5.1-python爬虫之Scrapy框架及入门
系列文章目录
python爬虫目录
文章目录
- 系列文章目录
- 前言
- 一、Scrapy框架架构
- 1、Scrapy框架介绍
- 2、Scrapy架构图
- 3、Scrapy框架模块功能
- 二、安装和文档
- 三、快速入门
- 1、创建项目
- 2、目录结构介绍
- 3、使用Scrapy框架爬取糗事百科段子
- 4、优化数据存储方式
- 1、JsonItemExporter
- 2、JsonLinesItemExporter
- 5、抓取多个页面
前言
摘录自B站对应课程笔记
不愧是清华大佬!把Python网络爬虫讲得如此简单明了!从入门到精通保姆级教程(建议收藏)
以下是本篇文章正文内容,下面案例可供参考
一、Scrapy框架架构
1、Scrapy框架介绍
写一个爬虫,需要做很多的事情。比如:发送网络请求、数据解析、数据存储、反反爬虫机制(更换ip代理、设置请求头等)、异步请求等。这些工作如果每次都要自己从零开始写的话,比较浪费时间。因此Scrapy把一些基础的东西封装好了,在他上面写爬虫可以变的更加的高效(爬取效率和开发效率)。因此真正在公司里,一些上了量的爬虫,都是使用Scrapy框架来解决。
2、Scrapy架构图
3、Scrapy框架模块功能
Scrapy Engine(引擎)
:Scrapy框架的核心部分。负责在Spider和ItemPipeline、Downloader、Scheduler中间通信、传递数据等。Spider(爬虫)
:发送需要爬取的链接给引擎,最后引擎把其他模块请求回来的数据再发送给爬虫,爬虫就去解析想要的数据。这个部分是我们开发者自己写的,因为要爬取哪些链接,页面中的哪些数据是我们需要的,都是由程序员自己决定。Scheduler(调度器)
:负责接收引擎发送过来的请求,并按照一定的方式进行排列和整理,负责调度请求的顺序等。Downloader(下载器)
:负责接收引擎传过来的下载请求,然后去网络上下载对应的数据再交还给引擎。Item Pipeline(管道)
:负责将Spider(爬虫)传递过来的数据进行保存。具体保存在哪里,应该看开发者自己的需求。Downloader Middlewares(下载中间件)
:可以扩展下载器和引擎之间通信功能的中间件。Spider Middlewares(Spider中间件)
:可以扩展引擎和爬虫之间通信功能的中间件。
二、安装和文档
- 安装:通过
pip install scrapy
即可安装。 - Scrapy官方文档:http://doc.scrapy.org/en/latest
- Scrapy中文文档:http://scrapy-4. chs.readthedocs.io/zh_CN/latest/index.html
1、在ubuntu上安装scrapy之前,需要先安装以下依赖,然后再通过pip install scrapy
安装。:
sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
2、如果在windows系统下,提示这个错误ModuleNotFoundError: No module named 'win32api'
,那么使用以下命令可以解决:pip install pypiwin32
。
三、快速入门
1、创建项目
要使用Scrapy框架创建项目,需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建:
scrapy startproject [项目名称]
2、目录结构介绍
以下介绍下主要文件的作用:
items.py
:用来存放爬虫爬取下来数据的模型。
middlewares.py
:用来存放各种中间件的文件。
pipelines.py
:用来将items的模型存储到本地磁盘中。
settings.py
:本爬虫的一些配置信息(比如请求头、多久发送一次请求、ip代理池等)。
scrapy.cfg
:项目的配置文件。
spiders包
:以后所有的爬虫,都是存放到这个里面。
3、使用Scrapy框架爬取糗事百科段子
使用命令创建一个爬虫:
进入到项目所在的路径,执行命令 scrapy genspider [爬虫名] [爬虫域名]
.注意, 爬虫名字不能和项目名称一致。
scrapy genspider qsbk_spider "qiushibaike.com"
创建了一个名字叫做 qsbk_spider 的爬虫,并且能爬取的网页只会限制在 qiushibaike.com 这个域名下。
爬虫代码解析:
import scrapyclass QsbkSpiderSpider(scrapy.Spider):name = 'qsbk_spider'allowed_domains = ['qiushibaike.com']start_urls = ['http://qiushibaike.com/']def parse(self, response):pass
其实这些代码我们完全可以自己手动去写,而不用命令。只不过是不用命令,自己写这些代码比较麻烦。要创建一个Spider,那么必须自定义一个类,继承自scrapy.Spider,然后在这个类中定义三个属性和一个方法。
name
:这个爬虫的名字,名字必须是唯一的。allow_domains
:允许的域名。爬虫只会爬取这个域名下的网页,其他不是这个域名下的网页会被自动忽略。start_urls
:爬虫从这个变量中的url开始。parse
:引擎会把下载器下载回来的数据扔给爬虫解析,爬虫再把数据传给这个parse方法。这个是个固定的写法。这个方法的作用有两个,第一个是提取想要的数据。第二个是生成下一个请求的url。
修改settings.py代码:
