Python爬虫——Scrapy框架

Scrapy是用python实现的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。使用Twisted高效异步网络框架来处理网络通信。

Scrapy架构：

ScrapyEngine：引擎。负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。此组件相当于爬虫的“大脑”，是整个爬虫的调度中心。

Schedule：调度器。接收从引擎发过来的requests，并将他们入队。初始爬取url和后续在页面里爬到的待爬取url放入调度器中，等待被爬取。调度器会自动去掉重复的url。

Downloader：下载器。负责获取页面数据，并提供给引擎，而后提供给spider。

Spider：爬虫。用户编些用于分析response并提取item和额外跟进的url。将额外跟进的url提交给ScrapyEngine，加入到Schedule中。将每个spider负责处理一个特定(或一些)网站。

ItemPipeline：负责处理被spider提取出来的item。当页面被爬虫解析所需的数据存入Item后，将被发送到Pipeline，并经过设置好次序

DownloaderMiddlewares：下载中间件。是在引擎和下载器之间的特定钩子(specific hook)，处理它们之间的请求(request)和响应(response)。提供了一个简单的机制，通过插入自定义代码来扩展Scrapy功能。通过设置DownloaderMiddlewares来实现爬虫自动更换user-agent,IP等。

SpiderMiddlewares：Spider中间件。是在引擎和Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items或requests)。提供了同样简单机制，通过插入自定义代码来扩展Scrapy功能。

数据流：

1.ScrapyEngine打开一个网站，找到处理该网站的Spider，并向该Spider请求第一个(批)要爬取的url(s)；

2.ScrapyEngine向调度器请求第一个要爬取的url，并加入到Schedule作为请求以备调度；

3.ScrapyEngine向调度器请求下一个要爬取的url；

4.Schedule返回下一个要爬取的url给ScrapyEngine，ScrapyEngine通过DownloaderMiddlewares将url转发给Downloader；

5.页面下载完毕，Downloader生成一个页面的Response，通过DownloaderMiddlewares发送给ScrapyEngine；

6.ScrapyEngine从Downloader中接收到Response，通过SpiderMiddlewares发送给Spider处理；

7.Spider处理Response并返回提取到的Item以及新的Request给ScrapyEngine；

8.ScrapyEngine将Spider返回的Item交给ItemPipeline，将Spider返回的Request交给Schedule进行从第二步开始的重复操作，直到调度器中没有待处理的Request，ScrapyEngine关闭。

安装scrapy：

1.安装wheel支持：
$ pip install wheel

2.安装scrapy框架：

$ pip install scrapy

3.window下，为了避免windows编译安装twisted依赖，安装下面的二进制包

$ pip install Twisted-18.4.0-cp35-cp35m-win_amd64.whl

scrapy项目结构：
在某路径下创建scrapy项目： $ scrapy startproject my_project

会产生以下目录和文件：

scrapy.cfg：必须有的重要的项目的配置文件

item.py：定义Item类，从scrapy.Item继承，里面定义scrapy.Field类

pipelines.py：处理爬取的数据流向。重要的是process_item()方法

first目录下的__init__.py：作为包文件必须有的文件

spiders目录下的__init__.py：也是必须有。在这里可以写爬虫类或爬虫子模块

settings.py：

BOT_NAME # 爬虫名

ROBOTSTXT_OBEY = True # 遵守robots协议

USER_AGENT='' # 指定爬取时使用。一定要更改user-agent，否则访问会报403错误

CONCURRENT_REQUEST = 16 # 默认16个并行

DOWNLOAD_DELAY = 3 # 下载延时

COOKIES_ENABLED = False # 缺省是启用。一般需要登录时才需要开启cookie

DEFAULT_REQUEST_HEADERS = {} # 默认请求头，需要时填写

SPIDER_MIDDLEWARES # 爬虫中间件

DOWNLOADER_MIDDLEWARES # 下载中间件

'first.middlewares.FirstDownloaderMiddleware': 543 # 543优先级越小越高

'firstscrapy.pipelines.FirstscrapyPipeline': 300 # item交给哪一个管道处理，300优先级越小越高

豆瓣书评爬取：

创建爬虫代码模版

命令：scrapy genspider -t basic book douban.com # book是爬虫名字；douban.com是要爬取的url的域名

模板如下：

# -*- coding: utf-8 -*-
import scrapyclass BookSpider(scrapy.Spider):name = 'book'allowed_domains = ['douban.com']start_urls = ['http://douban.com/']def parse(self, response):pass

