Crawl data with Scrapy [Public] [Draft]
Scrapy Architecture (source: scrapy.org)
1
License
The document is licensed under a C reative Commons Share-alike 4.0 license.
Contributors No.
Name
Email
1
Cuong Tran
[email protected]
2
Nguyễn Quang Dương
[email protected]
3
Nguyễn Đình Khải
[email protected]
4
Nguyễn Bá Cường
[email protected]
5
Phan Công Huân
[email protected]
2
Mục lục License
2
Contributors
2
1. Scrapy Architecture 1.1 Thành phần 1.2 Luồng dữ liệu
6 6 6
2. Tutorial với Scrapy Install Scrapy Các bước chính trong tutorial: 1. Defining our Item 2. Our first Spider 3. Crawling 4. Extracting Items 5. Storing the scraped data (lưu trữ kết quả sau khi crawl)
7 7 8 8 8 9 9 10
3. Các vấn đề cần giải quyết với Scrapy Python Conventions Xpath Docker
10 11 11 11
4. Store into database 4.1 MongoDB: là kiểu noSQL MongoDB to MySQL Store into mongo database Export/Import MongoDB 4.2 MySQL database
12 12 12 13 13 14
5. Pipeline Duplicates filter Write items to a JSON file Price validation and dropping items with no prices Clean whitespace and HTML
15 15 15 15 16
6. Extractor, Spider Duyệt all page Thêm thông tin vào callback functions XPath pattern XPath Tips from the Web Scraping Trenches Config ItemLoad default: extract first and strip Các thư viện Extractor
16 16 17 17 18 19 20
7. Downloader Cấu hình và sử dụng proxy
21 21 3
Working with http proxy Scrapy Download images
21 23
8. Scrapy setting ITEM_PIPELINES DownloaderStats
23 23 24
Scrapy handle AJAX Website
24
Scrapy handle AJAX Website with Splash
26
Scrapy debug
26
Scrapy caching
26
Scrapy revisit for update:
27
Continue download: Jobs: pausing and resuming crawls
27
Monitoring scrapy, status, log:
28
Xử lý nhiều spider trong 1 project:
28
Scrapy-fake-useragent
29
Crawler website sử dụng login
29
Filling Login Forms Automatically
29
Scrapy - how to manage cookies/sessions Multiple cookie sessions per spider
30 31
How to send cookie with scrapy CrawlSpider requests?
31
By-pass anti-crawler
32
Kinh nghiệm thực tế Alibaba redirect, yêu cầu đăng nhập Xử lí products list Vấn đề lấy danh sách công ty: Vấn đề next_page:
33 33 33 33 35
Deploy project scrapy sử dụng ScrapingHub
37
Lập lịch chạy sprider:
39
Django-dynamic-scraper (DDS) Requirements: Documents SETUP: 1. Install docker, compose 2. Run docker django-dynamic-scraper 3. Defining the object to be scraped
39 39 40 40 40 40 40 4
4. run crawl data 5. run schedule crawl: Tài liệu tham khảo
41 41 43
5
1. Scrapy Architecture http://doc.scrapy.org/en/latest/topics/architecture.html
Hình 1: Scrapy Architecture
1.1 Thành phần ● ● ● ● ●
Scheduler: bộ lập lịch thứ tự các URL download. Downloader: thực hiện download dữ liệu. Quản lý các lỗi khi download. Chống trùng. Spiders: bóc tách dữ liệu thành các items và requests Item Pipeline: xử lý dữ liệu bóc tách được và lưu và db. Scrapy Engine: quản lý các thành phần trên.
1.2 Luồng dữ liệu Bước 1: Cung cấp URL xuất phát (start_url), được tạo thành một R equest lưu trong Scheduler. Bước 2 - 3: Scheduler lần lượt lấy các R equests gửi đến D ownloader. Bước 4 - 5: Downloader download dữ liệu từ internet, được R esponses gửi đến S piders. Bước 6 - 7: Spiders thực hiện: ● Bóc tách dữ liệu, thu được I tem, gửi đến I tem Pipeline. ● Tách được URLs, tạo các Requests gửi đến S cheduler. Bước 8: Item Pipeline thực hiện xử lý dữ liệu bóc tách được. Đơn giản nhất là thực hiện lưu dữ liệu vào database. 6
Bước 9: kiểm tra Scheduler còn R equest? ● Đúng: quay lại Bước 2. ● Sai: kết thúc.
