Scrapy入门教程实例
Scrapy
Scrapy是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。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
scrapy的整体框架如下所示:
Scrapy主要包含了以下几个组件:
- 引擎(Scrapy):用来处理整个系统的数据流,触发事务(框架核心)。
- 调度器(Scheduler):用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 它来决定下一个要抓取的网址是什么, 同时去除重复的网址
- 下载器(Downloader):用于下载网页内容,并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
- 爬虫(Spiders):爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
- 项目管道(Pipeline):负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
- 下载器中间件(Downloader Middlewares):位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
- 爬虫中间件(Spider Middlewares):介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
- 调度中间件(Scheduler Middewares):介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
安装Scrapy命令:
pip install scrapy
第一个爬虫
1、进入到打算存储代码的目录中,运行下列命令,创建一个新的Scrapy项目。
scrapy startproject scrapydemo
命令会生成如下目录文件:
这些文件分别是:
- scrapy.cfg: 项目的配置文件
- scrapydemo/ :该项目的python模块,之后将在这里加入代码
- items.py:项目中的items文件
- middlewares.py:项目中的middlewares文件
- pipelines.py:项目中的pipelines文件
- setting.py:项目的设置文件
- spiders/:放置spider代码的目录
接下来我们要爬取我另一篇博客的内容
https://blog.csdn.net/hampton_chen/article/details/52229327
通过以下命令进入该项目所在的目录,并在spiders目录下生成一个spider文件csdn.py:
cd scrapydemo
scrapy genspider csdn https://blog.csdn.net/hampton_chen/article/details/52229327
打开该博客文章如下,我们这次主要抓取文件的标题、发布时间和阅读数
2、编写items.py文件:
在items.py文件中定义我们要抓取的数据:
import scrapy
class ScrapydemoItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()title = scrapy.Field()time = scrapy.Field()read_count = scrapy.Field()
3、实现Pipelines
Pipeline用来对spider返回的item列表进行数据的保存等操作,可以写入文件或保存到数据库,这里我只是将数据打印出来。
代码如下:
class ScrapydemoPipeline(object):def process_item(self, item, spider):print('======================')text = "标题:" + item['title'] +"\n发布时间:" + item['time'] + "\n" + item['read_count']print(text)print('======================')return item
4、修改settings配置
BOT_NAME = 'scrapydemo'
SPIDER_MODULES = ['scrapydemo.spiders']
NEWSPIDER_MODULE = 'scrapydemo.spiders'
上面三行是系统自动配置的,不需要修改,我们主要添加下列代码:
USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
ITEM_PIPELINES = {'scrapydemo.pipelines.ScrapydemoPipeline': 300,
}
5、实现spider
在实现spider之前,我们需要通过浏览器打开我们要抓取的目标网站,通过F12打开页面调试窗口,找到我们要抓取的数据对应的element,如下图:
Spider是一个继承自scrapy.contrib.spiders.CrawlSpider的Python类,有三个必需的定义的成员
name: 名字,这个spider的标识,在爬虫项目中是唯一的
start_urls:一个url列表,spider从这些网页开始抓取
parse():一个方法,当start_urls里面的网页抓取下来之后需要调用这个方法解析网页内容,同时需要返回下一个需要抓取的网页,或者返回items列表
所以在spiders目录下新建一个spider,csdn.py:
# -*- coding: utf-8 -*-
import scrapy
from scrapydemo.items import ScrapydemoItemclass CsdnSpider(scrapy.Spider):name = "csdn"allowed_domains = ["blog.csdn.net"]start_urls = ['https://blog.csdn.net/hampton_chen/article/details/52229327/']def parse(self, response):item = ScrapydemoItem()item['title'] = response.xpath('//h1[@class="title-article"]/text()').extract()[0]item['time'] = response.xpath('//span[@class="time"]/text()').extract()[0]item['read_count'] = response.xpath('//span[@class="read-count"]/text()').extract()[0]yield item
至此代码已经写完,接下来就是如何启动爬虫。
启动爬虫
运行程序有两种方法:
1、直接命令行启动
进入到项目的根目录下,执行下列命令:
scrapy crawl csdn
2、新建一个.py文件,写入启动命令,例如run.py:
# -*- coding: utf-8 -*-
from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'csdn'])
注意:crawl后面跟的是spider的name,不是项目名
执行命令得到结果如下图所示:
Scrapy入门教程实例相关推荐
- python scrapy 简单教程_python之scrapy入门教程
看这篇文章的人,我假设你们都已经学会了python(派森),然后下面的知识都是python的扩展(框架). 在这篇入门教程中,我们假定你已经安装了Scrapy.如果你还没有安装,那么请参考安装指南. ...
