位置: 编程技术 - 正文
Python抓取框架Scrapy爬虫入门：页面提取(python抓取软件界面数据)
编辑：rootadmin推荐整理分享Python抓取框架Scrapy爬虫入门：页面提取(python抓取软件界面数据)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:scheme抓取,python scapy 抓包,python抓取软件界面数据,python 抓取框架,python抓取软件界面数据,python 采集框架,python抓取软件界面数据,python 抓取框架,内容如对您有帮助，希望把文章链接给更多的朋友！
前言
Scrapy是一个非常好的抓取框架，它不仅提供了一些开箱可用的基础组建，还能够根据自己的需求，进行强大的自定义。本文主要给大家介绍了关于Python抓取框架Scrapy之页面提取的相关内容，分享出来供大家参考学习，下面随着小编来一起学习学习吧。
在开始之前，关于scrapy框架的入门大家可以参考这篇文章： 图虫网，顶部菜单“发现” “标签”里面是对各种图片的分类，点击一个标签，比如“美女”，网页的链接为： xpath 选取应该是：//div[@class="widget-gallery"]/ul/li，按照一般页面的逻辑，在li.gallery-item下面找到对应的链接地址，再往下深入一层页面抓取图片。
但是如果用类似 Postman 的HTTP调试工具请求该页面，得到的内容是：
也就是并没有实际的图集内容，因此可以断定页面使用了Ajax请求，只有在浏览器载入页面时才会请求图集内容并加入div.widget-gallery中，通过开发者工具查看XHR请求地址为：
参数很简单，page是页码，count是每页图集数量，order是排序，before_timestamp为空，图虫因为是推送内容式的网站，因此before_timestamp应该是一个时间值，不同的时间会显示不同的内容，这里我们把它丢弃，不考虑时间直接从最新的页面向前抓取。
请求结果为JSON格式内容，降低了抓取难度，结果如下：
根据属性名称很容易知道对应的内容含义，这里我们只需关心 postlist 这个属性，它对应的一个数组元素便是一个图集，图集元素中有几项属性我们需要用到：
url：单个图集浏览的页面地址 post_id：图集编号，在网站中应该是唯一的，可以用来判断是否已经抓取过该内容 site_id：作者站点编号 ，构建图片来源链接要用到 title：标题 excerpt：摘要文字 type：图集类型，目前发现两种，一种multi-photo是纯照片，一种text是文字与图片混合的文章式页面，两种内容结构不同，需要不同的抓取方式，本例中只抓取纯照片类型，text类型直接丢弃 tags：图集标签，有多个 image_count：图片数量 images：图片列表，它是一个对象数组，每个对象中包含一个img_id属性需要用到根据图片浏览页面分析，基本上图片的地址都是这种格式： ，很容易通过上面的信息合成。
二、创建项目
进入cmder命令行工具，输入workon scrapy 进入之前建立的虚拟环境，此时命令行提示符前会出现(Scrapy) 标识，标识处于该虚拟环境中，相关的路径都会添加到PATH环境变量中便于开发及使用。 输入 scrapy startproject tuchong 创建项目 tuchong 进入项目主目录，输入 scrapy genspider photo tuchong.com 创建一个爬虫名称叫 photo (不能与项目同名)，爬取 tuchong.com 域名（这个需要修改，此处先输个大概地址），的一个项目内可以包含多个爬虫经过以上步骤，项目自动建立了一些文件及设置，目录结构如下：
scrapy.cfg：基础设置 items.py：抓取条目的结构定义 middlewares.py：中间件定义，此例中无需改动 pipelines.py：管道定义，用于抓取数据后的处理 settings.py：全局设置 spidersphoto.py：爬虫主体，定义如何抓取需要的数据三、主要代码
items.py 中创建一个TuchongItem类并定义需要的属性，属性继承自 scrapy.Field 值可以是字符、数字或者列表或字典等等：
这些属性的值将在爬虫主体中赋予。
spidersphoto.py 这个文件是通过命令 scrapy genspider photo tuchong.com 自动创建的，里面的初始内容如下：
爬虫名 name，允许的域名 allowed_domains（如果链接不属于此域名将丢弃，允许多个） ，起始地址 start_urls 将从这里定义的地址抓取（允许多个）
函数 parse 是处理请求内容的默认回调函数，参数 response 为请求内容，页面内容文本保存在 response.body 中，我们需要对默认代码稍加修改，让其满足多页面循环发送请求，这需要重载 start_requests 函数，通过循环语句构建多页的链接请求，修改后代码如下：
经过这些步骤，抓取的数据将被保存在 TuchongItem 类中，作为结构化的数据便于处理及保存。
前面说过，并不是所有抓取的条目都需要，例如本例中我们只需要 type="multi_photo 类型的图集，并且图片太少的也不需要，这些抓取条目的筛选操作以及如何保存需要在pipelines.py中处理，该文件中默认已创建类 TuchongPipeline 并重载了 process_item 函数，通过修改该函数只返回那些符合条件的 item，代码如下：
当然如果不用管道直接在 parse 中处理也是一样的，只不过这样结构更清晰一些，而且还有功能更多的FilePipelines和ImagePipelines可供使用，process_item将在每一个条目抓取后触发，同时还有 open_spider 及 close_spider 函数可以重载，用于处理爬虫打开及关闭时的动作。
注意：管道需要在项目中注册才能使用，在 settings.py 中添加：
另外，大多数网站都有反爬虫的 Robots.txt 排除协议，设置 ROBOTSTXT_OBEY = True 可以忽略这些协议，是的，这好像只是个君子协定。如果网站设置了浏览器User Agent或者IP地址检测来反爬虫，那就需要更高级的Scrapy功能，本文不做讲解。
四、运行
返回 cmder 命令行进入项目目录，输入命令：
终端会输出所有的爬行结果及调试信息，并在最后列出爬虫运行的统计信息，例如：
主要关注ERROR及WARNING两项，这里的 Warning 其实是不符合条件而触发的 DropItem 异常。
五、保存结果
大多数情况下都需要对抓取的结果进行保存，默认情况下 item.py 中定义的属性可以保存到文件中，只需要命令行加参数 -o {filename} 即可：
注意：输出至文件中的项目是未经过 TuchongPipeline 筛选的项目，只要在 parse 函数中返回的 Item 都会输出，因此也可以在 parse 中过滤只返回需要的项目如果需要保存至数据库，则需要添加额外代码处理，比如可以在 pipelines.py 中 process_item 后添加:
为了在插入数据库操作中排除重复的内容，可以使用 item['post_id'] 进行判断，如果存在则跳过。本项目中的抓取内容只涉及了文本及图片链接，并未下载图片文件，如需下载图片，可以通过两种方式：
安装 Requests 模块，在 process_item 函数中下载图片内容，同时在保存数据库时替换为本地图片路径。使用 ImagePipelines 管道下载图片，具体使用方法下回讲解。
总结
标签: python抓取软件界面数据
本文链接地址:https://www.jiuchutong.com/biancheng/377038.html 转载请保留说明！