2. Tutorial với Scrapy Tham khảo: 1. Scrapy Tutorial: http://doc.scrapy.org/en/latest/intro/tutorial.html 2. Scraping và crawling Web với Scrapy và SQLAlchemy: https://viblo.asia/naa/posts/6BkGyxOLM5aV 3. Kỹ thuật scraping và crawling Web nâng cao với Scrapy và SQLAlchemy: https://viblo.asia/naa/posts/6BkGyxzeM5aV 4. Github: https://github.com/tranhuucuong91/scrapy-tutorial
Install Scrapy # install virtualenv sudo pip install virtualenv virtualenv venv -p python3 source venv/bin/activate # install scrapy dependencies sudo apt-get install -y gcc g++ sudo apt-get install -y python3-dev sudo apt-get install -y libssl-dev libxml2-dev libxslt1-dev libffi-dev # install mysql dependencies sudo apt-get install -y libmysqlclient-dev # install python libs: scrapy, mysql pip install -r requirements.txt
pip install twisted w3lib lxml cssselect pydispatch # install scrapy in system sudo apt-get install -y libssl-dev libxml2-dev libxslt1-dev sudo apt-get install -y python-dev sudo pip2 install scrapy pyOpenSSL sudo apt-get install -y libssl-dev libxml2-dev libxslt1-dev sudo apt-get install -y python-dev sudo pip3 install scrapy
7
Các bước chính trong tutorial: Tạo một Scrapy project: scrapy startproject tutorial 1. Định nghĩa Items sẽ extract 2. Viết một spider để crawl một site và extract Items 3. Viết một Item Pipeline để store và extract Items Danh sách mã nguồn: ├── __init__.py ├── items.py : định nghĩa cấu trúc dữ liệu sẽ bóc tách. ├── pipelines.py : định nghĩa hàm thực hiện việc chèn dữ liệu vào database. ├── settings.py : cài đặt cấu hình. └── spiders ├── __init__.py └── vietnamnet_vn.py : định nghĩa hàm bóc tách dữ liệu
1. Defining our Item Items là containers được loaded cùng scraped data, giống với python dict, ngoài ra còn bổ sung thêm một số tính năng cần thiết Tạo 1 class trong file tutorial/items.py
2. Our first Spider Spider là class chúng ta định nghĩa và được scrapy sử dụng để scrape thông tin từ một domain (hoặc một nhóm domain) Chúng ta định nghĩa một danh sách khởi tạo của URLs để download, cách follow links, và cách parse nội dung của pages để trích xuất items. Để tạo một spider, chúng ta tạo một subclass scrapy.Spider và định nghĩa một số thuộc tính ● name: định danh spider và nó là duy nhất ● start_urls: một danh sách urls cho spider bắt đầu thực hiện crawl. Các trang được download đầu tiên sẽ bắt đầu từ đây, còn lại sẽ được tạo từ dữ liệu đã được lấy về ● parse(): một phương thức sẽ được gọi với một đối tượng Response đã được download của mỗi start urls. The response sẽ được truyền tới phương thức như là tham số đầu tiên và duy nhất của phương thức. Phương thức này có trách nhiệm phân tích response data và trích xuất scraped data (như là scraped items ) và nhiều url để follow (như là Request object) Tạo một spider trong thư mục tutorial/spiders.
8
3. Crawling Tới thư mục gốc của project và chạy lệnh: scrapy crawl dmoz // dmoz là tên của scrapy (name) => Quá trình thực hiện: - Scrapy tạo scrapy.Request cho mỗi URL trong list start_urls của spider và gán chúng phương thức parse được gọi bởi callback function của chúng. - Các Request được lập lịch rồi thực thi và trả về scrapy.http.Response object, sau đó được đưa trở lại spider thông qua phương thức parse().
4. Extracting Items Introduction to Selectors - Sử dụng cơ chế dựa trên Xpath hoặc biểu thức CSS gọi là Scrapy Selector. Note: XPath mạnh mẽ hơn CSS - Scrapy cung cấp class Selector và một số quy ước, shortcut để làm việc với biểu thức xpath và css - Selector object đại diện các nodes ở trong một document có cấu trúc. Vì thế đầu tiên khởi tạo một selector gắn với root node hoặc toàn bộ tài liệu - Selector có 4 phương thức cơ bản: 1. xpath(): trả về danh sách các selectors, mỗi cái đại diện cho một node đã được chọn bằng tham số biểu thức xpath truyền vào. 2. css(): trả về danh sách các selectors, mỗi cái đại diện cho một node đã được chọn bằng tham số biểu thức css truyền vào. 3. extract(): trả về một list unicode string với dữ liệu được chọn -> c ó thể dùng extract_first() để lấy 1 phần tử đầu tiên 4. re(): trả về danh sách unicode string đã được trích xuất bằng applying tham số biểu thức chính quy truyền vào. Note: response object có thuộc tính selector là instance của Selector class. Chúng ta có thể query bằng cách: response.selector.xpath() or response.selector.css() hoặc sử dụng shortcut: response.xpath() or r esponse.css() Using our item Item object are custom python dict, có thể truy cập vào các trường bằng cách: item = DmozItem() //DmozItem là tên class định nghĩa item item['title'] = 'Example title' Sử dụng item trong parse() method (yield Item object) yield là gì : http://phocode.com/python/python-iterator-va-generator/ Following links url = response.urljoin(href.extract()) yield scrapy.Request(url, callback=self.parse_dir_contents)
9
5. Storing the scraped data (lưu trữ kết quả sau khi crawl) Dùng lệnh: scrapy crawl dmoz -o items.json
3. Các vấn đề cần giải quyết với Scrapy Scrapy TODO: Lấy dữ liệu [x] How to extract data? [] Thư viện các mẫu extract, các ví dụ extract. [] Duyệt trang để lấy dữ liệu [x] Store data into database Tăng tốc độ, hiệu năng [x] Using proxy with scrapy. [] cache [x] Tăng tốc độ. ( Đa luồng). -> scrapy không hỗ trợ đa luồng. Nhưng hỗ trợ cơ chế bất đồng bộ.