此时就已经成功创建一个名为‘book’的爬虫，可以通过命令scrapy list查看。

response是服务器端HTTP响应，它是scrapy.http.response.html.HtmlResponse类。由此，修改代码如下：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http.response.html import HtmlResponseclass BookSpider(scrapy.Spider):name = 'book'  # 爬虫名allowed_domains = ['douban.com']  # 域名。爬虫爬取范围start_urls = ['https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=0&type=T']  # 起始url，从第一页开始爬取# 下载器获取WebServer的response，parse就是解析响应response的内容def parse(self, response: HtmlResponse):  # 如何解析html;返回一个可迭代对象：利用yiledprint(type(response))  # scrapy.http.response.html.HtmlResponseprint(type(response.text))  # strprint(type(response.body))  # bytesprint(response.encoding)  # utf-8# 将网页内容写入book.html文件内with open('/Users/dannihong/Documents/leetcode/scrapy_project/file/book.html', 'w', encoding='utf-8') as f:f.write(response.text)f.flush()except Exception as e:print(e)

爬虫获得的内容response对象，可以使用解析库来解析。scrapy包装了lxml，父类TextResponse类也提供了xpath方法和css方法，可以混合使用这两套接口解析HTML。解析html页面内容的示例代码如下：

# -*- coding: utf-8 -*-
from scrapy.http.response.html import HtmlResponseresponse = HtmlResponse('file:/Users/dannihong/Documents/leetcode/scrapy_project/file/book.html', encoding='utf-8')
with open('/Users/dannihong/Documents/leetcode/scrapy_project/file/book.html', encoding='utf8') as f:response._set_body(f.read().encode())  # _set_body方法将其放入response对象里；需要传入的参数对象是bytes，所以encode()
subjects = response.css('li.subject-item')
for subject in subjects:# 提取书籍的网页链接href = subject.xpath('.//h2').css('a::attr(href)').extract()print('href:', href[0])# 使用正则表达式，选取评分是9分以上的书籍rate = subject.xpath('.//span[@class="rating_nums"]/text()').re(r'^9.*')# rate = subject.css('span.rating_nums::text').re(r'^9\..*')  # 第二种表达方式if rate:print(rate[0])

item封装数据：

# first/item.py

import scrapyclass Test1ProItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()title = scrapy.Field()  # 存放书籍标题的字段rate = scrapy.Field()  # 存放书籍评分的字段

# first/first/spiders/book.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http.response.html import HtmlResponse
from ..items import FirstItem  # 从上一层的items.py文件里导入class BookSpider(scrapy.Spider):name = 'book'  # 爬虫名allowed_domains = ['douban.com']  # 爬虫爬取范围start_urls = ['https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=0&type=T']  # 起始urlcustom_settings = {'file_name': '/Users/dannihong/Documents/leetcode/scrapy_project/file/books.json'}  # 一般设置参数# 下载器获取WebServer的response，parse解析响应的内容；输出items和requestsdef parse(self, response: HtmlResponse):  # 如何解析html;返回一个可迭代对象：利用yiledsubjects = response.xpath('//li[@class="subject-item"]')items = []  # 如果用items=[]，最后函数要return itemsfor subject in subjects:item = FirstItem()  # 声明一个item，相当于一个字典，存放要爬取的数据title = subject.xpath('.//h2/a/text()').extract()item['title'] = title[0].strip()rate = subject.css('span.rating_nums::text').extract()item['rate'] = rate[0].strip()items.append(item)with open('book.json', 'w', encoding='utf8') as f:for item in items:f.write('{} {}\n'.format(item['title'], item['rate']))return items

pipeline处理

将book.py中BookSpider改成生成器，只需要把return items改造成yield item，即由产生一个列表变成yield一个个item。脚手架帮我们创建了一个pipelines.py文件和一个类。

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'first.pipelines.FirstPipeline': 300,
}

