Scrapy框架简介和基础应用
Scrapy框架简介和基础应用
什么是什么是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。
安装
- Linux:
- pip3 install scrapy
- Windows:
pip3 install wheel
下载twisted
http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted- 进入下载目录,执行
pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
pip3 install pywin32
pip3 install scrapy
基础使用
创建目录
scrapy startproject 项目名称
项目结构
project_name/
scrapy.cfg:
project_name/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.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 数据持久化处理
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,编写爬虫解析规则
创建爬虫应用程序
cd project_name(进入项目目录)
scrapy genspider 应用名称 爬取网页的起始url (例如:scrapy genspider qiubai www.qiushibaike.com)
编写爬虫文件
在步骤2执行完毕后,会在项目的spiders中生成一个应用名的py爬虫文件,文件源码如下:
# -*- coding: utf-8 -*-
import scrapy
class QiubaiSpider(scrapy.Spider):
name = 'qiubai' # 应用名称
# 允许爬取的域名(如果遇到非该域名的url则爬取不到数据)
allowed_domains = ['https://www.qiushibaike.com/']
# 起始爬取的url
start_urls = ['https://www.qiushibaike.com/']
# 访问起始URL并获取结果后的回调函数,该函数的response参数就是向起始的url发送请求后,获取的响应对象.该函数返回值必须为可迭代对象或者NUll
def parse(self, response):
print(response.text) #获取字符串类型的响应内容
print(response.body)#获取字节类型的相应内容
修改settings.py配置文件相关配置:
修改内容及其结果如下:
19行:USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' # 伪装请求载体身份
22行:ROBOTSTXT_OBEY = False # 可以忽略或者不遵守robots协议
执行爬虫程序
scrapy crawl 爬虫名称 :该种执行形式会显示执行的日志信息
scrapy crawl 爬虫名称 --nolog:该种执行形式不会显示执行的日志信息
小试牛刀
将糗百首页中段子的内容和作者进行爬取
# -*- coding: utf-8 -*-
import scrapy
from scrapy.http.response.html import HtmlResponse
class QiubaiSpider(scrapy.Spider):
name = 'qiubai'
# allowed_domains = ['www.qiushibaike.com']
start_urls = ['https://www.qiushibaike.com/text/']
def parse(self, response: HtmlResponse):
# xpath为response中的方法,可以将xpath表达式直接作用于该函数中
oDiv = response.xpath('//div[@id="content-left"]/div')
content_list = []
for div in oDiv:
# xpath函数返回的为列表,列表中存放的数据为Selector类型的数据。
# 我们解析到的内容被封装在了Selector对象中,需要调用extract()函数将解析的内容从Selecor中取出
author = div.xpath('.//h2/text()')[0].extract()
content = div.xpath('.//div[@class="content"]/span[1]/text()')[0].extract().strip()
# 将解析到的内容封装到字典中
dic = {
'author': author,
'content': content,
}
# 将数据存储到content_list这个列表中
content_list.append(dic)
print(dic)
return content_list