win7安装scrapy

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。 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：

    1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
    2. 引擎把URL封装成一个请求(Request)传给下载器
    3. 下载器把资源下载下来，并封装成应答包(Response)
    4. 爬虫解析Response
    5. 解析出实体（Item）,则交给实体管道进行进一步的处理
    6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

windows平台需要依赖pywin32

一、安装

1、安装pywin32

地址：https://nchc.dl.sourceforge.net/project/pywin32/pywin32/Build%20221/pywin32-221.win-amd64-py3.6.exe。

下载完毕之后，点击安装即可

2、Twisted

地址：https://download.lfd.uci.edu/pythonlibs/rqr3k8is/Twisted-17.9.0-cp36-cp36m-win_amd64.whl

cp后面是python版本，amd64代表64位

安装：

 pip install C:\Users\CR\Downloads\Twisted-17.5.0-cp36-cp36m-win_amd64.whl 

3、安装Scrapy

 pip install scrapy 

二、基本使用

1、创建项目

运行命令:

 scrapy statproject spide1 

自动创建目录：

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

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

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

 1 #!/usr/bin/ python
 2 # _*_ coding:utf-8 _*_
 3 
 4 import scrapy
 5 
 6 class XiaohuaSpider(scrapy.spiders.Spider):
 7     name = "xiaohuar" #APP名字
 8     start_urls = [
 9         "http://www.xiaohuar.com/hua/",
10     ]
11 
12     def parse(self, response):
13         current_url = response.url
14         body = response.body
15         unicode_body = response.body_as_unicode()
16         print(unicode_body)

3、运行

进入project_name目录，运行命令

 scrapy crawl xiaohuar --nolog 

4、递归访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

 1 import scrapy
 2 import urllib.request as req
 3 import os
 4 
 5 class XiaohuaSpider(scrapy.spiders.Spider):
 6     name = "xiaohuar" #APP名字
 7     start_urls = [
 8         "http://www.xiaohuar.com/hua/",
 9     ]
10 
11     def parse(self, response):
12         # current_url = response.url
13         # body = response.body
14         # unicode_body = response.body_as_unicode()
15         # print(unicode_body)
16         current_dir = os.path.dirname(os.path.dirname(__file__))
17         # if os.path.exists(os.path.join(current_dir,'pic')):
18         #     pass
19         # else:
20         #     current_dir = os.mkdir(os.path.join(current_dir,'pic'))
21         from scrapy.selector import HtmlXPathSelector
22         hxs = HtmlXPathSelector(response)
23         #//div 代表找到所有的div   /div 从根目录开始找  @class="item_list infinite_scrol  代表class为item_list infinite_scroll的div 
　　　　　　 #/div代表前一个div下面的孩子，即子div
24         #items = hxs.select('//div[@class="item_list infinite_scroll"]/div//img/@src').extract()
25         hxs.select('//div[@class="item_list infinite_scroll"]/div[1]').extract() #获取第一个元素
26         items = hxs.select('//div[@class="item_list infinite_scroll"]/div')
27         for i in range(len(items)):
28             srcs = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/a/img/@src' % i).extract()
29             names = hxs.select( '//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/span/text()' % i).extract()
30             schools = hxs.select('//div[@class="item_list infinite_scroll"]/div[%d]//div[@class="img"]/div[@class="btns"]/a/text()' % i).extract()
31             if srcs and names:
32                 ab_src = "http://www.xiaohuar.com" + srcs[0]
33                 file_name = "%s_%s.jpg" % (schools[0], names[0])
34                 file_path = os.path.join(current_dir,file_name)
35                 #print(file_path)
36                 req.urlretrieve(ab_src, file_path)

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。

 

posted on 2018-01-12 16:56  LOVESTYUDY  阅读(161)  评论(0)  编辑  收藏  举报

导航