python爬虫开发环境中几个爬虫库的主要用途_分分钟了解Python爬虫
一:Scrapy框架
在python爬虫时我们需要使用Scrapy框架,来提取结构化数据,他是Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流处理, 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, 由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:
1、引擎从调度器中取出一个链接(URL)用于接下来的抓取
2、引擎把URL封装成一个请求(Request)传给下载器
3、下载器把资源下载下来,并封装成应答包(Response)
4、爬虫解析Response
5、解析出实体(Item),则交给实体管道进行进一步的处理
6、解析出的是链接(URL),则把URL交给调度器等待抓取
二:搭建环境,创建项目
(一)配置环境
1 安装python2.0+或者3.0+ ,两种版本代码不一样 本次选用3.6.3
2.要是在wiendows系统下进行编程的话,需要安装pywin32-221.win-amd64-py3.6.exe(版本保与python版本保持一致)。因为Python是没有自带访问windows系统API的库的,需要下载pywin32。
3.手动下载Twisted包,并放在python安装目录下的scripts目录下。
4 命令输入pip install wheel
5.命令输入pip install Scrapy,Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。
6 安装PyCharm,python继承开发环境
此时Scrapy,PyCharm已经安装成功。
(二)创建项目
1、进入你要存放项目的目录(cmd进入命令) scrapy startproject test(项目主文件名称)
2、进入项目里执行 scrapy genspider baidu(name) baidu.com(域名)
start_urls会自动加上https,这个url更改为文档里需要爬取的网址
这是最后创建的项目目录结构
文件说明: scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中) items.py 设置数据存储模板,用于结构化数据,如:Django的Model pipelines 数据处理行为,如:一般结构化的数据持久化 settings.py 配置文件,如:递归的层数、并发数,延迟下载等 spiders 爬虫目录,如:创建文件,编写爬虫规则
python爬虫开发环境中几个爬虫库的主要用途_分分钟了解Python爬虫相关推荐
- python运行程序的快捷键_在Python集成开发环境中,可使用快捷键()运行程序。...
在Python集成开发环境中,可使用快捷键()运行程序. 更多相关问题 如何理解创新能力测试与创新能力的关系? 直埋线路与埋式电力电缆电压<35kv平行时最小间距为(). 放射性物品装卸作业时, ...
- 在python集成开发环境中、可使用快捷键运行程序_在Python集成开发环境中,可使用快捷键 运行程序。_学小易找答案...
[单选题]UFO默认报表模板不包括 [单选题]"取消结账"的快捷功能键组合为 [多选题]在UFO报表系统中,要想在表页上联查明细帐,需要具备哪些条件. [单选题]在UFO报表中,要 ...
- python集成开发环境中可使用什么快捷键运行程序_1.4 Python集成开发环境(2)
1.4 Python集成开发环境(2) 3.EditPlus编辑器环境的配置 在开发中,除了使用开发工具外,还可以使用编辑器进行开发.最常使用的编辑器就是EditPlus.使用EditPlus进行程序 ...
- python集成开发环境中可使用什么快捷键运行程序_在Python集成开发环境中,可使用()快捷键运行程序。...
[单选题]1441.. 室内墙面,柱面和门洞口的阳角,宜用 ( ) 水泥砂浆. [单选题]1404.混凝土基层平整度应采用 2m 直尺检查,允许空隙不应大于( ). [单选题]1572. 下列灭火剂中 ...
- 在python集成开发环境中、可使用快捷键运行程序_在Python集成开发环境中,可使用快捷键...
[填空题]离开;出发(n.) [填空题]i _____ v. offend; to say or do sth. that is rude;to act offensively to sb. [填空题 ...
- windows和linux中搭建python集成开发环境IDE——如何设置多个python环境
本系列分为两篇: 1.[转]windows和linux中搭建python集成开发环境IDE 2.[转]linux和windows下安装python集成开发环境及其python包 3.windows和l ...
- 《Python游戏趣味编程》 第1章 Python与开发环境介绍
图书简介可以参考这里: 童晶:<Python游戏趣味编程>新书上架了 要编写Python代码.让计算机读懂Python程序,我们需要安装Python集成开发环境.读者可以打开Python官 ...
- python的常用集成开发环境_【分享|10个超好用的Python集成开发环境推荐】- 环球网校...
[摘要]在这个科学技术高速发展的时代,越来越多的人都开始选择学习编程软件,那么首先被大家选择的编程软件就是python,也用在各行各业之中,并被大家所熟知,所以也有越来越多的python学习者关注Py ...
- 阿里云服务器搭建python web环境_《Python入门》Linux 下 Python Web开发环境搭建笔记-阿里云开发者社区...
之前写过 Windows 7下Python Web开发环境搭建笔记,今天写一下在Linux系统下搭建Python Web的开发测试环境. 我使用的系统是:ubuntu 14.04 server,根据个 ...
最新文章
- 怎么关闭wordpress评论
- 普大喜奔:沁恒单片机免费样品申请开始啦!
- 阿里云成为首个通过《面向公有云模式的政务云服务》测评的厂商
- bigdecimal 等于0_好程序员Java培训分享BigDecimal的用法
- 谷歌验证 (Google Authenticator) 的实现原理是什么?
- MYSQL--事务处理
- L - Two Ants Gym - 102823L
- mgg mysql_mgg文件怎么转换mp3格式?
- 彻底搞懂Cookie、Session、JWT和Token
- oracle 11g12c(pdbcdb)系统巡检
- 弥补Web开发缺陷 实战HTML 5中存储API
- sql面试题问答题_SQL面试问答
- Vapnik-Chervonenkis Dimension 理解
- 超级右键-Mac右键扩展工具
- C语言实验——交换两个整数的值(顺序结构)
- 类加载机制--双亲委派
- 油猴插件(隐藏知乎标题,屏蔽百度搜索广告)
- pvifa怎么用计算机算,年金现值系数表【完整版】
- 免认证使用校园网(2022.6.3更新)
- 鲁大师 性能测试 计算机重启,鲁大师压力测试打不开_鲁大师压力测试未响应_鲁大师压力测试就重启...
热门文章
- 解决“Cmake error :generator: Ninja“问题
- __attribute__ ((__pure__))
- git词汇表:gitglossary(7) Manual Page
- findbugs 接口文档_Java代码审查工具findbugs的使用总结
- pca降维的基本思想_百面机器学习 第四章 降维 PCA
- 5分绩点转4分_U19男篮世界杯 | 郭昊文空砍23分4篮板5助攻 国青72-86负菲律宾
- android 自定义组合键,自定义快捷操作 安卓虚拟Home键设置技巧
- python utc时间如何取整_Python和Pandas:如何在不同的分辨率上取整unix时间戳(utc):1min5min15min30min1d?...
- 让OpenShift Serivce Mesh自动对服务注入sidecar
- 具有预先训练模型的AI人脸识别