_position.py 文件,打开该文件可以看到如下内容:
    import scrapy
    
    class JobPositionSpider(scrapy.Spider):
        # 定义该Spider的名字
        name = 'job_position'
        # 定义该Spider允许爬取的域名
        allowed_domains = ['zhipin.com']
        # 定义该Spider爬取的首页列表
        start_urls = ['https://www.zhipin.com/c101280100/h_101280100/']
       
        # 该方法负责提取response所包含的信息
        def parse(self, response):
            pass
    上面程序就是 Spider 类的模板,该类的 name 属性用于指定该 Spider 的名字;allow_domains 用于限制该 Spider 所爬取的域名;start_urls 指定该 Spider 会自动爬取的页面 URL。

    Spider 需要继承 scrapy.Spider,并重写它的 parse(self, response) 方法(如上面程序所示)。从该类来看,我们看不到发送请求、获取响应的代码,这也正是 Scrapy 的魅力所在,即只要把所有需要爬取的页面 URL 定义在 start_urls 列表中,Scrapy 的下载中间件就会负责从网络上下载数据,并将所有数据传给 parse(self, response) 方法的 response 参数。

    注意,如果在 Windows 上使用 genspider 命令来生成爬虫类,则容易引发 SyntaxError:(unicode error)'utf-8' codec can’t decode byte 0xb9 in position 0: invalid start byte 错误,这是由于 Windows 采用了 GBK 字符集。因此,需要手动将该 Spider 类保存为 UTF-8 字符集。

    一言以蔽之,开发者只要在 start_urls 列表中列出所有需要 Spider 爬取的页面 URL,这些页面的数据就会“自动”传给 parse(self, response) 方法的 response 参数。

    因此,开发者主要就是做两件事情:
    • 将要爬取的各页面 URL 定义在 start_urls 列表中。
    • 在 parse(self, response) 方法中通过 XPath 或 CSS 选择器提取项目感兴趣的信息。

    下面将 job_position.py 文件改为如下形式:
    import scrapy
    from ZhipinSpider.items import ZhipinspiderItem
    
    class JobPositionSpider(scrapy.Spider):
        # 定义该Spider的名字
        name = 'job_position'
        # 定义该Spider允许爬取的域名
        allowed_domains = ['zhipin.com']
        # 定义该Spider爬取的首页列表
        start_urls = ['https://www.zhipin.com/c101280100/h_101280100/']
       
        # 该方法负责提取response所包含的信息
        # response代表下载器从start_urls中每个URL下载得到的响应
        def parse(self, response):
            # 遍历页面上所有//div[@class="job-primary"]节点
            for job_primary in response.xpath('//div[@class="job-primary"]'):
                item = ZhipinspiderItem()
                # 匹配//div[@class="job-primary"]节点下/div[@class="info-primary"]节点
                # 也就是匹配到包含工作信息的<div.../>元素
                info_primary = job_primary.xpath('./div[@class="info-primary"]')
                item['title'] = info_primary.xpath('./h3/a/div[@class="job-title"]/text()').extract_first()
                item['salary'] = info_primary.xpath('./h3/a/span[@class="red"]/text()').extract_first()
                item['work_addr'] = info_primary.xpath('./p/text()').extract_first()
                item['url'] = info_primary.xpath('./h3/a/@href').extract_first()
                # 匹配//div[@class="job-primary"]节点下./div[@class="info-company"]节点下
                # 的/div[@class="company-text"]的节点
                # 也就是匹配到包含公司信息的<div.../>元素
                company_text = job_primary.xpath('./div[@class="info-company"]' +
                    '/div[@class="company-text"]')
                item['company'] = company_text.xpath('./h3/a/text()').extract_first()
                company_info = company_text.xpath('./p/text()').extract()
                if company_info and len(company_info) > 0:
                    item['industry'] = company_info[0]
                if company_info and len(company_info) > 2:
                    item['company_size'] = company_info[2]
                # 匹配//div[@class="job-primary"]节点下./div[@class="info-publis"]节点下
                # 也就是匹配到包含发布人信息的<div.../>元素
                info_publis = job_primary.xpath('./div[@class="info-publis"]')
                item['recruiter'] = info_publis.xpath('./h3/text()').extract_first()
                item['publish_date'] = info_publis.xpath('./p/text()').extract_first()
                yield item
    上面程序中,第 10 行代码修改了 start_urls 列表,重新定义了该 Spider 需要爬取的首页;接下来程序重写了 Spider 的 parse(self, response) 方法。

    程序第 16 行代码使用 XPath 匹配所有的 '//div[@class="job-primary"]' 节点(每个节点都包含一份招聘信息)。因此,程序使用循环遍历每个 '//div[@class="job-primary"]' 节点,为每个节点都建立一个 ZhipinspiderItem 对象,并从该节点中提取项目感兴趣的信息存入 ZhipinspiderItem 对象中。

    程序最后一行代码使用 yield 语句将 item 对象返回给 Scrapy 引擎。此处不能使用 return,因为 return 会导致整个方法返回,循环不能继续执行,而 yield 将会创建一个生成器。

