爬蟲框架Scrapy使用詳細(xì)介紹--簡(jiǎn)單入門

Scrapy 框架

(本文僅用作個(gè)人記錄)

-? Scrapy框架是用純python實(shí)現(xiàn)一個(gè)為了爬去網(wǎng)站數(shù)據(jù)伟恶,提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架肤寝,用途非常廣泛眷蚓。

-?Scrapy 使用了 Twisted['tw?st?d](其主要對(duì)手是Tornado)異步網(wǎng)絡(luò)框架來(lái)處理網(wǎng)絡(luò)通訊慢逾,可以加快我們的下載速度阀圾,不用自己去實(shí)現(xiàn)異步框架哪廓,并且包含了各種中間件接口,可以靈活的完成各種需求初烘。

Scrapy 架構(gòu)圖


Scrapy Engine(引擎): 負(fù)責(zé)Spider涡真、ItemPipeline、Downloader肾筐、Scheduler中間的通訊哆料,信號(hào)、數(shù)據(jù)傳遞等吗铐。

Scheduler(調(diào)度器): 它負(fù)責(zé)接受引擎發(fā)送過(guò)來(lái)的Request請(qǐng)求东亦,并按照一定的方式進(jìn)行整理排列,入隊(duì)唬渗,當(dāng)引擎需要時(shí)典阵,交還給引擎。

Downloader(下載器):負(fù)責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請(qǐng)求镊逝,并將其獲取到的Responses交還給Scrapy Engine(引擎)萄喳,由引擎交給Spider來(lái)處理,

Spider(爬蟲):它負(fù)責(zé)處理所有Responses,從中分析提取數(shù)據(jù)蹋半,獲取Item字段需要的數(shù)據(jù)他巨,并將需要跟進(jìn)的URL提交給引擎,再次進(jìn)入Scheduler(調(diào)度器)减江,

Item Pipeline(管道):它負(fù)責(zé)處理Spider中獲取到的Item染突,并進(jìn)行進(jìn)行后期處理(詳細(xì)分析、過(guò)濾辈灼、存儲(chǔ)等)的地方.

Downloader Middlewares(下載中間件):你可以當(dāng)作是一個(gè)可以自定義擴(kuò)展下載功能的組件份企。

Spider Middlewares(Spider中間件):你可以理解為是一個(gè)可以自定擴(kuò)展和操作引擎和Spider中間通信的功能組件(比如進(jìn)入Spider的Responses;和從Spider出去的Requests)

Scrapy的運(yùn)行流程:

1.引擎:Hi!Spider, 你要處理哪一個(gè)網(wǎng)站巡莹?

2.Spider:老大要我處理xxxx.com司志。

3.引擎:你把第一個(gè)需要處理的URL給我吧。

4.Spider:給你降宅,第一個(gè)URL是xxxxxxx.com骂远。

5.引擎:Hi!調(diào)度器腰根,我這有request請(qǐng)求你幫我排序入隊(duì)一下激才。

6.調(diào)度器:好的,正在處理你等一下。

7.引擎:Hi瘸恼!調(diào)度器劣挫,把你處理好的request請(qǐng)求給我。

8.調(diào)度器:給你东帅,這是我處理好的request

9.引擎:Hi压固!下載器,你按照老大的下載中間件的設(shè)置幫我下載一下這個(gè)request請(qǐng)求

10.下載器:好的靠闭!給你帐我,這是下載好的東西。(如果失斞忠恪:sorry焚刚,這個(gè)request下載失敗了点弯。然后引擎告訴調(diào)度器扇调,這個(gè)request下載失敗了,你記錄一下抢肛,我們待會(huì)兒再下載)

11.引擎:Hi狼钮!Spider,這是下載好的東西捡絮,并且已經(jīng)按照老大的下載中間件處理過(guò)了熬芜,你自己處理一下(注意!這兒responses默認(rèn)是交給def parse()這個(gè)函數(shù)處理的)

12.Spider:(處理完畢數(shù)據(jù)之后對(duì)于需要跟進(jìn)的URL)福稳,Hi涎拉!引擎,我這里有兩個(gè)結(jié)果的圆,這個(gè)是我需要跟進(jìn)的URL鼓拧,還有這個(gè)是我獲取到的Item數(shù)據(jù)。

13.引擎:Hi 越妈!管道?我這兒有個(gè)item你幫我處理一下季俩!調(diào)度器!這是需要跟進(jìn)URL你幫我處理下梅掠。然后從第四步開(kāi)始循環(huán)酌住,直到獲取完老大需要全部信息。

14.管道``調(diào)度器:好的阎抒,現(xiàn)在就做酪我!

(只有當(dāng)調(diào)度器中不存在任何request時(shí),整個(gè)程序才會(huì)停止且叁,對(duì)于下載失敗的URL祭示,Scrapy會(huì)重新下載。)

制作Scapy爬蟲的步驟:

新建項(xiàng)目 (scrapy startproject xxx):新建一個(gè)新的爬蟲項(xiàng)目

明確目標(biāo) (編寫items.py):明確你想要抓取的目標(biāo)

制作爬蟲 (spiders/xxspider.py):制作爬蟲開(kāi)始爬取網(wǎng)頁(yè)

存儲(chǔ)內(nèi)容 (pipelines.py):設(shè)計(jì)管道存儲(chǔ)爬取內(nèi)容?


