Scrapy 框架入门简介
一、Scrapy框架简介
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。
Scrapy 常应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
通常我们可以很简单的通过 Scrapy 框架实现一个爬虫,抓取指定网站的内容或图片。
二、Scrapy架构图(绿线是数据流向)
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎(主要功能url去重,构建url队列)。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器).
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
三、Scrapy的运作流程
代码写好,程序开始运行...
1 引擎:Hi!Spider, 你要处理哪一个网站? 2 Spider:老大要我处理xxxx.com。 3 引擎:你把第一个需要处理的URL给我吧。 4 Spider:给你,第一个URL是xxxxxxx.com。 5 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。 6 调度器:好的,正在处理你等一下。 7 引擎:Hi!调度器,把你处理好的request请求给我。 8 调度器:给你,这是我处理好的request 9 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求 10 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载) 11 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的) 12 Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。 13 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。 14 管道``调度器:好的,现在就做!
注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
四、制作 Scrapy 爬虫 一共需要5步:
#新建项目 :新建一个新的爬虫项目
scrapy startproject proName #创建爬虫文件
scrapy genspider spiName "www.xxx.com" #明确目标 (编写items.py):明确你想要抓取的目标 #编写爬虫文件:制作爬虫开始爬取网页 #存储内容 (pipelines.py):设计管道存储爬取内容
五、Scrapy的安装
Windows 安装方式
a. pip3 install wheel
b. pip3 install Twisted-17.0.1-cp35-cp35m-win_amd64.whl
c. pip3 install pywin32
d. pip3 install scrapy
六、入门案例
(一)在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject mySpider
其中, mySpider 为项目名称,可以看到将会创建一个 mySpider 文件夹,目录结构大致如下:
下面来简单介绍一下各个主要文件的作用:
mySpider/
scrapy.cfg
mySpider/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
这些文件分别是:
- scrapy.cfg: 项目的配置文件。
- mySpider/: 项目的Python模块,将会从这里引用代码。
- mySpider/items.py: 项目的目标文件。
- mySpider/pipelines.py: 项目的管道文件。
- mySpider/settings.py: 项目的设置文件。
- mySpider/spiders/: 存储爬虫代码目录。
(二)明确目标
我们打算抓取 http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。
打开 mySpider 目录下的 items.py。
Item 定义结构化数据字段,用来保存爬取到的数据,有点像 Python 中的 dict,但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field 的类属性来定义一个 Item(可以理解成类似于 ORM 的映射关系)。
接下来,创建一个 ItcastItem 类,和构建 item 模型(model)。
import scrapy class ItcastItem(scrapy.Item):
name = scrapy.Field()
title = scrapy.Field()
info = scrapy.Field()
(三)制作爬虫文件
1. 爬数据
在当前目录下输入命令,将在mySpider/spider目录下创建一个名为itcast的爬虫,并指定爬取域的范围:
scrapy genspider itcast "itcast.cn"
打开 mySpider/spider目录里的 itcast.py,默认增加了下列代码:
import scrapy class ItcastSpider(scrapy.Spider):
name = "itcast"
allowed_domains = ["itcast.cn"]
start_urls = (
'http://www.itcast.cn/',
) def parse(self, response):
pass
其实也可以由我们自行创建itcast.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
allow_domains = [ ] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。
start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。
parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:
负责解析返回的网页数据(response.body),提取结构化数据(生成item)
生成需要下一页的URL请求。
将start_urls的值修改为需要爬取的第一个url
start_urls = ("http://www.itcast.cn/channel/teacher.shtml",)
2、取数据,修改parse()方法
from mySpider.items import ItcastItem def parse(self, response):
#open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合
items = [] for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到一个 `ItcastItem` 对象
item = ItcastItem()
#extract()方法返回的都是unicode字符串
name = each.xpath("h3/text()").extract()
title = each.xpath("h4/text()").extract()
info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0] items.append(item) # 直接返回最后数据
return items
我们暂时先不处理管道,此时保存数据可以在终端输入命令,指定-o参数
scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,命令如下:
scrapy crawl itcast -o teachers.json #json格式,默认为Unicode编码 scrapy crawl itcast -o teachers.jsonlines #json lines格式,默认为Unicode编码 scrapy crawl itcast -o teachers.csv #csv 逗号表达式,可用Excel打开 scrapy crawl itcast -o teachers.xml #xml格式
如果将return改成yield,如下所示,yield会将item数据通过引擎提交给管道进行数据的存储
from mySpider.items import ItcastItem def parse(self, response):
#open("teacher.html","wb").write(response.body).close() # 存放老师信息的集合
#items = [] for each in response.xpath("//div[@class='li_txt']"):
# 将我们得到的数据封装到一个 `ItcastItem` 对象
item = ItcastItem()
#extract()方法返回的都是unicode字符串
name = each.xpath("h3/text()").extract()
title = each.xpath("h4/text()").extract()
info = each.xpath("p/text()").extract() #xpath返回的是包含一个元素的列表
item['name'] = name[0]
item['title'] = title[0]
item['info'] = info[0] #items.append(item) #将获取的数据交给pipelines
yield item
此时pipelines.py文件编写如下:
import pymysql
import redis
class MyspiderPipeline(object):
fp = None
def open_spider(self,spider): #此方法只执行一次,在爬虫文件开始被执行时触发此方法
print("开始爬虫...")
