爬虫之scrapy入门
1.介绍
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处理, 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
2.下载
1 Linux 2 pip3 install scrapy 3 4 5 Windows 6 a. pip3 install wheel 7 b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 8 c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl 9 d.pyOpenSSL https://pypi.python.org/pypi/pyOpenSSL#downloads 10 d. 下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/ 11 e. pip3 install scrapy
3.基础使用
1 1. scrapy startproject 项目名称 2 - 在当前目录中创建中创建一个项目文件(类似于Django) 3 4 2. scrapy genspider [-t template] <name> <domain> 5 - 创建爬虫应用 6 如: 7 scrapy gensipider -t basic oldboy oldboy.com 8 scrapy gensipider -t xmlfeed autohome autohome.com.cn 9 PS: 10 查看所有命令:scrapy gensipider -l 11 查看模板命令:scrapy gensipider -d 模板名称 12 13 3. scrapy list 14 - 展示爬虫应用列表 15 16 4. scrapy crawl 爬虫应用名称 17 - 运行单独爬虫应用
项目结构
1 project_name/ 2 scrapy.cfg 3 project_name/ 4 __init__.py 5 items.py 6 pipelines.py 7 settings.py 8 spiders/ 9 __init__.py 10 spider1.py 11 spider2.py 12 spider3.py
♢ scrapy.cfg 项目的主配置信息。(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
4.小试牛刀例子
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 import scrapy 2 from scrapy.selector import Selector 3 from test1.items import Test1Item 4 5 6 class XiaohuaSpider(scrapy.Spider): 7 name = 'xiaohua' 8 allowed_domains = ['xiaohuar.com'] 9 start_urls = ['http://www.xiaohuar.com/hua/'] 10 11 def parse(self, response): 12 xph = Selector(response=response).xpath('//div[@id="list_img"]//div[@class="item_t"]') 13 for i in xph: 14 item = Test1Item() 15 item['img_url'] = i.xpath('./div[@class="img"]/a/img/@src').extract_first() 16 item['name'] = i.xpath('./div[@class="img"]/a/img/@alt').extract_first() 17 yield item 18 next = Selector(response=response).xpath('//div[@id="page"]//a[17]/@href').extract_first() 19 if next: 20 yield scrapy.Request(url=next, callback=self.parse)
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
import os,requests class Test1Pipeline(object): def process_item(self, item, spider): if item['img_url'][0] == '/': item['img_url'] = 'http://www.xiaohuar.com/' + item['img_url'] filename = os.path.join('xiaohua', item['name']) + '.png' img = requests.get(item['img_url']) if img.status_code == 200: if os.path.exists('xiaohua'): pass else: os.mkdir('xiaohua') with open(filename, 'wb')as f: f.write(img.content) else: print('保存失败')
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
import scrapy class Test1Item(scrapy.Item): img_url = scrapy.Field() name = scrapy.Field()