    Spider 使用 yield 将 item 返回给 Scrapy 引擎之后,Scrapy 引擎将这些 item 收集起来传给项目的 Pipeline,因此自然就到了使用 Scrapy 开发爬虫的第二步。
  3. 编写 pipelines.py 文件,该文件负责将所爬取的数据写入文件或数据库中。

    现在开始修改 pipelines.py 文件。为了简化开发,只在控制台打印 item 数据。下面是修改后的 pipelines.py 文件的内容。
    class ZhipinspiderPipeline(object):
        def process_item(self, item, spider):
            print("工作:" , item['title'])
            print("工资:" , item['salary'])
            print("工作地点:" , item['work_addr'])
            print("详情链接:" , item['url'])
    
            print("公司:" , item['company'])
            print("行业:" , item['industry'])
            print("公司规模:" , item['company_size'])
    
            print("招聘人:" , item['recruiter'])
            print("发布日期:" , item['publish_date'])
    从上面第 2 行代码可以看到,ZhipinspiderPipeline 主要就是实现 process_item(self, item, spider) 方法,该方法的 item、spider 参数都由 Scrapy 引擎传入,Scrapy 引擎会自动将 Spider“捕获”的所有 item 逐个传给 process_item(self, item, spider) 方法,因此该方法只需处理单个的 item 即可(不管爬虫总共爬取了多少个 item,process_item(self, item, spider) 方法只处理一个即可)。

经过上面三个步骤,基于 Scrapy 的爬虫基本开发完成。下面还需要修改 settings.py 文件进行一些简单的配置,比如增加 User-Agent 头。取消 settings.py 文件中如下代码行的注释,并将这些代码行改为如下形式:
BOT_NAME = 'ZhipinSpider'

SPIDER_MODULES = ['ZhipinSpider.spiders']
NEWSPIDER_MODULE = 'ZhipinSpider.spiders'
ROBOTSTXT_OBEY = True
# 配置默认的请求头
DEFAULT_REQUEST_HEADERS = {
    "User-Agent" : "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0",
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
}
# 配置使用Pipeline
ITEM_PIPELINES = {
    'ZhipinSpider.pipelines.ZhipinspiderPipeline': 300,
}
回顾一下上面的开发过程,使用 Scrapy 开发爬虫的核心工作就是三步:
  • 定义 Item 类。由于 Item 只是一个 DTO 对象,因此定义 Item 类很简单。
  • 开发 Spider 类,这一步是核心。Spider 使用 XPath 从页面中提取项目所需的信息,并用这些信息来封装 Item 对象。
  • 开发 Pipeline。Pipeline 负责处理 Spider 获取的 Item 对象。

注意,所有修改过的源文件(尤其是添加了中文注释的文件)都需要手动保存为 UTF-8 字符集,否则在运行爬虫时会出现错误。

经过上面步骤,这个基于 Scrapy 的 Spider 已经开发完成。在命令行窗口中进入 ZhipinSpider 项目目录下(不是进入 ZhipinSpider/ZhipinSpider 目录下),执行如下命令来启动 Spider:

scrapy crawl job_position

上面 scrapy crawl 命令中的 job_position 就是前面定义的 Spider 名称(通过 JobPositionSpider 类的 name 属性指定)。运行上面命令,可以看到如图 1 所示的输出结果。


图 1 爬取第一页数据

从图 1 可以看出,该爬虫已经顺利爬取了 start_urls 列表所给出页面中的工作信息。但问题又出现了,该爬虫并未继续爬取下一页的工作信息。

爬虫可以自动爬取下一页信息吗?答案是肯定的。在提取完 response 中的所有“工作信息”之后,Spider 可以使用 XPath 找到页面中代表“下一页”的链接,然后使用 Request 发送请求即可。

通过浏览器查看源代码,可以看到 https://www.zhipin.com/c101280100/h_101280100/ 页面中包含分页信息的源代码,如图 2 所示。


图 2 页面中包含分页信息的源代码

从图 2 可以看出,页面中“下一页”元素的 XPath 为 //div[@class='page']/a [@class='next'],因此程序需要在 JobPositionSpider 类的 parse(self, response) 方法的后面添加如下代码:
# 解析下一页的链接
new_links = response.xpath('//div[@class="page"]/a[@class="next"]/@href').extract()
if new_links and len(new_links) > 0:
    # 获取下一页的链接
    new_link = new_links[0]
    # 再次发送请求获取下一页数据
    yield scrapy.Request("https://www.zhipin.com" + new_link, callback=self.parse)
应该将上面这段代码放在 parse(self, response) 方法的后面,这样可以保证 Spider 在爬取页面中所有项目感兴趣的工作信息之后,才会向下一个页面发送请求。

上面程序中第 2 行代码解析页面中的“下一页”链接;第 7 行代码显式使用 scrapy.Request 来发送请求,并指定使用 self.parse 方法来解析服务器响应数据。需要说明的是,这是一个递归操作,即每当 Spider 解析完页面中项目感兴趣的工作信息之后,它总会再次请求“下一页”数据,通过这种方式即可爬取广州地区所有的热门职位信息。

再次运行 scrapy crawl job_position 命令来启动爬虫,即可看到该爬虫成功爬取了 10 页职位信息,这是因为该页面默认只提供 10 页职位信息。