[] Scrapy download continue. [] re-visit for update. [] Monitoring scrapy, status, log. [] Using scrapy with Docker. Scrapy for dev [] Limit total request (for testing) [] Scrapy debug? Crawl dữ liệu nhiều cấp. Bài toán chống trùng. Nhiều sprider.
Tìm giải pháp cho các vấn đề sau: 1. Scrapy: - re-extractor (ví dụ như dùng caching) - download continue - re-visit for update. - Xử lí vấn đề caching. Thử nghiệm. *
*
10
2. Monitoring scrapy, status, log: Tìm cách lấy các thông tin về tình trạng crawler, như Scrapy stats nhưng ở dạng realtime. Mục đích là để biết tình trạng crawler như thế nào. 3. Using scrapy with Docker: Đóng gói scrapy vào docker. Chạy trong docker
Python Conventions https://www.python.org/dev/peps/pep-0008/ http://docs.python-guide.org/en/latest/writing/style/
Xpath Tool để thử xpath: https://chrome.google.com/webstore/detail/xpath-helper/hgimnogjllphhhkhlmebbmlgjoejdpjl? utm_source=chrome-app-launcher-info-dialog Tài liệu về xpath: https://drive.google.com/open?id=0ByyO0Po-LQ5aVnlobzNBOHhjWW8
Docker Install docker and docker-compose # install docker wget -qO- https://get.docker.com/ | sh sudo usermod -a -G docker `whoami` # install docker-compose sudo wget https://github.com/docker/compose/releases/download/1.9.0/docker-compose-`una me -s`-`uname -m` -O /usr/local/bin/docker-compose sudo chmod +x /usr/local/bin/docker-compose
Tham khảo: https://github.com/tranhuucuong91/docker-training
Chú ý: Nếu crawl dữ liệu lớn hoặc những trang kiểm duyệt chặt cần xử dụng proxy để tránh bị ban IP Xem ở phần Cấu hình và sử dụng proxy.
11
4. Store into database 4.1 MongoDB: là kiểu noSQL Tải docker image của mongodb về và chạy. mongodb https://hub.docker.com/_/mongo/ Tạo file docker-compose.yml có nội dung: version: "2" services: mongodb: image: mongo:3.2 ports: - "27017:27017" volumes: - ./mongodb-data/:/data/db # hostname: mongodb # domainname: coclab.lan cpu_shares: 512 # 0.5 CPU mem_limit: 536870912 # 512 MB RAM # privileged: true # restart: always # stdin_open: true # tty: true
MongoDB to MySQL Database == Database Collection == Table Document == Row Query Mongo : https://docs.mongodb.org/getting-started/python/query/ Đọc thêm: Why MongoDB Is a Bad Choice for Storing Our Scraped Data https://blog.scrapinghub.com/2013/05/13/mongo-bad-for-scraped-data/ -> đề cập các vấn đề gặp phải khi sử dụng mongodb 1. 2. 3. 4.
Locking Poor space efficiency Too Many Databases Ordered data 12
5. 6. 7. 8.
Skip + Limit Queries are slow Restrictions Impossible to keep the working set in memory Data that should be good, ends up bad!
