Scrapy框架之原理介绍
分类:计算机编程

Scrapy框架

Scrapy简介

  • Scrapy是用纯Python实现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,用途非常广泛。

  • 框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。

  • Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

Scrapy架构

图片 1

  • Scrapy Engine(引擎): 负责SpiderItemPipelineDownloaderScheduler中间的通讯,信号、数据传递等。

  • Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎

  • Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,

  • Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器)

  • Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.

  • Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。

  • Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

 白话讲解Scrapy运作流程

代码写好,程序开始运行...

  1. 引擎:Hi!Spider, 你要处理哪一个网站?

  2. Spider:老大要我处理xxxx.com。

  3. 引擎:你把第一个需要处理的URL给我吧。

  4. Spider:给你,第一个URL是xxxxxxx.com。

  5. 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。

  6. 调度器:好的,正在处理你等一下。

  7. 引擎:Hi!调度器,把你处理好的request请求给我。

  8. 调度器:给你,这是我处理好的request

  9. 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

  10. 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

  11. 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)

  12. Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

  13. 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

  14. 管道``调度器:好的,现在就做!

 制作Scrapy爬虫步骤

1.新建项目

scrapy startproject mySpider

图片 2

scrapy.cfg :项目的配置文件

mySpider/ :项目的Python模块,将会从这里引用代码

mySpider/items.py :项目的目标文件

mySpider/pipelines.py :项目的管道文件

mySpider/settings.py :项目的设置文件

mySpider/spiders/ :存储爬虫代码目录

2.明确目标(mySpider/items.py)

想要爬取哪些信息,在Item里面定义结构化数据字段,保存爬取到的数据

3.制作爬虫(spiders/xxxxSpider.py)

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass
  • name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。

  • allow_domains = [] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。

  • start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

  • parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:

 4.保存数据(pipelines.py)

在管道文件里面设置保存数据的方法,可以保存到本地或数据库

温馨提醒

第一次运行scrapy项目的时候

出现-->"DLL load failed" 错误提示,需要安装pypiwin32模块    

目录

先写个简单入门的实例

 (1)items.py

想要爬取的信息

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

(2)itcastspider.py

写爬虫程序

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 创建一个爬虫类
class ItcastSpider(scrapy.Spider):
    # 爬虫名
    name = "itcast"
    # 允许爬虫作用的范围
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬虫起始的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#",
    ]

    def parse(self, response):
        teacher_list = response.xpath('//div[@class="li_txt"]')
        # 所有老师信息的列表集合
        teacherItem = []
        # 遍历根节点集合

        for each in teacher_list:
            # Item对象用来保存数据的
            item = ItcastItem()
            # name, extract() 将匹配出来的结果转换为Unicode字符串
            # 不加extract() 结果为xpath匹配对象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0].encode("gbk")
            item['title'] = title[0].encode("gbk")
            item['info'] = info[0].encode("gbk")

            teacherItem.append(item)

        return teacherItem

输入命令:scrapy crawl itcast -o itcast.csv  保存为 ".csv"的格式

    1. Scrapy介绍
    • 1.1. Scrapy框架
    • 1.2. Scrapy运行流程
    • 1.3. 制作Srapy爬虫的四部曲
    • 1.4. 文件目录
    1. Scrapy全部流程
    1. 写爬虫主要文件

管道文件pipelines.py的用法

 (1)setting.py修改

ITEM_PIPELINES = {
  #设置好在管道文件里写的类
   'mySpider.pipelines.ItcastPipeline': 300,
}

(2)itcastspider.py

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 创建一个爬虫类
class ItcastSpider(scrapy.Spider):
    # 爬虫名
    name = "itcast"
    # 允许爬虫作用的范围
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬虫其实的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#aandroid",

    ]

    def parse(self, response):
        #with open("teacher.html", "w") as f:
        #    f.write(response.body)
        # 通过scrapy自带的xpath匹配出所有老师的根节点列表集合
        teacher_list = response.xpath('//div[@class="li_txt"]')

        # 遍历根节点集合
        for each in teacher_list:
            # Item对象用来保存数据的
            item = ItcastItem()
            # name, extract() 将匹配出来的结果转换为Unicode字符串
            # 不加extract() 结果为xpath匹配对象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            yield item

(3)pipelines.py

数据保存到本地

# -*- coding: utf-8 -*-
import json

class ItcastPipeline(object):
    # __init__方法是可选的,做为类的初始化方法
    def __init__(self):
        # 创建了一个文件
        self.filename = open("teacher.json", "w")

    # process_item方法是必须写的,用来处理item数据
    def process_item(self, item, spider):
        jsontext = json.dumps(dict(item), ensure_ascii = False)   "n"
        self.filename.write(jsontext.encode("utf-8"))
        return item

    # close_spider方法是可选的,结束时调用这个方法
    def close_spider(self, spider):
        self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

 

1. Scrapy介绍

1.1. Scrapy框架

Scrapy是用纯Python实现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,用途非常广泛。

图片 3

  • Scrapy Engine: 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。

  • Scheduler: 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。

  • Downloader:负责下载Scrapy Engine发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine,由引擎交给Spider来处理,

  • Spider:它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler,

  • Item Pipeline:它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.

