05 爬虫之scrapy
一 scrapy框架简介
01 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)的具有很强通用性的项目模板。对于框架的学习,重点是要学习其框架的特性、各个功能的用法即可。
Scrapy一个开源和协作的框架,其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛,可用于如数据挖掘、监测和自动化测试等领域,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 是基于twisted框架开发而来,twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞(又名异步)的代码来实现并发。
整体架构大致如下:
流程解释:
1,spider打开某网页,获取到一个或者多个request,经由scrapy engine传送给调度器scheduler request特别多并且速度特别快会在scheduler形成请求队列queue,由scheduler安排执行 2,schelduler会按照一定的次序取出请求,经由引擎, 下载器中间键,发送给下载器dowmloader 这里的下载器中间键是设定在请求执行前,因此可以设定代理,请求头,cookie等 3,下载下来的网页数据再次经过下载器中间键,经过引擎,经过爬虫中间键传送给爬虫spiders 这里的下载器中间键是设定在请求执行后,因此可以修改请求的结果 这里的爬虫中间键是设定在数据或者请求到达爬虫之前,与下载器中间键有类似的功能 4,由爬虫spider对下载下来的数据进行解析,按照item设定的数据结构经由爬虫中间键,引擎发送给项目管道itempipeline 这里的项目管道itempipeline可以对数据进行进一步的清洗,存储等操作 这里爬虫极有可能从数据中解析到进一步的请求request,它会把请求经由引擎重新发送给调度器shelduler,调度器循环执行上述操作 5,项目管道itempipeline管理着最后的输出
常用组件解释:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1、引擎(EGINE) 引擎负责控制系统所有组件之间的数据流,并在某些动作发生时触发事件。有关详细信息,请参见上面的数据流部分。 2、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的优先级队列, 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 3、下载器(DOWLOADER) 用于下载网页内容, 并将网页内容返回给EGINE,下载器是建立在twisted这个高效的异步模型上的 4、爬虫(SPIDERS) SPIDERS是开发人员自定义的类,用来解析responses,并且提取items,或者发送新的请求 5、项目管道(ITEM PIPLINES) 在items被提取后负责处理它们,主要包括清理、验证、持久化(比如存到数据库)等操作 下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间,主要用来处理从EGINE传到DOWLOADER的请求request,已经从DOWNLOADER传到EGINE的响应response, 你可用该中间件做以下几件事: (1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website); (2) change received response before passing it to a spider; (3) send a new Request instead of passing received response to a spider; (4) pass response to a spider without fetching a web page; (5) silently drop some requests. 6、爬虫中间件(Spider Middlewares) 位于EGINE和SPIDERS之间,主要工作是处理SPIDERS的输入(即responses)和输出(即requests)
02 scrapy的安装
#Linux: pip3 install scrapy #Windows: a. pip3 install wheel b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl d. pip3 install pywin32 e. pip3 install scrapy
03 常用命令
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 # 1 查看帮助 2 scrapy -h 3 scrapy <command> -h 4 5 # 2 有两种命令:其中Project-only必须切到项目文件夹下才能执行,而Global的命令则不需要 6 Global commands: 7 startproject #创建项目 8 genspider #创建爬虫程序 9 settings #如果是在项目目录下,则得到的是该项目的配置 10 runspider #运行一个独立的python文件,不必创建项目 11 shell #scrapy shell url地址 在交互式调试,如选择器规则正确与否 12 fetch #独立于程单纯地爬取一个页面,可以拿到请求头 13 view #下载完毕后直接弹出浏览器,以此可以分辨出哪些数据是ajax请求 14 version #scrapy version 查看scrapy的版本,scrapy version -v查看scrapy依赖库的版本 15 Project-only commands: 16 crawl #运行爬虫,必须创建项目才行,确保配置文件中ROBOTSTXT_OBEY = False 17 check #检测项目中有无语法错误 18 list #列出项目中所包含的爬虫名 19 edit #编辑器,一般不用 20 parse #scrapy parse url地址 --callback 回调函数 #以此可以验证我们的回调函数是否正确 21 bench #scrapy bentch压力测试 22 23 # 3 官网链接 24 https://docs.scrapy.org/en/latest/topics/commands.html
特别注意:
创建项目: scrapy startproject 名称
创建新业务: 会先提醒进入项目 cd 项目名称
创建业务指令: scrapy genspider 业务名称 域名
运行程序:
scrapy crawl 业务名称
scrapy crawl 爬虫名称
-
-
nolog:该种执行形式不会显示执行的日志信息
小项目:爬取糗事百科文章笑话:
spider:qiubai.py
