python爬虫学习笔记-scrapy框架(1)
简介
什么是框架?
所谓的框,其实说白了就是一个【项目的半成品】,该项目的半成品需要被集成了各种功能且具有较强的通用性。
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)的具有很强通用性的项目模板。对于框架的学习,重点是要学习其框架的特性、各个功能的用法即可。
初期如何学习框架?
只需要学习框架集成好的各种功能的用法即可!前期切勿钻研框架的源码!
安装
Linux/mac系统:pip install scrapy(任意目录下)Windows系统:a. pip install wheel(任意目录下)b. 下载twisted文件,下载网址如下: http://www.lfd.uci.edu/~gohlke/pythonlibs/#twistedc. 终端进入下载目录,执行 pip install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl注意:如果该步骤安装出错,则换一个版本的whl文件即可d. pip install pywin32(任意目录下)e. pip install scrapy(任意目录下)如果安装好后,在终端中录入scrapy指令按下回车,如果没有提示找不到该指令,则表示安装成功
基本使用
创建项目
scrapy startproject 项目名称
项目的目录结构:
firstBlood # 项目所在文件夹, 建议用pycharm打开该文件夹├── firstBlood # 项目跟目录│ ├── __init__.py│ ├── items.py # 封装数据的格式│ ├── middlewares.py # 所有中间件│ ├── pipelines.py # 所有的管道│ ├── settings.py # 爬虫配置信息│ └── spiders # 爬虫文件夹, 稍后里面会写入爬虫代码│ └── __init__.py└── scrapy.cfg # scrapy项目配置信息,不要删它,别动它,善待它.
创建爬虫爬虫文件:
- cd project_name(进入项目目录)
- scrapy genspider 爬虫文件的名称(自定义一个名字即可) 起始url
- (例如:scrapy genspider first www.xxx.com)
- 创建成功后,会在爬虫文件夹下生成一个py的爬虫文件
编写爬虫文件
理解爬虫文件的不同组成部分
import scrapyclass FirstSpider(scrapy.Spider):#爬虫名称:爬虫文件唯一标识:可以使用该变量的值来定位到唯一的一个爬虫文件name = 'first' #无需改动#允许的域名:scrapy只可以发起百度域名下的网络请求# allowed_domains = ['www.baidu.com']#起始的url列表:列表中存放的url可以被scrapy发起get请求start_urls = ['https://www.baidu.com/','https://www.sogou.com']#专门用作于数据解析#参数response:就是请求之后对应的响应对象#parse的调用次数,取决于start_urls列表元素的个数def parse(self, response):print('响应对象为:',response)
配置文件修改:settings.py
- 不遵从robots协议:ROBOTSTXT_OBEY = False
- 指定输出日志的类型:LOG_LEVEL = ‘ERROR’
- 指定UA:USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.109 Safari/537.36’
运行项目
scrapy crawl 爬虫名称 :该种执行形式会显示执行的日志信息(推荐) scrapy crawl 爬虫名称 --nolog:该种执行形式不会显示执行的日志信息(一般不用)
数据解析
注意,如果终端还在第一个项目的文件夹中,则需要在终端中执行cd …/返回到上级目录,在去新建另一个项目。
新建数据解析项目:
- 创建工程:scrapy startproject 项目名称
- cd 项目名称
- 创建爬虫文件:scrapy genspider 爬虫文件名 www.xxx.com
配置文件的修改:settings.py
- 不遵从robots协议:ROBOTSTXT_OBEY = False
- 指定输出日志的类型:LOG_LEVEL = ‘ERROR’
- 指定UA:USER_AGENT = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.109 Safari/537.36’
编写爬虫文件:spiders/duanzi.py
import scrapyclass DuanziSpider(scrapy.Spider):name = 'duanzi'# allowed_domains = ['www.xxx.com']#对首页进行网络请求#scrapy会对列表中的url发起get请求start_urls = ['https://ishuo.cn/duanzi']def parse(self, response):#如何获取响应数据#调用xpath方法对响应数据进行xpath形式的数据解析li_list = response.xpath('//*[@id="list"]/ul/li')for li in li_list:# content = li.xpath('./div[1]/text()')[0]# title = li.xpath('./div[2]/a/text()')[0]# #<Selector xpath='./div[2]/a/text()' data='一年奔波,尘缘遇了谁'># print(title)#selector的对象,且我们想要的字符串内容存在于该对象的data参数里#解析方案1:# title = li.xpath('./div[2]/a/text()')[0]# content = li.xpath('./div[1]/text()')[0]# #extract()可以将selector对象中data参数的值取出# print(title.extract())# print(content.extract())#解析方案2:#title和content为列表,列表只要一个列表元素title = li.xpath('./div[2]/a/text()')content = li.xpath('./div[1]/text()')#extract_first()可以将列表中第0个列表元素表示的selector对象中data的参数值取出print(title.extract_first())print(content.extract_first())
持久化存储
两种方案:
- 基于终端指令的持久化存储
- 基于管道的持久化存储(推荐)
基于终端指令的持久化存储