self.fp = open('./info.txt','w',encoding='utf-8')
def process_item(self, item, spider):
print("打印item",item)
self.fp.write(item["name"]+':'+item["title"]+':'+item["info"]+'\n')
return item #return的作用是将item交由下一个管道进行相应方式的存储
def close_spider(self,spider): #此方法只执行一次,在爬虫文件执行结束时触发此方法
print('结束爬虫...')
self.fp.close() #将爬虫数据存储在mtsql数据库中
class MysqlPipeline(object):
conn = None
cursor = None
def open_spider(self,spider):
self.conn = pymysql.Connect(host="127.0.0.1",port=3306,user="root",password="",db="scrapy",charset="utf8")
def process_item(self,item,spider):
self.cursor = self.conn.cursor()
try:
sql = "insert into teachers(name,title,info) values (%s,%s,%s)"
self.cursor.execute(sql,[item["name"],item["title"],item["info"]])
self.conn.commit()
return item
except Exception as e:
self.conn.rollback()
def close_spider(self,spider):
self.conn.close()
self.cursor.close() # 将爬虫文件缓存在redis数据库中
class RedisPipeline(object):
conn = None
def open_spider(self, spider):
pool = redis.ConnectionPool(host='127.0.0.1',port=6379,db=5)
self.conn = redis.Redis(connection_pool=pool)
def process_item(self,item,spider):
self.conn.lpush('teachersInfo',item)
return item
pipelines.py
利用管道进行存储时,注意不要忘了对settings.py文件进行相应的配置
ITEM_PIPELINES = {
'mySpider.pipelines.MyspiderPipeline': 300, #数字越小,优先级越高
'mySpider.pipelines.MysqlPipeline': 301,
'mySpider.pipelines.RedisPipeline': 302,
}
settings.py
最新文章
- 在IIS中实现JSP
- C语言深度学习——第一天
- Linux小技巧总结
- rtl8723 2个 wlan
- JZ2440开发笔记(3)——配置TFTP
- 原生js实现的轮播图,易用+可多用
- android 控件注意点
- Spring AOP的注解实现
- hdu 5428
- 基于Kubernates微服务案例
- Json Schema简介
- 包含了重复的“Content”项。.NET SDK 默认包含你项目目录中的“Content”项。可从项目文件中删除这些项;如果希望将其显式包含在项目文件中,可将“EnableDefaultContentItems”属性设置为“false”
- hdoj1087 (DP--LIS)
- java.lang.NoClassDefFoundError: org/hamcrest/SelfDescribing,
- jenkins 配置。
- tensorflow训练了10万次,运行完毕,对这个word2vec终于有点感觉了
- MultiplyVector方法
- 关于C语言中%p和%X的思考
- winform中webBrowser模拟网页操作中遇到的问题
- TCP系列51—拥塞控制—14、TLP、ER与拥塞控制
热门文章
- 『TensorFlow2.0正式版教程』极简安装TF2.0正式版(CPU&;GPU)教程
- Mybatis的xml文件对大于号小于号的特殊处理!
- PHP将base64数据流转换成图片并保存
- 使用 Chrome 对长网页(知乎、微信公众号文章)进行完整截图
- wx.navigateTo、wx.redirectTo、wx.reLaunch、wx.switchTab和wx.navigateBack的区别
- 章节十七章、2- 给执行失败的case截图
- 支撑微博亿级社交平台,小白也能玩转Redis集群(原理篇)
- 如何正确的在 Android 上使用协程 ?
- firefox 实用插件推荐和使用
- 机器学习:LibSVM与weka在eclipse中的使用