整数300表示优先级，越小越高。取值范围为0-1000。

pipeline.py里常用的方法：

process_item(self, item, spider) # item表示爬取的一个个数据，spider表示item的爬取者，每一个item处理都得调用。返回一个item对象，或者抛出DropItem异常，被丢弃的item对象将不会被pipeline组件处理；

open_spider(self, spider) # spider表示被开启的spider，调用一次

close_spider(self, spider) # spider表示被关闭的spider，调用一次

__init__(self) # spider创建实例时调用一次

将爬取的数据通过pipeline写入到json文件中，代码如下：

# first/spiders/book.py

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http.response.html import HtmlResponse
from ..items import Test1ProItemclass BookSpider(scrapy.Spider):name = 'book'allowed_domains = ['douban.com']start_urls = ['https://book.douban.com/tag/%E7%BC%96%E7%A8%8B?start=0&type=T']custom_settings = {'file_name': '/Users/dannihong/Documents/leetcode/scrapy_project/file/books.json'}  # spider上自定义配置信息def parse(self, response: HtmlResponse):  # 如何解析html;返回一个可迭代对象：利用yiledsubjects = response.xpath('//li[@class="subject-item"]')for subject in subjects:item =FirstProItem()title = subject.xpath('.//h2/a/text()').extract()item['title'] = title[0].strip()rate = subject.css('span.rating_nums::text').extract()item['rate'] = rate[0].strip()yield item  # 返回一个可迭代对象生成器

# first/pipelines.py

# -*- coding: utf-8 -*-# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
from scrapy import Spiderclass Test1ProPipeline(object):def __int__(self):print('~~~~~~~~~~init~~~~~~~~~~')# 每一个item都会执行一次def process_item(self, item, spider:Spider):print('++++++++++')print(item)self.file.write('{},\n'.format(json.dumps(dict(item))))return item# 所有过程在起始的时候执行一次def open_spider(self, spider):print('==========open spider {}=========='.format(spider))# file_name = '/Users/dannihong/Documents/leetcode/scrapy_project/file/books.json'file_name = spider.settings['file_name']self.file = open(file_name, 'w', encoding='utf-8')self.file.write('[\n')# 所有过程结束的时候执行一次def close_spider(self, spider):print('==========close spider {}=========='.format(spider))self.file.write(']')self.file.close()

Python爬虫——Scrapy框架相关推荐

Python爬虫 scrapy框架爬取某招聘网存入mongodb解析
这篇文章主要介绍了Python爬虫 scrapy框架爬取某招聘网存入mongodb解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下创建项目 sc ...
python爬虫--Scrapy框架--Scrapy+selenium实现动态爬取
python爬虫–Scrapy框架–Scrapy+selenium实现动态爬取前言本文基于数据分析竞赛爬虫阶段,对使用scrapy + selenium进行政策文本爬虫进行记录.用于个人爬虫学习记 ...
Python爬虫—Scrapy框架—Win10下载安装
Python爬虫-Scrapy框架-Win10下载安装 1. 下载wheel 2.下载twisted 3. 下载pywin32 4. 下载安装Scrapy 5. 创建一个scrapy项目 6. fir ...
Python爬虫-Scrapy框架（四）- 内置爬虫文件 - 4.2 初探Crawl Spider
Python爬虫-Scrapy框架(四)- 内置爬虫文件 - 4.2 初探Crawl Spider 写在前面初探Crawl Spider 创建Crawl Spider项目对比Basic与Crawl ...
python爬虫scrapy框架教程_Python爬虫教程-30-Scrapy 爬虫框架介绍
从本篇开始学习 Scrapy 爬虫框架 Python爬虫教程-30-Scrapy 爬虫框架介绍框架:框架就是对于相同的相似的部分,代码做到不出错,而我们就可以将注意力放到我们自己的部分了常见爬虫框 ...
python爬虫scrapy框架爬取网页数据_Scrapy-Python
scrapy Scrapy:Python的爬虫框架实例Demo 抓取:汽车之家.瓜子.链家等数据信息版本+环境库 Python2.7 + Scrapy1.12 初窥Scrapy Scrapy是一 ...
Python爬虫——scrapy框架介绍
一.什么是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,非常出名,非常强悍.所谓的框架就是一个已经被集成了各种功能(高性能异步下载,队列,分布式,解析,持久化等) ...
Python爬虫——Scrapy框架（附有实战）
大家好!我是霖hero 有一天,我在逛街,突然被一声靓仔打断了我的脚步,回头一看,原来是水果摊阿姨叫我买水果,说我那么靓仔,便宜一点买给我,自恋的我无法拒绝阿姨的一声声靓仔,于是买了很多水果回家,家人 ...
python爬虫scrapy框架基础
我使用的软件是pychram 最近几周也一直在学习scrapy,发现知识点比较混乱,今天来总结一下.我是按照<精通python网络爬虫核心技术框架与项目实战>这本书来写的.讲的比较简洁,想 ...

Python爬虫——Scrapy框架

Python爬虫——Scrapy框架相关推荐

最新文章

热门文章