scrapy爬虫框架简绍与安装使用
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。 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组件说明:
- 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-引擎向spiders要url;
2-引擎将要爬取的url给调度器;
3-调度器将url生成的请求对象放到指定的队列中;
4-从队列中出列一个请求;
5-引擎将请求交给下载器处理;
6-下载器发送请求获得互联网数据;
7-下载器将数据返回给引擎;
8-引擎将数据交给spiders;
9-spiders通过xpath解析该数据得到数据或url;
10-spiders将解析后的数据或url回给引擎;
11-引擎判断数据(如果是数据交给管道处理器,如果是url交给调度器)
安装与使用
(1)去https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载twisted版本的whl文件
百度云链接:链接 提取码:sbgp
然后去win黑框输入 pip install (文件位置安全属性找) 然后安装 pip install
bs4
requests
lxml
pywin32
PyOpenSSL
scrapy
mitmproxy
-i https://mirrors.aliyun.com/pypi/simple/
(安装过程缓慢,可以使用豆瓣源)
eg: pip install bs4 -i https://mirrors.aliyun.com/pypi/simple/
(2)目录结构:会生成两重项目名称,
第一重包包含scarpy.cfg,第二重包包含其他文件,并包含spiders爬虫目录(爬虫文件在此文件内)
1.spiders 爬虫目录,包含爬虫文件
2.items.py 定义数据结构的地方
3.middlewares.py 中间件
(当需要配置IP代理时在此文件中
def process_request(self,request,apider):
request.meta["proxy"] = "http[s]://ip:port"
return None)
4.pipelines.py 管道文件
5.settings.py 项目配置文件,配置适用于项目内的每个spider
(1~ITEM_PIPELINES管道配置,用于item后处理,需要在pipelines文件或调用源文件中重写相应类,
并配置相应数据库属性
2~LOG 日志配置(LOG_LEVEL 设置日志显示等级,此举动决定了显示哪些,不显示哪些日志
LOG_FILE 将屏幕显示的信息记录到文件中,屏幕中不再显示)
3~DOWNLOADER_MIDDLEWARES 下载中间件(打开配置,在对应文件位置添加IP代理如:DOWNLOADER_MIDDLEWARES = { 'exam.middlewares.ExamDownloaderMiddleware': 543,},并在相应文件内添加具体IP)
4~DOWNLOAD_DELAY =1 设置爬取延迟时间,保护网站服务器
5~分布式爬虫配置
(#scrapy_redis指纹去重类
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 调度器使用是scrapy_redis的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 爬取的过程中是否允许暂停
SCHEDULER_PERSIST = True
# 配置存储的redis服务器
REDIS_HOST = '10.0.112.191'
REDIS_PORT = 6379))
(2)使用(eg:斗鱼)
创建Scrapy项目:
scrapy startproject douyu
进入spiders:
cd douyu/douyu/spiders
使用项目命令genspider创建Spider
scrapy genspider dy https://www.douyu.com/
(预知后事如何,请等下次更新)
scrapy爬虫框架简绍与安装使用相关推荐
- scrapy爬虫框架windows下的安装问题
windows操作系统 python版本是3.6.0 通过Anaconda命令conda install scrapy安装scrapy,安装过程中没有问题. 然后在命令行输入命令准备新建项目时,输入 ...
- python的scrapy框架的安装_Python3环境安装Scrapy爬虫框架过程及常见错误
Windows •安装lxml 最好的安装方式是通过wheel文件来安装,http://www.lfd.uci.edu/~gohlke/pythonlibs/,从该网站找到lxml的相关文件.假如是P ...
- 第五章 Scrapy爬虫框架(5.1 Scrapy框架基础)
Scrapy是一个高级Web爬虫框架,用于爬取网站并从页面中提取结构化数据.它可以用于数据挖掘.数据监控和自动化测试等多个方面.与之前讲过的Requests库和Selenium库不同,Scrapy更适 ...
- python创建scrapy_Python爬虫教程-31-创建 Scrapy 爬虫框架项目
首先说一下,本篇是在 Anaconda 环境下,所以如果没有安装 Anaconda 请先到官网下载安装 Scrapy 爬虫框架项目的创建0.打开[cmd] 1.进入你要使用的 Anaconda 环境1 ...
- Python 网络爬虫笔记9 -- Scrapy爬虫框架
Python 网络爬虫笔记9 – Scrapy爬虫框架 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程链接:Py ...
- 【数据分析】干货!一文教会你 Scrapy 爬虫框架的基本使用
出品:Python数据之道 (ID:PyDataLab) 作者:叶庭云 编辑:Lemon 一.scrapy 爬虫框架介绍 在编写爬虫的时候,如果我们使用 requests.aiohttp 等库,需要从 ...
- linux scrapy 定时任务_2019Python学习教程(全套Python学习视频):Scrapy爬虫框架入门...
Scrapy爬虫框架入门 Scrapy概述 Scrapy是Python开发的一个非常流行的网络爬虫框架,可以用来抓取Web站点并从页面中提取结构化的数据,被广泛的用于数据挖掘.数据监测和自动化测试等领 ...
- Scrapy爬虫框架(实战篇)【Scrapy框架对接Splash抓取javaScript动态渲染页面】
(1).前言 动态页面:HTML文档中的部分是由客户端运行JS脚本生成的,即服务器生成部分HTML文档内容,其余的再由客户端生成 静态页面:整个HTML文档是在服务器端生成的,即服务器生成好了,再发送 ...
- 崔老哥python scrapy爬虫框架入门
Scrapy 爬虫框架入门案例详解 Scrapy入门 创建项目 创建Spider 创建Item 解析Response 使用Item 后续Request 保存到文件 使用Item Pipeline 源代 ...
最新文章
- Oracle物化视图
- 2017-2018-2 『网络对抗技术』Exp1:PC平台逆向破解 20165335
- java的自动类型转换和强制类型转换
- 软件工程导论团队介绍——信科吴彦组
- scala中的协变和逆变
- c语言int函数使用方法,int函数的使用方法_Excel中int函数的操作用法
- python 正则表达式 前瞻_Python的正则表达式
- Unity3d之坦克对战游戏 AI设计
- 线程学习(13)-偏向锁
- 计算机映像缺失磁盘如何修复,重装Win10系统找不到硬盘的解决方法
- 读书笔记:《浪潮之巅:下》
- 省市区行政区编码和具体行政区名转换
- 5G极化码之父造访华为 任正非称将持续基础研究投入
- Keil uVision5 5.38官方下载、安装及注册教程
- Android 根据银行卡号查询银行名称
- Oracle找回被删除的数据
- 甘肃省兰州市谷歌卫星地图下载
- 基于STM32单片机的智能手环心率计步器体温显示方案原理图程序设计
- android studio开发工具升级到3.6.0以后,android:screenOrientation=“portrait” 一直警告报红
- MySQL管理系统WEB版(1) : 1.0
热门文章
- Flip Image 2014 ( V4.0.2 ) 商业版试用版免费下载(含电子古籍、家谱制作功能)
- cache-cloud 编译
- php输出圆周率100位,圆周率1500多位
- 我:一个阿里在职8年软件测试工程师自述
- win10安装PL2303_Prolific_DriverInstaller_v1.5.0驱动
- 观其关键字排名查询工具_seo常用工具统计
- python画聚类图、并且把聚类图保存起来_Python利用igraph绘制复杂网络聚类(社区检测)结果图-Go语言中文社区...
- IGES格式文件举例
- 李宏毅机器学习特训营——regression课程笔记
- bzoj 2733 永无岛