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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 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用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件:
- 引擎(Scrapy)
用来处理整个系统的数据流, 触发事务(框架核心) - 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(抓取网页的网址或者说是链接)的优先队列, 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 - 下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) - 爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 - 项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。 - 下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。 - 爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。 - 调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
一、安装
1、安装wheel pip install wheel 2、安装lxml https://pypi.python.org/pypi/lxml/4.1.0 3、安装pyopenssl https://pypi.python.org/pypi/pyOpenSSL/17.5.0 4、安装Twisted https://www.lfd.uci.edu/~gohlke/pythonlibs/ 5、安装pywin32 https://sourceforge.net/projects/pywin32/files/ 6、安装scrapy pip install scrapy
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
二、爬虫举例
入门篇:美剧天堂前100最新(http://www.meijutt.com/new100.html)
1、创建工程
1
|
scrapy startproject movie |
2、创建爬虫程序
1
2
|
cd movie scrapy genspider meiju meijutt.com |
3、自动创建目录及文件
4、文件说明:
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
items.py
1
2
3
4
5
6
7
8
|
import scrapy class MovieItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() name = scrapy.Field() |
6、编写爬虫
meiju.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# -*- coding: utf-8 -*- import scrapy from movie.items import MovieItem class MeijuSpider(scrapy.Spider): name = "meiju" allowed_domains = [ "meijutt.com" ] start_urls = [ 'http://www.meijutt.com/new100.html' ] def parse(self, response): movies = response.xpath( '//ul[@class="top-list fn-clear"]/li' ) for each_movie in movies: item = MovieItem() item[ 'name' ] = each_movie.xpath( './h5/a/@title' ).extract()[0] yield item |
7、设置配置文件
settings.py增加如下内容
1
|
ITEM_PIPELINES = { 'movie.pipelines.MoviePipeline' :100} |
8、编写数据处理脚本
pipelines.py
1
2
3
4
|
class MoviePipeline( object ): def process_item(self, item, spider): with open( "my_meiju.txt" , 'a' ) as fp: fp.write(item[ 'name' ].encode( "utf8" ) + '\n' ) |
9、执行爬虫
1
2
|
cd movie scrapy crawl meiju --nolog |
10、结果
进阶篇:爬取校花网(http://www.xiaohuar.com/list-1-1.html)
1、创建一个工程
1
|
scrapy startproject pic |
2、创建爬虫程序
1
2
|
cd pic scrapy genspider xh xiaohuar.com |
3、自动创建目录及文件
4、文件说明:
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
1
2
3
4
5
6
7
8
|
import scrapy class PicItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() addr = scrapy.Field() name = scrapy.Field() |
6、编写爬虫
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
# -*- coding: utf-8 -*- import scrapy import os # 导入item中结构化数据模板 from pic.items import PicItem class XhSpider(scrapy.Spider): # 爬虫名称,唯一 name = "xh" # 允许访问的域 allowed_domains = [ "xiaohuar.com" ] # 初始URL start_urls = [ 'http://www.xiaohuar.com/list-1-1.html' ] def parse(self, response): # 获取所有图片的a标签 allPics = response.xpath( '//div[@class="img"]/a' ) for pic in allPics: # 分别处理每个图片,取出名称及地址 item = PicItem() name = pic.xpath( './img/@alt' ).extract()[0] addr = pic.xpath( './img/@src' ).extract()[0] addr = 'http://www.xiaohuar.com' +addr item[ 'name' ] = name item[ 'addr' ] = addr # 返回爬取到的数据 yield item |
7、设置配置文件
1
2
|
# 设置处理返回数据的类及执行优先级 ITEM_PIPELINES = { 'pic.pipelines.PicPipeline' :100} |
8、编写数据处理脚本
1
2
3
4
5
6
7
8
9
10
11
|
import urllib2 import os class PicPipeline( object ): def process_item(self, item, spider): headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0' } req = urllib2.Request(url=item[ 'addr' ],headers=headers) res = urllib2.urlopen(req) file_name = os.path. join (r 'D:\my\down_pic' ,item[ 'name' ]+ '.jpg' ) with open(file_name, 'wb' ) as fp: fp.write(res.read()) |
9、执行爬虫
1
2
|
cd pic scrapy crawl xh --nolog |
结果:
终极篇:我想要所有校花图
注明:基于进阶篇再修改为终极篇
# xh.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
# -*- coding: utf-8 -*- import scrapy import os from scrapy.http import Request # 导入item中结构化数据模板 from pic.items import PicItem class XhSpider(scrapy.Spider): # 爬虫名称,唯一 name = "xh" # 允许访问的域 allowed_domains = [ "xiaohuar.com" ] # 初始URL start_urls = [ 'http://www.xiaohuar.com/hua/' ] # 设置一个空集合 url_set = set () def parse(self, response): # 如果图片地址以http://www.xiaohuar.com/list-开头,我才取其名字及地址信息 if response.url.startswith( "http://www.xiaohuar.com/list-" ): allPics = response.xpath( '//div[@class="img"]/a' ) for pic in allPics: # 分别处理每个图片,取出名称及地址 item = PicItem() name = pic.xpath( './img/@alt' ).extract()[0] addr = pic.xpath( './img/@src' ).extract()[0] addr = 'http://www.xiaohuar.com' +addr item[ 'name' ] = name item[ 'addr' ] = addr # 返回爬取到的信息 yield item # 获取所有的地址链接 urls = response.xpath( "//a/@href" ).extract() for url in urls: # 如果地址以http://www.xiaohuar.com/list-开头且不在集合中,则获取其信息 if url.startswith( "http://www.xiaohuar.com/list-" ): if url in XhSpider.url_set: pass else : XhSpider.url_set.add(url) # 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数 # from scrapy.http import Request # Request(url,callback=self.parse) yield self.make_requests_from_url(url) else : pass |
转载:https://www.cnblogs.com/kongzhagen/p/6549053.html