在做一个爬虫之前,一定要记得修改setttings.py中的设置。两个地方是强烈建议设置的。
ROBOTSTXT_OBEY
设置为 False。默认是True。即遵守机器协议,那么在爬虫的时候,scrapy首先去找robots.txt文件,如果没有找到。则直接停止爬取。DEFAULT_REQUEST_HEADERS
添加 User-Agent。这个也是告诉服务器,我这个请求是一个正常的请求,不是一个爬虫。
简单运行爬虫:
在项目根目录下执行命令来运行爬虫代码:scrapy crawl qsbk_spider
完成的爬虫代码:
1、 爬虫部分代码:
import scrapy
from scrapy.http.response.html import HtmlResponse
from scrapy.selector.unified import SelectorList
from qsbk.items import QsbkItemclass QsbkSpiderSpider(scrapy.Spider):name = 'qsbk_spider'allowed_domains = ['qiushibaike.com']start_urls = ['https://www.qiushibaike.com/text/page/1/']def parse(self, response):# SelectorListduanziDivs = response.xpath("//div[@class='col1 old-style-col1']/div")for duanziDiv in duanziDivs:# duanziDiv 类型: Selectorauther = duanziDiv.xpath(".//h2/text()").get().strip()content = duanziDiv.xpath(".//div[@class='content']//text()").getall()content = "".join(content).strip()item = QsbkItem(auther=auther, content=content)# duanzi = {"auther": auther, "content": content}# 方法将返回一个生成器yield item
2、items.py部分代码:
import scrapyclass QsbkItem(scrapy.Item):auther = scrapy.Field()content = scrapy.Field()
3、pipeline部分代码:
import jsonclass QsbkPipeline:def __init__(self):self.fp = open("duanzi.json", "w", encoding="utf-8")def open_spider(self, spider):print("爬虫开始。。。。")def process_item(self, item, spider):item_json = json.dumps(dict(item), ensure_ascii=False)self.fp.write(item_json + "\n")return itemdef close_spider(self, spider):print("爬虫结束。。。")self.fp.close()
运行scrapy项目:
运行scrapy项目。需要在终端,进入项目所在的路径,然后scrapy crawl [爬虫名字]即可运行指定的爬虫。如果不想每次都在命令行中运行,那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做start.py,然后在这个文件中填入以下代码:
from scrapy import cmdline# 下面是等价的
cmdline.execute(["scrapy", "crawl", "qsbk_spider"])
# cmdline.execute("scrapy crawl qsbk_spider".split())
Scrapy框架爬取糗事百科段子总结
1、response
是一个 scrapy.http.response.html.HtmlResponse
对象。可以执行 xpath 和 css 语法来提取数据。
2、提取出来的数据,是一个 Selector 或是一个 SelectorList
对象。如果想要获取其中的字符串,那么应该执行 getall 或者 get 方法
3、getall
方法 :获取 Selector 中所有的文本。返回的是一个列表
4、get
方法:获取的是 Selector 中的第一个文本。返回的是一个 str 类型。
5、如果数据解析回来,要传给 pipeline 处理,那么可以使用 yield 来返回。或者是收集所有的 item. 最后统一使用 return 返回。
6、item
:建议在 items.py 中定义号模型,以后就不要使用字典。
7、pipeline
: 这是一个专门用来保存数据的,其中三个方法是经常用到:
open_spoder(self, spider)
:当爬虫被打开时候执行。
process_spider(self, item, spider)
: 当爬虫有 item 传过来的时候会被调用。
close_spider(self, spider)
:当爬虫关闭的时候会被调用
注意:要激活 pipeline ,应该在 setting.py 中,设置 ITEM_PIPELINE。示例如下
# pipelines 和 优先级, 优先级值越小,越先运行
ITEM_PIPELINES = {'qsbk.pipelines.QsbkPipeline': 300,
}