只可以将parse方法的返回值存储到指定后缀的文本文件中。
编码流程:
在爬虫文件中,将爬取到的数据全部封装到parse方法的返回值中
import scrapyclass DemoSpider(scrapy.Spider):name = 'demo'# allowed_domains = ['www.xxx.com']start_urls = ['https://ishuo.cn/duanzi']def parse(self, response):# 如何获取响应数据# 调用xpath方法对响应数据进行xpath形式的数据解析li_list = response.xpath('//*[@id="list"]/ul/li')all_data = []#爬取到的数据全部都存储到了该列表中for li in li_list:title = li.xpath('./div[2]/a/text()').extract_first()content = li.xpath('./div[1]/text()').extract_first()#将段子标题和内容封装成parse方法的返回dic = {'title':title,'content':content}all_data.append(dic)return all_data
将parse方法的返回值存储到指定后缀的文本文件中:
- scrapy crawl 爬虫文件名称 -o duanzi.csv
总结:
- 优点:简单,便捷
- 缺点:局限性强
- 只可以将数据存储到文本文件无法写入数据库
- 存储数据文件后缀是指定好的,通常使用.csv
- 需要将存储的数据封装到parse方法的返回值中
基于管道实现持久化存储
优点:极大程度的提升数据存储的效率
缺点:编码流程较多
编码流程
1.在爬虫文件中进行数据解析
def parse(self, response):# 如何获取响应数据# 调用xpath方法对响应数据进行xpath形式的数据解析li_list = response.xpath('//*[@id="list"]/ul/li')all_data = [] # 爬取到的数据全部都存储到了该列表中for li in li_list:title = li.xpath('./div[2]/a/text()').extract_first()content = li.xpath('./div[1]/text()').extract_first()
2.将解析到的数据封装到Item类型的对象中
2.1 在items.py文件中定义相关的字段
class SavedataproItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()#爬取的字段有哪些,这里就需要定义哪些变量存储爬取到的字段title = scrapy.Field()content = scrapy.Field()
2.2 在爬虫文件中引入Item类,实例化item对象,将解析到的数据存储到item对象中
def parse(self, response):from items import SavedataproItem #导入item类# 如何获取响应数据# 调用xpath方法对响应数据进行xpath形式的数据解析li_list = response.xpath('//*[@id="list"]/ul/li')all_data = [] # 爬取到的数据全部都存储到了该列表中for li in li_list:title = li.xpath('./div[2]/a/text()').extract_first()content = li.xpath('./div[1]/text()').extract_first()#实例化一个item类型的对象item = SavedataproItem()#通过中括号的方式访问item对象中的两个成员,且将解析到的两个字段赋值给item对象的两个成员即可item['title'] = titleitem['content'] = content
3.将item对象提交给管道
#将存储好数据的item对象提交给管道 yield item
4.在管道中接收item类型对象(pipelines.py就是管道文件)
管道只可以接收item类型的对象,不可以接收其他类型对象
class SavedataproPipeline:#process_item用来接收爬虫文件传递过来的item对象#item参数,就是管道接收到的item类型对象def process_item(self, item, spider):print(item)return item
5.在管道中对接收到的数据进行任意形式的持久化存储操作
可以存储到文件中也可以存储到数据库中
# Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html# useful for handling different item types with a single interface from itemadapter import ItemAdapterclass SavedataproPipeline:#重写父类的方法fp = Nonedef open_spider(self,spider):print('我是open_spider方法,我在项目开始运行环节,只会被执行一次!')self.fp = open('duanzi.txt','w',encoding='utf-8')#process_item用来接收爬虫文件传递过来的item对象#item参数,就是管道接收到的item类型对象#process_item方法调用的次数取决于爬虫文件给其提交item的次数def process_item(self, item, spider):#item类型的对象其实就是一个字典# print(item)#将item字典中的标题和内容获取title = item['title']content = item['content']self.fp.write(title+':'+content+'\n')print(title,':爬取保存成功!')return itemdef close_spider(self,spider):print('在爬虫结束的时候会被执行一次!')self.fp.close()
6.在配置文件中开启管道机制
- 注意:默认情况下,管道机制是没有被开启的,需要在配置文件中手动开启
- 在setting.py中把ITEM_PIPELINES解除注释就表示开启了管道机制
本文源代码scrapy框架学习(1)代码
python爬虫学习笔记-scrapy框架(1)相关推荐
- python爬虫学习笔记-scrapy框架之start_url
在使用命令行创建scrapy项目后,会发现在spider.py文件内会生成这样的代码: name = 'quotes' allowed_domains = ['quotes.toscrape.com' ...
