活动地址:CSDN21天学习挑战赛
爬虫—scrapy爬虫框架
一、简介
1、基本功能
Scrapy是一个适用爬取网站数据、提取结构性数据的应用程序框架,它可以应用在广泛领域:Scrapy 常应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。通常我们可以很简单的通过 Scrapy 框架实现一个爬虫,抓取指定网站的内容或图片。
2、架构
- Scrapy Engine(引擎):负责Spider、ItemPipeline、Downloader、Scheduler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):一个可以自定义扩展下载功能的组件。
-
Spider Middlewares(Spider中间件):一个可以自定扩展和操作引擎和Spider中间通信的功能组件。
3、scrapy项目的结构
项目名字
项目的名字
spiders文件夹(存储的是爬虫文件)
init
自定义的爬虫文件 核心功能文件
init
items 定义数据结构的地方 爬虫的数据都包含哪些
middleware 中间件 代理
pipelines 管道 用来处理下载的数据
settings 配置文件 robots协议 ua定义等
二、scrapy环境搭建
三、如何开始
1、新建项目 :新建一个新的爬虫项目
打开cmd,输入scrapy startproject 项目的名字
(默认是在C:\Users\...这个目录下,你可以自行切换到对应的 文件下)
注意:项目的名字不允许使用数字开头 也不能包含中文
2、明确目标 (items.py):明确你想要抓取的目标
选择你需要爬取的内容,例如作者名字、小说名、封面图片等
在items.py文件中定义
import scrapy
class AdicrawlerItem(scrapy.Item):
author = scrapy.Field()
theme = scrapy.Field()
# 以上定义了两个变量 分别是作者名、主题。
3、制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
创建爬虫文件
要在spiders文件在去创建爬虫文件
cd 项目的名字\项目的名字\spiders
eg : cd scrapy_baidu\scrapy_baidu\spiders
创建爬虫文件
scrapy genspider 爬虫文件的名字 要爬的网页
eg : scrapy genspider baidu www.baidu.com
一般情况下不需要添加http协议
因为start_urls的值是根据allowed_domains修改的
爬虫文件的解释:
import scrapy
class BaiduSpider(scrapy.Spider):
# 爬虫的名字 一般运行爬虫的时候 使用的值
name = 'baidu'
# 允许访问的域名
allowed_domains = ['www.baidu.com']
# 起始的url地址 指的是第一次要访问的域名
# start_urls 是在allowed_domains的前面添加一个http://
# 是在allowed_domains的后面添加一个/
# 如果以html结尾 就不用加/ 否则网站进不去 报错
start_urls = ['http://www.baidu.com/']
# 是执行了start_urls之后 执行的方法
# 方法中的response 就是返回的那个对象
# 相当于 response = urllib.request.urlopen()
# response = requests.get()
def parse(self, response):
pass
response的属性和方法
- response.text
获取的是响应的字符串 - response.body
获取的是二进制数据 - response.xpath
可以直接使用xpath方法来解析response中的内容 - response.extract()
提取seletor对象的data属性值 - response.extract_first()
提取的seletor列表的第一个数据
import scrapy
from AdiCrawler.items import AdicrawlerItem
class ThousandpicSpider(scrapy.Spider):
name = 'thousandpic'
allowed_domains = ['www.58pic.com']
start_urls = ['http://www.58pic.com/c/']
def parse(self, response):
author = response.xpath('//div[@class="wrap-list fl"]//span[@class="fl info-h1"]/text()').extract()
theme = response.xpath('//div[@class="wrap-list fl"]//span[@class="usernameColor"]/text()').extract()
item = AdicrawlerItem(author=author,theme=theme)
yield item
4、存储内容 (pipelines.py):设计管道存储爬取内容
如果想使用管道的话 那么就必须在settings中开启管道
ITEM_PIPELINES = {
# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
}
# 将在settings.py中这段话取消注释,则打开了通道。
然后去pippelines.py中设计管道:
方法一:
class ScrapyDangdangPipeline:
def process_item(self, item, spider):
# 以下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁
# write方法必须要写一个字符串 而不能是其他的对象
# w模式 会每一个对象都打开一次文件 覆盖之前的内容
# 文件存储就不多讲啦
with open('book.json','a',encoding='utf-8') as fp:
fp.write(str(item))
return item
方法二:(推荐)
class ScrapyDangdangPipeline:
def open_spider(self,spider):
self.fp = open('book.json','w',encoding='utf-8')
# item就是yield后面的对象
def process_item(self, item, spider):
self.fp.write(str(item))
return item
def close_spider(self,spider):
self.fp.close()
5、运行爬虫
一般在运行爬虫的时候仍然没有内容查询,则需要考虑将settings.py文件中的ROBOTSTXT_OBEY = True注释掉
robots协议 注释之后就不遵守协议了 他是君子协议 一般情况下我们不遵守 # BOTSTXT_OBEY = True
在cmd中输入:scrapy crawl 爬虫的名字
eg:scrapy crawl baidu
四、项目实战
- 打开cmd,创建项目
scrapy startproject scrapy_dangdang
- 创建爬虫文件
先到spiders文件下 :
cd scrapy_dangdang\scrapy_dangdang\spiders