Store into mongo database http://doc.scrapy.org/en/latest/topics/item-pipeline.html template pipeline: import pymongo class MongoPipeline(object): collection_name = 'scrapy_items' def __init__(self, mongo_uri, mongo_db): self.mongo_uri = mongo_uri self.mongo_db = mongo_db @classmethod def from_crawler(cls, crawler): return cls( mongo_uri=crawler.settings.get('MONGO_URI'), mongo_db=crawler.settings.get('MONGO_DATABASE', 'items') ) def open_spider(self, spider): self.client = pymongo.MongoClient(self.mongo_uri) self.db = self.client[self.mongo_db] def close_spider(self, spider): self.client.close() def process_item(self, item, spider): self.db[self.collection_name].insert(dict(item)) return item
Export/Import MongoDB Export from server:
mongodump --archive=crawler.`date +%Y-%m-%d"_"%H-%M-%S`.gz --gzip --db crawler 13
Import to mongodb: #copy gzip file from local to container docker cp /path/to/file container_id:/root #restore mongorestore --gzip --archive=/root/crawler.2016-04-18_07-40-11.gz --db crawler
4.2 MySQL database Chon kieu du lieu nao la phu hop? utf8_unicode_ci vs utf8_general - utf8mb4_unicode_ci: sort chinh xac, cham hon. - utf8mb4_general_ci: sort khong chinh xac bang, nhanh hon. -> chon: utf8mb4_unicode_ci CREATE DATABASE crawler CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; Install mysqlclient sudo apt-get install -y libmysqlclient-dev sudo pip2 install mysqlclient sudo pip2 install sqlalchemy MySQL Command: # Login mysql -u username -p # Create new database > CREATE DATABASE name; # import: > use name > source import.sql
Pipeline điều khiển quá trình store. Models xử lý tạo bảng db. _init_ : kết nối và khởi tạo bảng dữ liệu, hàm xử lý việc lưu dữ liệu vào bảng (sessionmaker) process: tham số là item và spider. dữ liệu được crawl bởi spider được đưa vào item, sau đó được session đưa vào lưu trữ trong db
TODO: Viết file demo việc lưu dữ liệu vào MySQL. 14
5. Pipeline Duplicates filter from scrapy.exceptions import DropItem class DuplicatesPipeline(object): def __init__(self): self.ids_seen = set() def process_item(self, item, spider): if item['id'] in self.ids_seen: raise DropItem("Duplicate item found: %s" % item) else: self.ids_seen.add(item['id']) return item
Write items to a JSON file import json class JsonWriterPipeline(object): def __init__(self): self.file = open('items.jl', 'wb') def process_item(self, item, spider): line = json.dumps(dict(item)) + "\n" self.file.write(line) return item
Price validation and dropping items with no prices from scrapy.exceptions import DropItem class PricePipeline(object): vat_factor = 1.15 def process_item(self, item, spider):
15
if item['price']: if item['price_excludes_vat']: item['price'] = item['price'] * self.vat_factor return item else: raise DropItem("Missing price in %s" % item)
Clean whitespace and HTML # cleans whitespace & HTML class CleanerPipeline(object): def process_item(self, item, spider): # general tidying up for (name, val) in item.items(): #utils.devlog("Working on %s [%s]" % (name, val)) if val is None: item[name] = "" continue item[name] = re.sub('\s+', ' ', val).strip() # remove whitespace #item['blurb'] = re.sub(' (referer:http://www.filmweb.pl/film/Labirynt-2013-507169) ['partial']
Answer: Its not partial content as such. The rest of the content is dynamically loaded by a
Javacript AJAX call.
To debug what content is being sent as response for a particular request, use Scrapy's open_in_browser() function. There's another thread on How to extract dynamic content from websites that are using AJAX ?. Refer this for a workaround.
Để xử lí những website sử dụng AJAX, có cách dùng selenium để lấy nội dung website, giống như cách duyệt web thông thường: browser render dữ liệu với cách này thì tốc độ crawler sẽ chậm hơn rất nhiều Dùng selenium thì có webdriver là Firefox, sẽ yêu cầu giao diện đồ họa. Muốn chạy trên server không có giao diện đồ họa thì dùng PhantomJS.
24
Headless with PhantomJS: sử dụng PhantomJS cho automation testing, crawler Selenium with headless phantomjs webdriver https://realpython.com/blog/python/headless-selenium-testing-with-python-and-phantomjs/ 1. Setup 2. Example 3. Benchmarking https://dzone.com/articles/python-testing-phantomjs scrapy with AJAX http://stackoverflow.com/questions/8550114/can-scrapy-be-used-to-scrape-dynamic-content -from-websites-that-are-using-ajax scrape hidden web data with python http://www.6020peaks.com/2014/12/how-to-scrape-hidden-web-data-with-python/ sử dụng PhantomJS để làm downloader https://github.com/flisky/scrapy-phantomjs-downloader/blob/master/scrapy_phantomjs/downl oader/handler.py https://github.com/flisky/scrapy-phantomjs-downloader Element not found in the cache - perhaps the page has changed since it was looked up -> cần phải tìm lại element sau khi reload trang Web elements you stored before clicking on login button will not be present in cache after login because of page refresh or page changes. You need to again store these web elements in order to make them available again under cache. I have modified your code a bit which might help:
selenium: select dropdown loop http://dnxnk.moit.gov.vn/ -> giải pháp: - Lưu index select đã chọn. - Mỗi lần chọn, lấy lại element select. element = driver.find_element_by_name('Years') all_options = element.find_elements_by_tag_name('option') for index in range(len(all_options)): element = driver.find_element_by_name('Years') all_options = element.find_elements_by_tag_name('option')
25
option = all_options[index] print('Select: year is {}'.format(option.get_attribute('value'))) option.click()
Message: 'phantomjs' executable needs to be in PATH. -> Thêm đường dẫn phantomjs vào PATH (sửa ~/.bashrc hoặc ~/.zshrc)