4、优化数据存储方式
JsonItemExporter
和 JsonLinesItemExporter
保存json 数据的时候,可以使用这个两个类,让操作变得更简单:
1、JsonItemExporter
这个是每次把数据添加到内存中,最后统一写入到磁盘中。
好处是,存储的是一个满足json规则的数据。
坏处是,如果数据量比较大,那么比较耗内存
from scrapy.exporters import JsonItemExporterclass QsbkPipeline:def __init__(self):self.fp = open("duanzi.json", "wb")self.exporter = JsonItemExporter(self.fp, encoding="utf-8", ensure_ascii=False )def open_spider(self, spider):print("爬虫开始。。。。")self.exporter.start_exporting()def process_item(self, item, spider):self.exporter.export_item(item)return itemdef close_spider(self, spider):print("爬虫结束。。。")self.exporter.finish_exporting()self.fp.close()
2、JsonLinesItemExporter
这个是每次调用 export_item 的时候把这个item 存储到硬盘中。
好处是,每次处理数据的时候,就直接存储到硬盘中,不会消耗内存,数据也比较安全
坏处是,每一个字典是一行,整个文件不是一个满足json格式的文件
from scrapy.exporters import JsonLinesItemExporterclass QsbkPipeline:def __init__(self):self.fp = open("duanzi.json", "wb")self.exporter = JsonLinesItemExporter(self.fp, encoding="utf-8", ensure_ascii=False )def open_spider(self, spider):print("爬虫开始。。。。")def process_item(self, item, spider):self.exporter.export_item(item)return itemdef close_spider(self, spider):print("爬虫结束。。。")self.fp.close()
5、抓取多个页面
import scrapy
from scrapy.http.response.html import HtmlResponse
from scrapy.selector.unified import SelectorList
from qsbk.items import QsbkItemclass QsbkSpiderSpider(scrapy.Spider):name = 'qsbk_spider'allowed_domains = ['qiushibaike.com']start_urls = ['https://www.qiushibaike.com/text/page/1/']base_domain = "https://www.qiushibaike.com"def parse(self, response):# SelectorListduanziDivs = response.xpath("//div[@class='col1 old-style-col1']/div")for duanziDiv in duanziDivs:# duanziDiv 类型: Selectorauther = duanziDiv.xpath(".//h2/text()").get().strip()content = duanziDiv.xpath(".//div[@class='content']//text()").getall()content = "".join(content).strip()item = QsbkItem(auther=auther, content=content)# duanzi = {"auther": auther, "content": content}# 方法将返回一个生成器yield itemnext_url = response.xpath("//ul[@class='pagination']/li[last()]/a/@href").get()if not next_url:return # 访问到最后一页没有“下一页”按钮,最后一个 li 没有 hrefelse:# 重启创建一个请求,让调度器处理yield scrapy.Request(self.base_domain + next_url, callback=self.parse)
5.1-python爬虫之Scrapy框架及入门相关推荐
- Python爬虫:Scrapy 框架快速入门及实战演练
文章目录 一.Scrapy 框架准备 二.快速启动项目 1.创建项目结构 2.创建爬虫 3.更改设置 4.爬虫类分析 5.编写启动脚本 三.爬虫实战 1.初步探索 2.优化数据模型 3.优化数据存储方 ...
- python爬虫之Scrapy框架的post请求和核心组件的工作 流程
python爬虫之Scrapy框架的post请求和核心组件的工作 流程 一 Scrapy的post请求的实现 在爬虫文件中的爬虫类继承了Spider父类中的start_urls,该方法就可以对star ...
