python爬虫入门(六) Scrapy框架之原理介绍
Scrapy框架
Scrapy简介
-
Scrapy是用纯Python实现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,用途非常广泛。
-
框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。
-
Scrapy 使用了 Twisted
['twɪstɪd]
(其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。
Scrapy架构
-
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
。 -
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)
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
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.明确目标(mySpider/items.py)
想要爬取哪些信息,在Item里面定义结构化数据字段,保存爬取到的数据
3.制作爬虫(spiders/xxxxSpider.py)
import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
-
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:
4.保存数据(pipelines.py)
在管道文件里面设置保存数据的方法,可以保存到本地或数据库
温馨提醒
第一次运行scrapy项目的时候
出现-->"DLL load failed" 错误提示,需要安装pypiwin32模块
先写个简单入门的实例
(1)items.py
想要爬取的信息
# -*- coding: utf-8 -*- 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/"] # 爬虫起始的url start_urls = [ "http://www.itcast.cn/channel/teacher.shtml#", ] def parse(self, response): teacher_list = response.xpath('//div[@class="li_txt"]') # 所有老师信息的列表集合 teacherItem = [] # 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].encode("gbk") item['title'] = title[0].encode("gbk") item['info'] = info[0].encode("gbk") teacherItem.append(item) return teacherItem
输入命令:scrapy crawl itcast -o itcast.csv 保存为 ".csv"的格式
管道文件pipelines.py的用法
(1)setting.py修改
ITEM_PIPELINES = { #设置好在管道文件里写的类 'mySpider.pipelines.ItcastPipeline': 300, }
(2)itcastspider.py
#!/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)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()
(4)items.py
# -*- coding: utf-8 -*- import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
posted on 2018-02-25 16:19 zhang_derek 阅读(2979) 评论(3) 编辑 收藏 举报