Scrapy handle AJAX Website with Splash https://github.com/scrapy-plugins/scrapy-splash Sử dụng splash với proxy: https://github.com/tranhuucuong91/docker-training/blob/master/compose/splash/docker-com pose.yml Trong code, để sử dụng proxy cho request của splash: SplashRequest(url, self.parse_data, args={'wait': 0.5, 'proxy': 'splash_proxy'})
`
Tham khảo: Crawling dynamic pages: Splash + Scrapyjs => S2 http://www.thecodeknight.com/post_categories/search/posts/scrapy_python
Scrapy debug http://doc.scrapy.org/en/latest/topics/debug.html#open-in-browser How to use pycharm to debug scrapy projects http://unknownerror.org/opensource/scrapy/scrapy/q/stackoverflow/21788939/how-to-use-py charm-to-debug-scrapy-projects
Scrapy caching http://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-storage-fs HTTPCACHE_ENABLED = True HTTPCACHE_GZIP = True HTTPCACHE_EXPIRATION_SECS = 30 * 24 * 60 * 60
26
Scrapy revisit for update: http://stackoverflow.com/questions/23950184/avoid-scrapy-revisit-on-a-different-run pipelines.py from mybot.utils import connect_url_database class DedupPipeline(object): def __init__(self): self.db = connect_url_database() def process_item(self, item, spider): url = item['url'] self.db.insert(url) yield item
middlewares.py from scrapy import log from scrapy.exceptions import IgnoreRequest from mybot.utils import connect_url_database class DedupMiddleware(object): def __init__(self): self.db = connect_url_database() def process_request(self, request, spider): url = request.url if self.db.has(url): log.msg('ignore duplicated url: '%url, level=log.DEBUG) raise IgnoreRequest()
settings.py ITEM_PIPELINES = { 'mybot.pipelines.DedupPipeline': 0 } DOWNLOADER_MIDDLEWARES = { 'mybot.middlewares.DedupMiddleware': 0 }
Continue download: Jobs: pausing and resuming crawls http://scrapy.readthedocs.io/en/latest/topics/jobs.html Sometimes, for big sites, it’s desirable to pause crawls and be able to resume them later. 27
How to use it
To start a spider with persistence supported enabled, run it like this: scrapy crawl somespider -s JOBDIR=crawls/somespider-1
Then, you can stop the spider safely at any time (by pressing Ctrl-C or sending a signal), and resume it later by issuing the same command: scrapy crawl somespider -s JOBDIR=crawls/somespider-1
Monitoring scrapy, status, log: https://github.com/scrapinghub/scrapyrt/tree/master/scrapyrt
Xử lý nhiều spider trong 1 project: http://stackoverflow.com/questions/8372703/how-can-i-use-different-pipelines-for-different-s piders-in-a-single-scrapy-proje I can think of at least four approaches: 1. Use a different scrapy project per set of spiders+pipelines (might be appropriate if your spiders are different enough warrant being in different projects) 2. On the scrapy tool command line, change the pipeline setting with s crapy settings in between each invocation of your spider
3. Isolate your spiders into their own s crapy tool commands, and define the
default_settings['ITEM_PIPELINES'] on your command class to the pipeline list you
want for that command. See line 6 of this example.
4. In the pipeline classes themselves, have p rocess_item() check what spider it's running against, and do nothing if it should be ignored for that spider. See the
example using resources per spider to get you started. (This seems like an ugly solution because it tightly couples spiders and item pipelines. You probably shouldn't use this one.)
class CustomPipeline(object) def process_item(self, item, spider) if spider.name == 'spider1': # do something return item return item
28
Scrapy-fake-useragent Random User-Agent middleware based on f ake-useragent. It picks up User-Agent strings based on usage statistics from a real world database. Configuration
Turn off the built-in UserAgentMiddleware and add RandomUserAgentMiddleware. In Scrapy >=1.0: DOWNLOADER_MIDDLEWARES = { 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None, 'scrapy_fake_useragent.middleware.RandomUserAgentMiddleware': 400, }
6 ví dụ dùng scrapy http request http://www.programcreek.com/python/example/71420/scrapy.http.Request Tài liệu hướng dẫn scrapy web http://hopefulramble.blogspot.com/2014/08/web-scraping-with-scrapy-first-steps_30.html
Crawler website sử dụng login http://blog.javachen.com/2014/06/08/using-scrapy-to-cralw-zhihu.html
Filling Login Forms Automatically https://blog.scrapinghub.com/2012/10/26/filling-login-forms-automatically/ We often have to write spiders that need to login to sites, in order to scrape data from them. Our customers provide us with the site, username and password, and we do the rest. The classic way to approach this problem is: 1. launch a browser, go to site and search for the login page 2. inspect the source code of the page to find out: 1. which one is the login form (a page can have many forms, but usually one of them is the login form) 2. which are the field names used for username and password (these could vary a lot) 3. if there are other fields that must be submitted (like an authentication token) 29
3. write the Scrapy spider to replicate the form submission using FormRequest (here is an example) Being fans of automation, we figured we could write some code to automate point 2 (which is actually the most time-consuming) and the result is loginform, a library to automatically fill login forms given the login page, username and password. Here is the code of a simple spider that would use loginform to login to sites automatically: In addition to being open source, loginform code is very simple and easy to hack (check the README on Github for more details). It also contains a collection of HTML samples to keep the library well-tested, and a convenient tool to manage them. Even with the simple code so far, we have seen accuracy rates of 95% in our tests. We encourage everyone with similar needs to give it a try, provide feedback and contribute patches.
