乐趣区

3web爬虫scrapy模块介绍与使用

jiezi
【百度云搜索，搜各种资料:http://bdy.lqkweb.com】
【搜网盘，搜各种资料:http://www.swpan.cn】

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

创建 Scrapy 框架项目

Scrapy 框架项目是有 python 安装目录里的 Scripts 文件夹里 scrapy.exe 文件创建的，所以 python 安装目录下的Scripts 文件夹要配置到系统环境变量里，才能运行命令生成项目

创建项目

首先运行 cmd 终端，然后 cd 进入要创建项目的目录，如：cd H:py14

进入要创建项目的目录后执行命令 scrapy startproject 项目名称

scrapy startproject pach1

项目创建成功

项目说明

目录结构如下：

├── firstCrawler

│   ├── __init__.py

│   ├── items.py

│   ├── middlewares.py

│   ├── pipelines.py

│   ├── settings.py

│   └── spiders

│       └── __init__.py

└── scrapy.cfg

  • scrapy.cfg: 项目的配置文件
  • tems.py: 项目中的 item 文件，用来定义解析对象对应的属性或字段。
  • pipelines.py: 负责处理被 spider 提取出来的 item。典型的处理有清理、验证及持久化(例如存取到数据库）[](http://lib.csdn.net/base/mysql “MySQL 知识库 ”)
  • settings.py: 项目的设置文件.
  • spiders：实现自定义爬虫的目录
  • middlewares.py：Spider 中间件是在引擎及 Spider 之间的特定钩子 (specific hook)，处理 spider 的输入(response) 和输出(items 及 requests)。其提供了一个简便的机制，通过插入自定义代码来扩展 Scrapy 功能。

创建第一个爬虫

创建爬虫文件在 spiders 文件夹里创建

1、创建一个类必须继承 scrapy.Spider 类，类名称自定义

类里的属性和方法：

name 属性，设置爬虫名称
allowed_domains 属性，设置爬取的域名，不带 http
start_urls 属性，设置爬取的 URL，带 http
parse() 方法，爬取页面后的回调方法，response 参数是一个对象，封装了所有的爬取信息

response 对象的方法和属性

response.url 获取抓取的 rul
response.body 获取网页内容字节类型
response.body_as_unicode() 获取网站内容字符串类型

# -*- coding: utf-8 -*-
import scrapy

class AdcSpider(scrapy.Spider):
    name = 'adc'                                        #设置爬虫名称
    allowed_domains = ['www.shaimn.com']
    start_urls = ['http://www.shaimn.com/xinggan/']

    def parse(self, response):
        current_url = response.url                      #获取抓取的 rul
        body = response.body                            #获取网页内容字节类型
        unicode_body = response.body_as_unicode()       #获取网站内容字符串类型
        print(unicode_body)

爬虫写好后执行爬虫，cd 到爬虫目录里执行 scrapy crawl adc –nolog 命令，说明：scrapy crawl adc(adc 表示 爬虫名称) –nolog(–nolog 表示不显示日志)**

也可以在 PyCharm 执行命令


【转载自：http://www.leiqiankun.com/?id=46】

退出移动版