【Python框架】Scrapy简单入门及实例讲解
前言
Python现在非常火,语法简单而且功能强大,很多同学都想学Python!所以小的给各位看官们准备了高价值Python学习视频教程及相关电子版书籍,都放在了文章结尾,欢迎前来领取!
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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
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, 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、安装wheelpip install wheel
2、安装lxmlhttps://pypi.python.org/pypi/lxml/4.1.0
3、安装pyopensslhttps://pypi.python.org/pypi/pyOpenSSL/17.5.0
4、安装Twistedhttps://www.lfd.uci.edu/~gohlke/pythonlibs/
5、安装pywin32https://sourceforge.net/projects/pywin32/files/
6、安装scrapypip install scrapy
一、安装
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
二、爬虫举例
入门篇:美剧天堂前100最新(http://www.meijutt.com/new100.html)
1、创建工程
scrapy startproject movie
2、创建爬虫程序
cd movie
scrapy genspider meiju meijutt.com
3、自动创建目录及文件
4、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
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
items.py
import scrapy
class MovieItem(scrapy.Item):
define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
6、编写爬虫
meiju.py
-- coding: utf-8 --
import scrapy
from movie.items import MovieItem
class MeijuSpider(scrapy.Spider):
name = "meiju"
allowed_domains = ["meijutt.com"]
start_urls = ['http://www.meijutt.com/new100.html']
def parse(self, response):movies = response.xpath('//ul[@class="top-list fn-clear"]/li')for each_movie in movies:item = MovieItem()item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]yield item
7、设置配置文件
settings.py增加如下内容
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}
8、编写数据处理脚本
pipelines.py
class MoviePipeline(object):
def process_item(self, item, spider):
with open("my_meiju.txt",'a') as fp:
fp.write(item['name'].encode("utf8") + '\n')
9、执行爬虫
cd movie
scrapy crawl meiju --nolog
10、结果
进阶篇:爬取校花网(http://www.xiaohuar.com/list-1-1.html)
1、创建一个工程
scrapy startproject pic
2、创建爬虫程序
cd pic
scrapy genspider xh xiaohuar.com
3、自动创建目录及文件
4、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
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
import scrapy
class PicItem(scrapy.Item):
define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field(
6、编写爬虫
-- coding: utf-8 --
import scrapy
import os
导入item中结构化数据模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
爬虫名称,唯一
name = "xh"
# 允许访问的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/list-1-1.html']def parse(self, response):# 获取所有图片的a标签allPics = response.xpath('//div[@class="img"]/a')for pic in allPics:# 分别处理每个图片,取出名称及地址item = PicItem()name = pic.xpath('./img/@alt').extract()[0]addr = pic.xpath('./img/@src').extract()[0]addr = 'http://www.xiaohuar.com'+addritem['name'] = nameitem['addr'] = addr# 返回爬取到的数据yield item
7、设置配置文件
设置处理返回数据的类及执行优先级
ITEM_PIPELINES = {'pic.pipelines.PicPipeline':100}
8、编写数据处理脚本
import urllib2
import os
class PicPipeline(object):
def process_item(self, item, spider):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}
req = urllib2.Request(url=item['addr'],headers=headers)
res = urllib2.urlopen(req)
file_name = os.path.join(r'D:\my\down_pic',item['name']+'.jpg')
with open(file_name,'wb') as fp:
fp.write(res.read())
9、执行爬虫
cd pic
scrapy crawl xh --nolog
结果:
终极篇:我想要所有校花图
注明:基于进阶篇再修改为终极篇
# xh.py
-- coding: utf-8 --
import scrapy
import os
from scrapy.http import Request
导入item中结构化数据模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
爬虫名称,唯一
name = "xh"
# 允许访问的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/hua/']
# 设置一个空集合
url_set = set()def parse(self, response):# 如果图片地址以http://www.xiaohuar.com/list-开头,我才取其名字及地址信息if response.url.startswith("http://www.xiaohuar.com/list-"):allPics = response.xpath('//div[@class="img"]/a')for pic in allPics:# 分别处理每个图片,取出名称及地址item = PicItem()name = pic.xpath('./img/@alt').extract()[0]addr = pic.xpath('./img/@src').extract()[0]addr = 'http://www.xiaohuar.com'+addritem['name'] = nameitem['addr'] = addr# 返回爬取到的信息yield item# 获取所有的地址链接urls = response.xpath("//a/@href").extract()for url in urls:# 如果地址以http://www.xiaohuar.com/list-开头且不在集合中,则获取其信息if url.startswith("http://www.xiaohuar.com/list-"):if url in XhSpider.url_set:passelse:XhSpider.url_set.add(url)# 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数# from scrapy.http import Request# Request(url,callback=self.parse)yield self.make_requests_from_url(url)else:pass文末福利
获取方式:加python群 839383765 即可获取!