https://blog.scrapinghub.com/2016/05/11/monkeylearn-addon-retail-classifier-tutorial/
Scrapy - how to manage cookies/sessions http://stackoverflow.com/questions/4981440/scrapy-how-to-manage-cookies-sessions
My script: 1. My spider has a start url of searchpage_url 2. The searchpage is requested by parse() and the search form response gets passed to search_generator() 3. search_generator() then yields lots of search requests using FormRequest and the search form response. 4. Each of those FormRequests, and subsequent child requests need to have it's own session, so needs to have it's own individual cookiejar and it's own session cookie. => Solution 30
Multiple cookie sessions per spider http://doc.scrapy.org/en/latest/topics/downloader-middleware.html#std:reqmeta-cookiejar There is support for keeping multiple cookie sessions per spider by using the cookiejar Request meta key. By default it uses a single cookie jar (session), but you can pass an identifier to use different ones. For example: for i, url in enumerate(urls): yield scrapy.Request("http://www.example.com", meta={'cookiejar': i}, callback=self.parse_page)
Keep in mind that the cookiejar meta key is not “sticky”. You need to keep passing it along on subsequent requests. For example: def parse_page(self, response): # do some processing return scrapy.Request("http://www.example.com/otherpage", meta={'cookiejar': response.meta['cookiejar']}, callback=self.parse_other_page)
How to send cookie with scrapy CrawlSpider requests? http://stackoverflow.com/questions/32623285/how-to-send-cookie-with-scrapy-crawlspider-re quests def start_requests(self): headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.85 Safari/537.36'} for i,url in enumerate(self.start_urls): yield Request(url,cookies={'over18':'1'}, callback=self.parse_item, headers=headers)
Don't know what's wrong with CrawlSpider but Spider could work anyway. # encoding: utf-8 import scrapy
class MySpider(scrapy.Spider): name = 'redditscraper' allowed_domains = ['reddit.com', 'imgur.com'] start_urls = ['https://www.reddit.com/r/nsfw'] def request(self, url, callback): """
31
wrapper for scrapy.request """ request = scrapy.Request(url=url, callback=callback) request.cookies['over18'] = 1 request.headers['User-Agent'] = ( 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, ' 'like Gecko) Chrome/45.0.2454.85 Safari/537.36') return request def start_requests(self): for i, url in enumerate(self.start_urls): yield self.request(url, self.parse_item) def parse_item(self, response): titleList = response.css('a.title') for title in titleList: item = {} item['url'] = title.xpath('@href').extract() item['title'] = title.xpath('text()').extract() yield item url = response.xpath('//a[@rel="nofollow next"]/@href').extract_first() if url: yield self.request(url, self.parse_item) # you may consider scrapy.pipelines.images.ImagesPipeline :D
By-pass anti-crawler - Một số cách tinh chỉnh setting cho Scrapy: + Tăng delay time + Giảm concurrent request + Dùng proxy + Một số trick khác - tùy trang (ajax....) - https://learn.scrapehero.com/how-to-prevent-getting-blacklisted-while-scraping/ - http://doc.scrapy.org/en/latest/topics/practices.html#avoiding-getting-banned
32
Kinh nghiệm thực tế Alibaba redirect, yêu cầu đăng nhập -> có thể thực hiện bước đăng nhập. def parse(self, response): if response.url.startswith('https://login.alibaba.com'): self.logger.debug('Login: {}'.format(response.url)) return self.login(response) else: return self.parse_product(response) def login(self, response): return [FormRequest.from_response(response, formdata={'loginId': '
[email protected]', 'password': 'BSvrvY'}, callback=self.parse)]
Xử lí products list Ví dụ: http://www.alibaba.com/Agricultural-Growing-Media_pid144 scrapy shell http://www.alibaba.com/Agricultural-Growing-Media_pid144
company: //div[@class="cbrand ellipsis"] next_page: //a[@class="next"]/@href => Problem: Khi next-page các button có thể bị thay đổi button "Next" không get qua urljoin kể từ page 2 Kể từ trang 2 thì k lấy đc button nextpage. response.xpath('//div[@class="cbrand ellipsis"]')
next_page là: http://www.alibaba.com/catalogs/products/CID144/2
Vấn đề lấy danh sách công ty: Truy cập vào trang: http://www.alibaba.com/catalogs/products/CID144/2 company: //div[@class="stitle util-ellipsis"] chạy câu lệnh: scrapy shell http://www.alibaba.com/catalogs/products/CID144/2
33
response.xpath('//div[@class="stitle util-ellipsis"]') -> null. Không lấy được dữ liệu. -> Nguyên nhân: website sử dụng javascript để render dữ liệu. - Dùng trình duyệt thì có thể dùng xpath để lấy được. - Dùng scrapy thì chưa lấy được.