然后创建爬虫文件 :
scrapy genspider dang category.dangdang.com
-
项目目录
-
确定需要下载的数据,去items.py文件中添加。这里我们准备存储图片、名字和价格文章来源:https://www.toymoban.com/news/detail-420836.html
import scrapy
class ScrapyDangdangItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 通俗的说就是你要下载的数据都有什么
# 图片
src = scrapy.Field()
# 名字
name = scrapy.Field()
# 价格
price = scrapy.Field()
- 接下来我们就可以去爬虫文件中去爬取我们需要的内容了(这里是在dang.py文件中)
import scrapy
from scrapy_dangdang.items import ScrapyDangdangItem
class DangSpider(scrapy.Spider):
# 爬虫的名字 一般运行爬虫的时候 使用的值
name = 'dang'
# 允许访问的域名
# 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名
allowed_domains = ['category.dangdang.com']
# 起始的url地址 指的是第一次要访问的域名
# start_urls 是在allowed_domains的前面添加一个http://
# 是在allowed_domains的后面添加一个/
# 如果以html结尾 就不用加/
start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']
base_url = 'http://category.dangdang.com/pg'
page = 1
# 是执行了start_urls之后 执行的方法
# 方法中的response 就是返回的那个对象
# 相当于 response = urllib.request.urlopen()
# response = requests.get()
def parse(self, response):
# pipelines 下载数据
# items 定义数据结构的
# src = //ul[@id="component_59"]/li//img/@src
# alt = //ul[@id="component_59"]/li//img/@alt
# price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()
# 所有的seletor的对象 都可以再次调用xpath方法
li_list = response.xpath('//ul[@id="component_59"]/li')
for li in li_list:
# 第一张图片和其他的图片的标签是属性是不一样的
# 第一张图片src是可以使用的 其他图片的地址data-original
src = li.xpath('.//img/@data-original').extract_first()
if src:
src = src
else:
src = li.xpath('.//img/@src').extract_first()
name = li.xpath('.//img/@alt').extract_first()
price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()
book = ScrapyDangdangItem(src=src,name=name,price=price)
# 获取一个book就交给pipelines
yield book
# 每一页爬取的业务逻辑都是一样的
# 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了
if self.page < 100:
self.page = self.page + 1
url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'
# 怎么去调用parse方法
# scrapy.Request就是scrpay的get方法
# url就是请求地址
# callback是你要执行的那个函数 注意不需要加圆括号
yield scrapy.Request(url=url,callback=self.parse)
- 通过解析拿到数据之后,我们就可以去通道中添加保存的方法了(pippelines.py)
- 首先我们要去settings.py在打开通道和添加通道,完成之后进行下一步
ITEM_PIPELINES = {
# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
}
- 通道打开后,在pippelines.py完成下列操作
import os
# 如果想使用管道的话 那么就必须在settings中开启管道
class ScrapyDangdangPipeline:
def open_spider(self,spider):
self.fp = open('book.json','w',encoding='utf-8')
# item就是yield后面的book对象
def process_item(self, item, spider):
# 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁
# # write方法必须要写一个字符串 而不能是其他的对象
# # w模式 会每一个对象都打开一次文件 覆盖之前的内容
# with open('book.json','a',encoding='utf-8') as fp:
# fp.write(str(item))
self.fp.write(str(item))
return item
def close_spider(self,spider):
self.fp.close()
# 多条管道开启
# 定义管道类
# 在settings中开启管道
# 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
import urllib.request
class DangDangDownloadPiepline:
def process_item(self,item,spider):
url = 'http:' + item.get('src')
if not os.path.exists('./books/'):
os.mkdir('./books/')
filename = './books/' + item.get('name') + '.jpg'
urllib.request.urlretrieve(url=url,filename=filename)
return item
- 最后在cmd中输入:scrapy crawl dang
- 完成之后就开始下载了,全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据,则表示项目成功了。
文章来源地址https://www.toymoban.com/news/detail-420836.html
到了这里,关于爬虫---scrapy爬虫框架(详细+实战)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!