本文共 5802 字,大约阅读时间需要 19 分钟。
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。可以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。
目录
安装
测试
新建工程
创建spider文件(以豆瓣电影为例)
架构(绿线是数据流向)
运作流程(个人理解)
制作步骤
在item中指明爬取字段
编写spider/movie.py
数据存至数据库
其他
最后
安装
pip安装,可能会报错:
pip install Scrapy
anaconda安装,推荐:
conda install -c conda-forge scrapy
测试
scrapy
新建工程
scrapy startproject <工程名>工程名>
如
scrapy startproject douban
创建的目录结构
scrapy.cfg: 项目配置文件
douban/: 项目python模块, 代码将从这里导入
douban/items.py: 项目items文件,存要爬取的字段信息,可以插入数据库、写入txt等
douban/pipelines.py: 项目管道文件,将爬取的数据进行持久化存储
douban/settings.py: 项目配置文件,可以配置数据库等
douban/spiders/: 放置spider的目录,也就是你要写逻辑代码的地方
douban/middlewares:中间件,请求和响应都将经过他,可以配置请求头、代理、cookie、会话维持等
创建spider文件(以豆瓣电影为例)
scrapy genspider <项目名> <爬取域>爬取域> 项目名>
如
cd doubanscrapy genspider movie movie.douban.com
将在spiders文件夹下自动创建movie.py,并自动生成内容:
可以看出,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 = "" :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item);生成需要下一页的URL请求。
架构(绿线是数据流向)
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):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)
运作流程(个人理解)
用户编写spider并运行
将第一个URL传给引擎
引擎将URL对应的request传给调度器
调度器将request排序入队
调度器将处理好的request返回到引擎
引擎将request按照下载中间件的设置传给下载器
下载器执行request并获得response(如果下载失败,然后引擎告诉调度器,这个request下载失败了,你记录一下,待会儿再下载)
下载器将response返回到引擎
引擎将request返回到spider用户这(默认交到def parse()这个函数处理)
spider处理完数据后,将需要跟进的URL和要保存的item传给引擎
引擎将item传给管道进行处理保存,并将URL进入下一轮循环
只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
制作步骤
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
在item中指明爬取字段
如“名称”、“评分”、“简介”
Item 定义结构化数据字段,用来保存爬取到的数据,有点像 Python 中的 dict,但是提供了一些额外的保护减少错误。
可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field 的类属性来定义一个 Item(可以理解成类似于 ORM 的映射关系)。
在item.py中修改为:
class DoubanItem(scrapy.Item): name = scrapy.Field() rating_num = scrapy.Field() quote = scrapy.Field()
编写spider/movie.py
1、选择目标的xpath(也可以css等其他选择器)
2、提取出公共部分
3、由于豆瓣有反爬验证,因此需要加上header
def start_requests(self): url = 'http://movie.douban.com/top250/' yield scrapy.Request(url, headers=self.headers)
通过start_requests函数,对于运行后第一次访问请求,就加上了请求头。因此,start_urls其实也可以不加。
4、为了方便调试,新建spider/main.py,并写入
from scrapy.cmdline import executeexecute(["scrapy", "crawl", "movie", "-o", "item.json"])
5、测试一下效果
class MovieSpider(scrapy.Spider): name = 'movie' allowed_domains = ['movie.douban.com/top250'] start_urls = ['http://movie.douban.com/top250/'] headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'} def start_requests(self): url = 'http://movie.douban.com/top250/' yield scrapy.Request(url, headers=self.headers) def parse(self, response): for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'): print(each.xpath('./div/div[2]/div[1]/a/span[1]').extract())
运行main.py
要提取中间的文字,则在xpath后面再添加“/text()”
6、类似地,完善parse()函数
from ..items import DoubanItem
def parse(self, response): # 将得到的数据封装到一个DoubanItem对象,就是在items.py里的 item = DoubanItem() for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'): name = each.xpath('./div/div[2]/div[1]/a/span[1]/text()').extract_first() rating_num = each.xpath('./div/div[2]/div[2]/div/span[2]/text()').extract_first() quote = each.xpath('./div/div[2]/div[2]/p[2]/span/text()').extract_first() item['name'] = name item['rating_num'] = rating_num item['quote'] = quote yield item
7、运行main.py后,在spider/item.json里将看到爬取的数据,以Unicode字符形式。
8、还可以保存为其他形式,如csv、xml,只需将item.json改为item.csv等。
数据存至数据库
1、建库建表
mysql -uroot -p Enter password:create database scrapy;use scrapy;create table movie(id int auto_increment primary key, name varchar(255),rating varchar(10), quote varchar(255))default charset=utf8;
2、在setting.py中配置数据库连接
mysql_movie = { 'host': "127.0.0.1", "port": 3306, "user": "root", "password": "pwd", "db": "scrapy"}
3、在setting.py中将以下内容取消注释
4、在pipelines.py中连接数据库存储数据
pip install pymysql
# -*- coding: utf-8 -*-# Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.htmlfrom .settings import mysql_movieimport pymysqlclass DoubanPipeline: def __init__(self): self.host = mysql_movie["host"] self.port = mysql_movie["port"] self.user = mysql_movie["user"] self.password = mysql_movie["password"] self.db = mysql_movie["db"] self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, db=self.db, charset='utf8') self.cursor = self.conn.cursor() def process_item(self, item, spider): sql ='''insert into movie(name, rating, quote)values('%s','%s','%s')''' % (item["name"], item["rating_num"], item["quote"]) try: self.cursor.execute(sql) self.conn.commit() except: self.conn.rollback() return item
5、运行main.py后,查询数据库
select * from movie;
其他
为了做一个乖爬虫,且避免面向监狱编程,建议在setting.py至少开启以下两项:
最后
相信你跟我一样,过完本文,对scrapy已经有了一个大致的了解。
转载地址:https://blog.csdn.net/sxf1061700625/article/details/106866547 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!