Hướng giải quyết: Khi dùng browser nhìn thấy được dữ liệu và extract được dữ liệu bằng xpath, nhưng dùng scrapy lại không extract được -> phải nghĩ đến việc browser render dữ liệu khác với scrapy. - browser sẽ chạy javascript, css, render dữ liệu. - scrapy chỉ lấy html raw. -> thực hiện lấy html raw để phân tích. Ví dụ: wget http://www.alibaba.com/catalogs/products/CID144/2 đọc html raw thì thấy: page.setPageData({"baseServer":"//www.alibaba.com","isForbiddenSel l":false,"isForbidden":false,"clearAllHref":"//www.alibaba.com/cat alogs/products/CID144","quotationSupplierNum":250375,"allCategory" :null,"searchbarFixed": -> cần phải tìm cách xử lí dữ liệu này với scrapy.
Ví dụ: get raw data wget http://www.alibaba.com/catalogs/products/CID144/2 wget http://www.alibaba.com/catalogs/products/CID144/3 Tách phần json, được dữ liệu json của 2 trang như sau. http://pastebin.com/TBxYswGD http://pastebin.com/ZFEMcuST
Có thể dùng trang sau để đọc file json, có vẻ đẹp hơn trang em đang dùng: http://www.jsoneditoronline.org/ -> Hướng giải quyết: 1. Dùng regular expression để lấy phần json. 2. Đọc json data, lấy ra dữ liệu mong muốn.
34
Ví dụ: json_data = response.xpath('string(//body)').re(r'page.setPageData\((.*?\})\);')[0] # tiếp tục xử lí json Hoặc: 1. Dùng regular expression, extract chính xác dữ liệu mong muốn. Ví dụ: Pattern: "supplierHref":"http://dfl-vermiculite.en.alibaba.com/company_profile.h tml#top-nav-bar" Code extract: response.xpath('string(//body)').re(r'"supplierHref":"([^#]+)')
Trong bài toán này, chúng ta chọn cách đơn giản là cách 2: dùng regular expression để extract chính xác phần dữ liệu muốn lấy.
Bài học: 1. Dùng browser thấy được dữ liệu, dùng scrapy không thấy được dữ liệu -> cần phải lấy dữ liệu raw để phân tích. 2. Cần thấy điểm khác nhau của thứ nhìn thấy trên browser và dữ liệu raw. "Những gì chúng ta nhìn thấy không như những gì chúng ta nghĩ". Đây cũng là cách để các website hạn chế việc bị crawl data. 3. Không dùng được xpath thì dùng regular expression. Regular expression là mức cơ bản nhất, xử lí được hầu hết các vấn đề extract.
Vấn đề next_page: Có thể giải quyết bằng cách duyệt page theo index tăng dần. http://www.alibaba.com/catalogs/products/CID144/2 -> next_page: http://www.alibaba.com/catalogs/products/CID144/3 origin_url = 'http://www.alibaba.com/catalogs/products/CID144/2' url_token = origin_url.split('/') next_page_url = '/'.join(url_token[:-1] + [str(int(url_token[-1]) + 1)]) print(next_page_url) Khi nào hết page? 35
-> khi nút Next không có thẻ Như vậy, giải pháp để next_page là: Kiểm tra: next_page = response.xpath('//a[@class="next"]/@href').extract_first('').strip() => it incorrect, we need another solution - Nếu có next_page: next_page sẽ có URL bằng URL hiện tại + (index + 1) - Nếu không: dừng. crawl thông tin product: Cần bổ sung thêm thông tin: - description - cost, currency - category, nếu lấy được
36
Deploy project scrapy sử dụng ScrapingHub Source: https://scrapinghub.com/ Scrapinghub là một cloud dựa trên web crawling platform hỗ trợ deloy và scale mà bạn sẽ không phải lo lắng về server, monitoring, backup và schedule cho project scrapy của mình. Hỗ trợ nhiều add-ons hỗ trợ việc mở rộng spider của bạn cùng với rotator proxy thông minh hỗ trợ việc chặn từ các website tăng tốc độ crawl. Các tính năng chính: ● Jobs dashboard: Có giao diện quản lý các job, thống kê chi tiết rất dễ quản lý và chạy. ● Item browser: Hiển thị dữ liệu đã crawl được.Dữ liệu được hiển thị khá đẹp mắt và theo cấu trúc. ● Log inspector: Kiểm tra logs sinh ra trong quá trình chạy, các lỗi phát sinh được hiển thị khá rõ ràng. ● Data storage, usage reports and API: Tất cả dữ liệu crawl được đều được lưu vào db của ScrapingHub và truy cập thông qua API trả về. Ngoài ra còn có hệ thống lập lịch chạy,các addons có sẵn hỗ trợ crawl như: Monkeylearn, splash, crawlera, BigML, DeltaFetch, Images, Monitoring, Portia ... Install scrapinghub: $ pip/pip3 install scrapinghub Thực hiện login để deploy: $ shub login Nhập API key để login (API được lấy tại: https://dash.scrapinghub.com/account/apikey) Sau khi đăng nhập thông tin sẽ được lưu tại ~ /.scrapinghub.yml Tiến hành deploy một project lên scrapinghub: Tạo một project mới để chứa project của mình tại S crapy Cloud Projects trên scrapinghub. Click vào project vừa tạo trên scrapinghub vào mục code & deploy để lấy API project vừa tạo. $cd $shub deploy Tùy chọn cài thêm thư viện khi chạy: Edit file scrapinghub.yml: projects: default: 123 requirements_file: requirements.txt
Nhập API của project sau đó project sẽ được deploy trên scrapinghub.