- Scrapy入门教程
本文参考Scrapy Tutorial里面的文档,翻译出来加上自己的理解,供大家学习. 在本文中,我们将学会如何使用Scrapy建立一个爬虫程序,并爬取指定网站上的内容,这一切在Scrapy框架内实现 ...
- Linux shell 脚本入门教程+实例
原文:http://www.wiquan.com/article/136 为什么要进行shell编程 在Linux系统中,虽然有各种各样的图形化接口工具,但是shell仍然是一个非常灵活的工具.She ...
- Scrapy入门教程(2)——保存数据
爬取股票名称.每股利润和净利润 完整项目已上传至github 链接:https://github.com/yinhaox/02_scrapy 数据爬取 可以接着之间的项目改,也可以重建一个 图一网页截 ...
- 入门前端-《JavaScript 语言入门教程-实例对象和New对象》
new 命令的原理 使用new命令时,它后面的函数依次执行下面的步骤. 创建一个空对象,作为将要返回的对象实例. 将这个空对象的原型,指向构造函数的prototype属性. 将这个空对象赋值给函数内部 ...
- 80篇各ajax框架入门教程
AJAX经典入门教程,入门实例,入门代码收藏. *VS2008 Ajax.NET快速入门教程* (2008-3-25) [本站原创]Ajax!?!入门教程之道 (2008-4-13) [本站原创]Aj ...
- python scrapy教程实例_爬虫框架Scrapy的第一个爬虫示例入门教程
原标题:爬虫框架Scrapy的第一个爬虫示例入门教程 我们使用dmoz.org这个网站来作为小抓抓一展身手的对象. 首先先要回答一个问题. 问:把网站装进爬虫里,总共分几步? 答案很简单,四步: 新建 ...
- Scrapy爬虫入门教程五 Selectors(选择器)
Scrapy爬虫入门教程一 安装和基本使用 Scrapy爬虫入门教程二 官方提供Demo Scrapy爬虫入门教程三 命令行工具介绍和示例 Scrapy爬虫入门教程四 Spider(爬虫) Scrap ...
- 单片机独立式按键c语言程序,(原创)51单片机C语言程序设计--速学教程实例(入门篇)之独立按键(查询)...
(原创)51单片机C语言程序设计--速学教程实例(入门篇)之独立按键(查询) /************************************************************ ...
最新文章
- Codeforces 32E Hide-and-Seek 乞讨2关于镜面反射点 计算几何
- PostgreSQL分区表的执行计划
- 自定义SeekBarPreference控件(老外出品,直接在preferences文件中使用,无需其他代码)...
- springboot 工程启动报错之Consider defining a bean of type ‘XXX’ in your configuration.
- 摘花生(信息学奥赛一本通-T1284)
- Ubuntu 10.04 Beta 1发布
- php 动态多维数组长度,php – 动态创建多维数组
- 【转载】在MySQL登录时出现Access denied for user 'root'@'localhost' (using password: YES) 拒绝访问,并可修改MySQL密码...
- 使用Java实现简单串口通信
- LINUX上开发ffmpeg程序,查看链接的库
- 解决安装WordCloud出错
- 源代码HTML5五子棋小游戏web开发
- 腾讯云 短信验证码 php,PHP中使用腾讯云短信
- 【网页开发】登录注册页面01
- 香农-范诺算法(Shannon-Fano coding)算法
- BZOJ1733: [Usaco2005 feb]Secret Milking Machine 神秘的挤奶机
- 全球100位人工智能名人和2500名资深AI人士,将聚首深圳
- python 合并word文件_使用python docx合并word文档
- python制作海报_生成海报(前端 | python)
- 正则表达式,数字位超过1位时,首位不为0