- 爬虫学习笔记-scrapy框架介绍
优势 批量爬取数据 高效率 架构图 各模块的功能 1,Scrapy Engine(引擎):Scrapy框架的核心部分.负责在Spider和ItemPipeline.Downloader.Schedul ...
- Python爬虫5.3 — scrapy框架spider[Request和Response]模块的使用
Python爬虫5.3 - scrapy框架spider[Request和Response]模块的使用 综述 Request对象 scrapy.Request()函数讲解: Response对象 发送 ...
- python爬虫学习笔记3.2-urllib和request练习
python爬虫学习笔记3.2-urllib和request练习 一.urllib练习 1.百度贴吧案例 需求 分析 手动测试查询流程 观察页面 分析特殊部分 https://tieba.baidu. ...
- python爬虫学习笔记 3.9 (了解参考:训练Tesseract)
python爬虫学习笔记 3.9 (了解参考:训练Tesseract) 参考阅读:训练Tesseract 要使用 Tesseract 的功能,比如后面的示例中训练程序识别字母,要先在系统中设置一 个新 ...
- Python爬虫学习笔记 -- 爬取糗事百科
Python爬虫学习笔记 -- 爬取糗事百科 代码存放地址: https://github.com/xyls2011/python/tree/master/qiushibaike 爬取网址:https ...
- python爬虫学习笔记 1.9 (Handler处理器 和 自定义Opener)
python爬虫学习笔记 1.1(通用爬虫和聚焦爬虫) python爬虫学习笔记 1.2 ( HTTP和HTTPS ) python爬虫学习笔记 1.3 str和bytes的区别 python爬虫学习 ...
- python爬虫学习笔记2模拟登录与数据库
前言 为了加入学校里面一个技术小组,我接受了写一个爬取学校网站通知公告的任务.这个任务比以前写的爬虫更难的地方在于,需要模拟登录才能获得页面,以及将得到的数据存入数据库. 本文按照日期来记录我完成任务 ...
- python 爬虫 学习笔记(一)Scrapy框架入门
沉迷于通过高效算法及经典数据结构来优化程序的时候并不理解,为什么多线程可以优化爬虫运行速度?原来是程序特性所决定的:传统算法的程序复杂度主要来源于计算,但网络程序的计算时间可以忽略不计,网络程序所面临 ...
最新文章
- 删除单链表中的重复节点(c语言版本)
- synchronized的底层原理
- 为什么 Django 框架持续统治着 Python 开发?
- 使用 AppleScript 在 Chrome 中查看当前 Safari 打开的网页
- [MODX] 2. Chunks $
- login aspx实现登陆功能 400电话
- vc++树状控件(TreeCtrl)用法
- linux下无线网卡安装debian,Debian/Linux下无线网卡驱动的安装,网卡型号是「BCM43228」...
- opencv-4.5.5-vc14_vc15配置环境VC++
- 三维GIS+电力巡检,开启电缆通道数字化巡检新局面
- 安装罗斯蒙特HART475协议中文版手操器的系统卡和电池
- Head First 系列书籍分享,Head First Python (中文版·第2版),Head First Java(中文版):第二版——涵盖Java 5.0...
- HTTP/3 强势来袭?!
- 软件架构非功能需求——可靠性
- bmp,jpg,png,tif,wmf,emf与eps图片格式转换
- 如何把字幕文件(.ass)转换为word文件
- 线性空间,度量空间,赋范空间,线性赋范空间,内积空间,巴拿赫空间以及希尔伯特空间、拓扑空间
- 我使用Feign上传文件踩的坑,MultipartFile文件死活传不过去
- Can‘t resolve symbol ‘Depart‘解决方法
- 电脑测试瓶颈的软件,电脑性能检测工具(Fresh Diagnose)