37
Tiến hành chạy project click vào run chọn tên spider,có vài tùy chọn khi chạy như priority , tags, Arguments tùy vào nhu cầu sử dụng.
Bạn chỉ có thể chạy được 1 spider một lúc, cấc cả các lần chạy tiếp theo sẽ được đưa vào next jobs. Dữ liệu sẽ được xuất ra csv và được lưu trong data của scrapinghub với thời gian lưu trữ 1 tuần. để lưu lâu hơn bạn sẽ cần phải nâng cấp và trả phí.
38
Lập lịch chạy sprider: Scrapinghub hỗ trợ lập lịch chạy spider rất dễ sử dụng
Các chức năng free đủ cho bạn deploy và chạy một project với các chức năng và công cụ hỗ trợ với 1G ram và 1 concurrent crawl. Nếu có nhu cầu bạn có thể nâng cấp để tùy chỉnh và sử dụng các addons khác.
Django-dynamic-scraper (DDS) Django-dynamic-scraper use scrapy base on django framework and use admin django interface create scrapy crawl many website. Dockerfile: https://github.com/khainguyen95/django-dynamic-scraper Image: https://hub.docker.com/r/khainguyendinh/django-dynamic-scraper/
Requirements: ● Python 2.7+ or 3.4+ ● Django 1.8/1.9 ● Scrapy 1.1 ● Scrapy-djangoitem 1.1 ● Python JSONPath RW 1.4+ ● Python future ● scrapyd ● django-celery
39
● django-dynamic-scraper
Documents Tutorial DDS Scrapyd-client DjangoItem in scrapy
SETUP: 1. Install docker, compose Install docker: $wget -qO- https://get.docker.com/ | sh $sudo usermod -a -G docker whoami Install compose: $sudo wget -q https://github.com/docker/compose/releases/download/1.6.2/dock er-compose-`uname -s-uname -m` \ -O /usr/local/bin/docker-compose
$sudo chmod +x /usr/local/bin/docker-compose Tip : after that, logout, then login for update environment
2. Run docker django-dynamic-scraper Pull docker images: $docker pull khainguyendinh/django-dynamic-scraper
3. Defining the object to be scraped ● create Database utf8 40
● CREATE DATABASE news CHARACTER SET utf8 COLLATE utf8_general_ci; ● $cd djangoItem ● create user admin ● python manage.py createsuperuser ● run django server ● python manage.py runserver 0.0.0.0:8000 ● show admin django in browser ● http://localhost:8000/admin ● add New Scraped object classes ● add New Scrapers ● add News websites
4. run crawl data Run: $scrapy crawl [--output=FILE --output-format=FORMAT] SPIDERNAME -a id=REF_OBJECT_ID [-a do_action=(yes|no) -a run_type=(TASK|SHELL) -a max_items_read={Int} -a max_items_save={Int} -a max_pages_read={Int} -a output_num_mp_response_bodies={Int} -a output_num_dp_response_bodies={Int} ] $scrapy crawl news -a id=1 -a do_action=yes
5. run schedule crawl: deploy project scrapy: $cd crawl $scrapyd-deploy -p crawl $scrapyd
41
run schedule scrapy: $python manage.py celeryd -l info -B --settings=example_project.settings python manage.py celeryd -l info -B --settings=djangoItem.settings run check error expath: $scrapy crawl news_checker -a id=ITEM_ID -a do_action=yes
42
Tài liệu tham khảo 1. Scrapy Documentation. https://doc.scrapy.org/en/latest/ 2. Scrapinghub Documentation: h ttps://doc.scrapinghub.com 3. Django Dynamic Scrapy: http://django-dynamic-scraper.readthedocs.io/ TODO: Từ rất nhiều nguồn khác nữa, mỗi phần có link tham khảo. Chúng tôi sẽ sớm cập nhật đầy đủ tài liệu tham khảo.
43
