Scrapy 框架

Scrapy 简介

Scray 是用python写的为了爬取网站数据，提取结构性数据的应用框架

Scrapy框架原理图

白话讲解Scrapy 运作流程

代码写好，程序开始运行...

引擎：Hi！Spider`, 你要处理哪一个网站？
Spider：老大要我处理xxxx.com。
引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是xxxxxxx.com。
引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
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
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）
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）
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。
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。
管道``调度器：好的，现在就做！

制作Scrapy爬虫步骤

1.新建项目

scrapy startproject mySpider

此时会出现一个目录结构(以下对各文件进行解释)

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```

2.制作爬虫

scrapy genspider ItCast www.itcast.cn

此时会创建一个爬虫文件夹,打开ItCast.py 爬虫文件会看到以下代码：

class ItcastSpider(scrapy.Spider):

    name = "itcast"   #爬虫的名字

    allowed_domains = ["itcast.cn"]   # 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 = (

        'http://www.itcast.cn/',

    )  # 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

    def 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

        pass

3. 明确目标（mySpider/items.py）

想要爬取那些信息，在Item里定义结构化数据字段，保存爬取到的数据

4.保存数据（pipelines.py）

在管道文件中设置保存数据的方法，可以保存到本地或者数据库

5.运行爬虫程序

一个简单例子

（1） items.py

想要爬取的信息

import scrapy

class ItcastItem(scrapy.Item):

    name = scrapy.Field()

    title = scrapy.Field()

    info = scrapy.Field()

(2) itcastspider.py

写爬虫程序

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import scrapy

from mySpider.items import ItcastItem

# 创建一个爬虫类

class ItcastSpider(scrapy.Spider):

    # 爬虫名

    name = "itcast"

    # 允许爬虫作用的范围

    allowd_domains = ["http://www.itcast.cn/"]

    # 爬虫其实的url

    start_urls = [

        "http://www.itcast.cn/channel/teacher.shtml#aandroid",

    ]

    def parse(self, response):

        #with open("teacher.html", "w") as f:

        #    f.write(response.body)

        # 通过scrapy自带的xpath匹配出所有老师的根节点列表集合

        teacher_list = response.xpath('//div[@class="li_txt"]')

        # 遍历根节点集合

        for each in teacher_list:

            # Item对象用来保存数据的

            item = ItcastItem()

            # name, extract() 将匹配出来的结果转换为Unicode字符串

            # 不加extract() 结果为xpath匹配对象

            name = each.xpath('./h3/text()').extract()

            # title

            title = each.xpath('./h4/text()').extract()

            # info

            info = each.xpath('./p/text()').extract()

            item['name'] = name[0]

            item['title'] = title[0]

            item['info'] = info[0]

            yield item

(3) setting.py 修改

ROBOTSTXT_OBEY = True

DOWNLOAD_DELAY = 4   #防止爬取过快丢失数据

DEFAULT_REQUEST_HEADERS = {

    "User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;",

    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'

}

ITEM_PIPELINES = {

    'tencent.pipelines.TencentPipeline': 300,

}

(4) pipelines.py

数据保存到本地

# -*- coding: utf-8 -*-

import json

class ItcastPipeline(object):

    # __init__方法是可选的，做为类的初始化方法

    def __init__(self):

        # 创建了一个文件

        self.filename = open("teacher.json", "w")

    # process_item方法是必须写的，用来处理item数据

    def process_item(self, item, spider):

        jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n"

        self.filename.write(jsontext.encode("utf-8"))

        return item

    # close_spider方法是可选的，结束时调用这个方法

    def close_spider(self, spider):

        self.filename.close()

（5）运行爬虫程序

 scrapy crawl itcast

巴特西

scrapy（一):基础用法

Scrapy 框架

Scrapy 简介

Scrapy框架原理图

白话讲解Scrapy 运作流程

制作Scrapy爬虫步骤

1.新建项目

2.制作爬虫

3. 明确目标（mySpider/items.py）

4.保存数据（pipelines.py）

5.运行爬虫程序

一个简单例子

最新文章

热门文章