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 # -*- coding: utf-8 -*- 2 import scrapy 3 from ..items import QiubaiItem 4 5 6 7 class QiubaiSpider(scrapy.Spider): 8 name = 'qiubai' 9 allowed_domains = ['www.qiushibaike.com'] 10 start_urls = ['http://www.qiushibaike.com/'] 11 12 13 def start_requests(self): 14 url = "https://www.qiushibaike.com/text/" 15 request = scrapy.Request(url) 16 yield request 17 18 19 def parse(self, response): 20 print(">>>", response) 21 contents = response.xpath('//*[@id="content-left"]/div') 22 data=[] 23 for item in contents: 24 dic={} 25 author = item.xpath('.//*[@class="author clearfix"]/*[2]/h2/text()').extract()[0].strip() 26 content = item.xpath('.//*[@class="contentHerf"]/div/span/text()').extract()[0].strip() 27 # data.append( 28 # {"author":author, 29 # "content":content} 30 # ) 31 item = QiubaiItem() #实例化QiubaiItem() 以获得统一的命名格式 32 item["author"] = author 33 item["content"] = content 34 yield item
items:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
import scrapy class QiubaiItem(scrapy.Item): # define the fields for your item here like: author = scrapy.Field() content = scrapy.Field()
pipeline:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html import pymongo 注意,若采用双管道存放数据的话要去settings 更改 ITEM_PIPELINES,并设置优先级 此时更改示例如:\ ITEM_PIPELINES = { 'QiuBai.pipelines.QiubaiMongoPipeline': 500, 'QiuBai.pipelines.QiubaiFilePipeline': 300, # 优先级越小越高 } # 管道一:将数据存入数据库 class QiubaiMongoPipeline(object): # def parse(self, response) 会将获得的数据通过yield data传到此处 def open_spider(self, spider): print("爬虫开始....") def close_spider(self, spider): print("爬虫结束...") def process_item(self, item, spider): print("mongo....") # 1 连接mongo数据库(确保数据库是开着的) client = pymongo.MongoClient(host='localhost', port=27017) # 2 获取数据库以及集合 db = client.spider if dict(item): db.qiubai.save(dict(item)) # 清洗数据,校验数据,存储到数据库 return item # 管道二:将数据存入文档中 class QiubaiFilePipeline(object): # @classmethod # def from_crawler(cls, crawler): # pass def open_spider(self, spider): #会在爬虫程序开始前启动 print("QiubaiFilePipeline开始....") def close_spider(self, spider): #会在爬虫程序结束后启动 print("QiubaiFilePipeline结束...") def process_item(self, item, spider): print("file....") import json with open("qiubai.txt","a",encoding="utf8") as f: f.write(json.dumps(dict(item),ensure_ascii=False)+"\n") return item
以下是scrapy常用几个模块:
Spider:
Spiders是定义如何抓取某个站点(或一组站点)的类,包括如何执行爬行(即跟随链接)以及如何从其页面中提取结构化数据(即抓取项目)。换句话说,Spiders是您为特定站点(或者在某些情况下,一组站点)爬网和解析页面定义自定义行为的地方。
1、 生成初始的Requests来爬取第一个URLS,并且标识一个回调函数 第一个请求定义在start_requests()方法内默认从start_urls列表中获得url地址来生成Request请求, 默认的回调函数是parse方法。回调函数在下载完成返回response时自动触发 2、 在回调函数中,解析response并且返回值 返回值可以4种: 包含解析数据的字典 Item对象 新的Request对象(新的Requests也需要指定一个回调函数) 或者是可迭代对象(包含Items或Request) 3、在回调函数中解析页面内容 通常使用Scrapy自带的Selectors,但很明显你也可以使用Beutifulsoup,lxml或其他你爱用啥用啥。 4、最后,针对返回的Items对象将会被持久化到数据库 通过Item Pipeline组件存到数据库:https://docs.scrapy.org/en/latest/topics/item-pipeline.html#topics-item-pipeline) 或者导出到不同的文件(通过Feed exports:https://docs.scrapy.org/en/latest/topics/feed-exports.html#topics-feed-exports)
还有pipeline,items,等
详见:https://www.cnblogs.com/pyedu/p/10314215.html