- Python爬虫之scrapy框架360全网图片爬取
Python爬虫之scrapy框架360全网图片爬取 在这里先祝贺大家程序员节快乐,在此我也有一个好消息送给大家,本人已开通了微信公众号,我会把资源放在公众号上,还请大家小手动一动,关注过微信公众号, ...
- Python爬虫之Scrapy框架爬虫实战
Python爬虫中Scrapy框架应用非常广泛,经常被人用于属于挖掘.检测以及自动化测试类项目,为啥说Scrapy框架作为半成品我们又该如何利用好呢 ?下面的实战案例值得大家看看. 目录: 1.Scr ...
- 19. python爬虫——基于scrapy框架爬取网易新闻内容
python爬虫--基于scrapy框架爬取网易新闻内容 1.需求 [前期准备] 2.分析及代码实现 (1)获取五大板块详情页url (2)解析每个板块 (3)解析每个模块里的标题中详情页信息 1.需 ...
- python爬虫——用Scrapy框架爬取阳光电影的所有电影
python爬虫--用Scrapy框架爬取阳光电影的所有电影 1.附上效果图 2.阳光电影网址http://www.ygdy8.net/index.html 3.先写好开始的网址 name = 'yg ...
- 14. python爬虫——基于scrapy框架爬取糗事百科上的段子内容
python爬虫--基于scrapy框架爬取糗事百科上的段子内容 1.需求 2.分析及实现 3.实现效果 4.进行持久化存储 (1)基于终端指令 (2)基于管道 [前置知识]python爬虫--scr ...
- python爬虫之Scrapy框架,基本介绍使用以及用框架下载图片案例
一.Scrapy框架简介 Scrapy是:由Python语言开发的一个快速.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,只需要实现少量的代码,就能够快速的抓取. S ...
- Python爬虫之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) ...
- 18.Python爬虫之Scrapy框架
scrapy 框架 01. Scrapy 链接 02. Scrapy 的爬虫流程 03. Scrapy入门 04. setting.py文件中的常用设置 4.1. logging模块的使用 4.2. ...
最新文章
- 与springcloud整合的框架源码读取入口
- 人工智能可能成为我们检测COVID-19最有效的方法吗?
- 为什么字节跳动、腾讯、阿里都在用Python??
- LeetCode Self Crossing(判断是否相交)
- Ubuntu 18.10安装MySql8.0.13
- 华为手机销量超过苹果,华为能算是全球第二大手机厂家吗?
- fanuc机器人控制柜接线_FANUC涂胶标定参考
- C语言Main函数到底有几种,你真的懂吗?
- 基于Bresenham和DDA算法画线段
- mysql 和区块链的差别_论区块链是什么数据库——正名篇
- 阿里开发者们的第16个感悟:让阅读源码成为习惯
- 互联网、SaaS的技术挑战与机遇
- 低代码开发初体验一分钟——Jeecg-Boot 在线报表开发
- mysql排序显示行数的语句_MySQL中sql语句count(*),orderby,随机数据展示。
- mysql联合索失效_mysql 联合索引生效的条件、索引失效的条件
- Sql Server 2014 双节点群集无法切到其中一节点解决
- Spring之控制反转(IOC)
- MathML学习:几个高等数学公式的MathML源码
- 软件测试岗位职责和划分
- c语言程序设计50例(经典收藏),C语言程序设计50例(经典收藏)
热门文章
- 10个有效管理人员的 “黄金 “法则|优思学院
- STM32CubeIDE HAL库操作IIC (二)案例篇(MPU9250)
- 【PaddleOCR】Paddle-Lite, Paddle2ONNX介绍, 学习教程...
- Matlab—微积分运算
- SQL server 数据库表的配置及其表的导入导出
- 如何看懂Minecraft报错的关键信息。
- c++中exit()函数
- findContours函数详细解析
- 扩展二叉树的中序序列创建二叉树?
- sass-loader@13.2.0“ has unmet peer dependency “webpack@^5.0.0“