  • Downloader Middlewares:你可以当作是一个可以自定义扩展下载功能的组件。

  • Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

1.2. Scrapy运行流程

  1. 引擎:Hi!Spider, 你要处理哪一个网站?

  2. Spider:老大要我处理xxxx.com

  3. 引擎:你把第一个需要处理的URL给我吧。

  4. Spider:给你,第一个URL是xxxxxxx.com

  5. 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。

  6. 调度器:好的,正在处理你等一下。

  7. 引擎:Hi!调度器,把你处理好的request请求给我。

  8. 调度器:给你,这是我处理好的request

  9. 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

  10. 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

  11. 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse

  12. Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

  13. 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

  14. 管道``调度器:好的,现在就做!

1.3. 制作Srapy爬虫的四部曲

  • 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
  • 明确目标 (编写items.py):明确你想要抓取的目标
  • 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
  • 存储内容 (pipelines.py):设计管道存储爬取内容

1.4. 文件目录

插入scrapy01.png

  • scrapy.cfg :项目的配置文件
[settings]default = mySpider.settings[deploy]#url = http://localhost:6800/project = mySpider
  • mySpider/ :项目的Python模块,将会从这里引用代码
  • __init__: 必须的文件
  • mySpider/items.py :项目的目标文件
import scrapyclass MyspiderItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    # age = scrapy.Field()    pass
  • mySpider/Middlewares.py :
  • mySpider/pipelines.py :项目的管道文件
class MyspiderPipeline:    def process_item(self, item, spider):        return item
  • mySpider/settings.py :项目的设置文件
# 你的爬虫名字BOT_NAME = 'mySpider'# 你的爬虫的位置SPIDER_MODULES = ['mySpider.spiders']NEWSPIDER_MODULE = 'mySpider.spiders'# 是否遵循robust协议ROBOTSTXT_OBEY = True# 爬虫并发量#CONCURRENT_REQUESTS = 32# 下载延迟#DOWNLOAD_DELAY = 3# 下载延迟的额外设置:一般不用设置#CONCURRENT_REQUESTS_PER_DOMAIN = 16#CONCURRENT_REQUESTS_PER_IP = 16# 是否使用cookie#COOKIES_ENABLED = False# 访问电话线设置#TELNETCONSOLE_ENABLED = False# 设置默认请求报头#DEFAULT_REQUEST_HEADERS = {# 'User-Agent': ''#   'Accept': 'text/html,application/xhtml xml,application/xml;q=0.9,*/*;q=0.8',#   'Accept-Language': 'en',#}# 爬虫中间键:一般不设置#SPIDER_MIDDLEWARES = {#    'mySpider.middlewares.MyspiderSpiderMiddleware': 543,#}# 下载中间键: 后面的值是优先级,越小越高#DOWNLOADER_MIDDLEWARES = {#    'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,#}# 延展,没什么用#EXTENSIONS = {#    'scrapy.extensions.telnet.TelnetConsole': None,#}# 管道文件---经常使用的,用于指定优先级# #ITEM_PIPELINES = {#    'mySpider.pipelines.MyspiderPipeline': 300,#}

2. Scrapy全部流程

我们打算抓取: 网站里的所有讲师的姓名、职称和个人信息。

  • 创建项目
  • 编写items.py文件:设置需要保存的数据字段
  • 创建爬虫模板
    • 在spiders/文件夹下面运行scrapy genspider spidername "startURL"
  • 进入xxx/spiders: 编写爬虫文件,文件里的name就是爬虫名
  • 写管道文件
    • 设置文件保存的形式和写入文件
    • 在setting中设置优先级
    • 添加User-Agent到setting中
  • 运行:
    -scrapy crawl itcast
    • scrapy crawl itcast -o json/csv/xml/
  • 数据处理
    • 数据:交给管道文件处理 yield item
    • 请求:重新发送给调度器入、出队列,交给下载器下载 yield scrapy.Request(url, callback = self.parse)

3. 写爬虫主要文件

要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。

  • name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。

  • allow_domains = [] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。

  • start_urls = ():爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

  • parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:

    • 负责解析返回的网页数据(response.body),提取结构化数据
    • 生成需要下一页的URL请求。

本文由pc28.am发布于计算机编程,转载请注明出处:Scrapy框架之原理介绍

上一篇:自己用的是那套Python学习系统,四年阿里Python支 下一篇:没有了
猜你喜欢
热门排行
精彩图文