转载于:https://blog.51cto.com/14186420/2385694
【Python框架】Scrapy简单入门及实例讲解相关推荐
- Scrapy简单入门及实例讲解
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. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以 ...
- wxpython中文教程_wxPython中文教程 简单入门加实例
wxPython中文教程简单入门加实例 博客分类: Python 2 / Wxpython wxPythonPython编程浏览器脚本 wx.Window 是一个基类,许多构件从它继承.包括 wx.F ...
- 视频教程-Python框架Djanggo从入门到实战教程(企业级项目实战)-Python
Python框架Djanggo从入门到实战教程(企业级项目实战) 多年web开发经验,精通HTML.CSS.JavaScript.HTML5.CSS3等Web前端开发技术,技术纯熟,项目经验丰富.授课 ...
- python中numpy数组的合并_基于Python中numpy数组的合并实例讲解
基于Python中numpy数组的合并实例讲解 Python中numpy数组的合并有很多方法,如 - np.append() - np.concatenate() - np.stack() - np. ...
- python分割数字_对python数据切割归并算法的实例讲解
当一个 .txt 文件的数据过于庞大,此时想要对数据进行排序就需要先将数据进行切割,然后通过归并排序,最终实现对整体数据的排序.要实现这个过程我们需要进行以下几步:获取总数据行数:根据行数按照自己的需 ...
- python对abaqus本构二次开发_基于Python的Abaqus二次开发实例讲解
第 1 页 共 11 页 基于 Python 的 Abaqus 二次开发实例讲解 ( asian58 2013.6.26 ) 基于 Python 的 Abaqus 的二次开发便捷之处在于: 1 .所有 ...
- Python SQL 语法简单入门
Python SQL 语法简单入门 大家好,今天给大家分享一些python中基本的sql语法.基本是按照sqlite3 来写的. 引题 为什么要使用数据库? 持久化 ,内存中的变量当程序重启和电脑断电 ...
- 基于python的abaqus二次开发_基于PYTHON的ABAQUS二次开发实例讲解
第 1 页 共 11 页 基于 Python 的 Abaqus 二次开发实例讲解 ( asian58 2013.6.26 ) 基于 Python 的 Abaqus 的二次开发便捷之处在于: 1 .所有 ...
- python frame框架抓取_Python抓取框架Scrapy爬虫入门:页面提取
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 ...
- 【智能算法】粒子群算法(Particle Swarm Optimization)超详细解析+入门代码实例讲解...
喜欢的话可以扫码关注我们的公众号哦,更多精彩尽在微信公众号[程序猿声] 01 算法起源 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由E ...
最新文章
- 胖子哥的大数据之路(7)- 传统企业切入核心or外围
- RIS实现系统的远程安装之三使用远程安装
- flask使用debug模式时,存在错误时,会占用设备内存直至服务重启才释放;debug模式会开启一个守护进程(daemon process)...
- 怎么删除XP中无法删除的文件
- hihoCoder #1182 欧拉路·三 (变形)
- Django缩略图实现
- 机器学习之降维方法(LDA、PCA)小结
- python generator与coroutine
- python与或非运算规则_Python逻辑运算符之与或非
- 计算机usb接口无法读取,USB设备识别不了,USB接口无法识别设备怎么办
- 欧拉公式以及凉鞋问题
- 草稿cfmm~yuyu 22.9.26 Linux
- 商务部关于促进电子商务规范发展的意见
- 干货 | 何延哲:App个人信息安全治理的规则、案例与思考
- C语言开发过程中段错误处理方法之经典
- 终端 删除php文件内容,Mac_mac命令行终端可以卸载吗?mac命令行终端卸载软件教程, mac os系统卸载软件方式有 - phpStudy...
- 代码演示Mybatis-Generator 扩展自定义生成
- 我发现了一个黑马旅游网旅游线路查询的bug
- 【Ubuntu】Ubuntu Desktop与Ubuntu Server:有什么不同?
- 网络通信Socket(Linux)
热门文章
- MathType安装时遇到不能删除xx字体时的解决方法
- 利用神经网络识别12306验证码——(五)训练模型
- ipone5 无法安装ipa软件
- 张朝阳也看蜗居,这段采访很有趣
- cst自学教材_CST微波工作室入门与应用详解
- 免费开源网管软件cacti,nagios,zabbix,WeADMIN ITOSS亲测分享
- jquery validate 验证单个
- Creator 3.0中摄像机调整技巧: 1.旋转:Cmd+右键 移动:空格+右键 放缩:滚轮
- 计算机平面设计要学语数英吗,《计算机平面设计与制作》课程标准规范.doc
- fan4801开关电源原理图_开关电源各模块原理实图讲解精编版