Scrapy實(shí)例:

我們要爬取的網(wǎng)站為:http://quotes.toscrape.com/,這是一個(gè)英文版的名人名言網(wǎng)站质涛。如下圖所示稠歉。

1.新建項(xiàng)目:

進(jìn)入任意一個(gè)文件夾,直接使用scrapy命令生成項(xiàng)目:

scrapy stratproject tutorial

命令將會(huì)創(chuàng)建一個(gè)tutorial 文件夾汇陆,文件夾結(jié)構(gòu)如下圖所示怒炸。

----scrapy.cfg? ? ? ? ? ? ? ? ? ? ? ? ? ? #Scrapy部署時(shí)的配置文件

----tutorial

????---------__init__.py? ? ? ? ? ? ? ? #里面內(nèi)容為空,但必須要有毡代,不可刪除

????---------items.py? ? ? ? ? ? ? ? ? ? #Items的定義阅羹,定義爬取的數(shù)據(jù)結(jié)構(gòu)

????---------middlewares.py? ? ? ? #定義爬取時(shí)的中間件

????---------pipelines.py? ? ? ? ? ? ? #定義數(shù)據(jù)管道

????---------settings.py? ? ? ? ? ? ? ? #配置文件

? ? ---------spiders文件夾? ? ? ? ? ? #放置Spiders的文件夾


進(jìn)入tutorial文件夾,生成爬蟲:

scrapy genspider quotes quotes.toscrape.com

(genspider 第一個(gè)參數(shù)是Spider的名稱教寂,第二個(gè)參數(shù)是指定爬取域的范圍)

執(zhí)行完畢之后,spiders文件夾下多了一個(gè)quotes.py


2.明確目標(biāo):創(chuàng)建Item

打開(kāi) items.py

我們要抓取該網(wǎng)站的 名言文本酪耕,作者以及標(biāo)簽。

所以items.py 修改如下:

定義字段

注意定義的類名為 QuotesItem,且需要繼承scrapy.Item類却盘。

3.制作爬蟲

打開(kāi)spiders 文件夾下的quotes.py

初始內(nèi)容如下:


name:每個(gè)項(xiàng)目唯一的名字

allowed_domains :允許爬取的域名,如果初始或者后續(xù)的請(qǐng)求鏈接不是這個(gè)域名下的,則請(qǐng)求鏈接會(huì)被過(guò)濾掉

start_urls :起始url驶睦,第一個(gè)請(qǐng)求鏈接

parse() :解析方法廉羔,當(dāng)下載器完成請(qǐng)求之后髓削,返回的響應(yīng)就是該方法的response 參數(shù)。該方法負(fù)責(zé)解析返回的響應(yīng)、提取數(shù)據(jù)或者生成下一步請(qǐng)求。

根據(jù)對(duì)網(wǎng)頁(yè)結(jié)構(gòu)的分析,我們使用css選擇器提取數(shù)據(jù)男应。結(jié)果如下。


next 是用來(lái)獲取下一頁(yè)的鏈接筛峭。

對(duì)于后續(xù)請(qǐng)求,我們構(gòu)造請(qǐng)求需要用到 scrapy.Request。這里傳遞兩個(gè)參數(shù),url和callback灌灾。

url是請(qǐng)求鏈接诗祸,callback 是回調(diào)函數(shù)功偿。當(dāng)指定了該回調(diào)函數(shù)的請(qǐng)求完成之后,獲取到相應(yīng),引擎會(huì)將該響應(yīng)作為參數(shù)傳遞給這個(gè)回調(diào)函數(shù)崖叫≈校回調(diào)函數(shù)進(jìn)行解析或者生成下一步請(qǐng)求。這里的回調(diào)函數(shù)仍然使用parse進(jìn)行解析疆液。這樣爬蟲就進(jìn)入了一個(gè)循環(huán)一铅。

最后使用yield 返回該請(qǐng)求:yield scrapy.Request(url=url, callback=self.parse)

理論上,此爬蟲程序已經(jīng)可以完成爬取堕油,但是我們沒(méi)有將爬取結(jié)果保存下來(lái)潘飘,爬取內(nèi)容只會(huì)在終端顯示肮之。我們需要把爬取結(jié)果保存到數(shù)據(jù)庫(kù)。

4.存儲(chǔ)結(jié)果

如果只是保存到文件卜录,我們可以不需要編寫任何文件戈擒,只需要執(zhí)行爬蟲程序時(shí) 在后面加上?

- o? quotes.json

完整命令:scrapy crwal quotes -o quotes.json

那么在tutorial 文件夾下就多處一個(gè) quotes.json 文件。

如果保存到數(shù)據(jù)庫(kù)艰毒,就需要編寫pipelines.py 文件筐高。

"""

Item Pipeline 為項(xiàng)目管道,當(dāng)Item生成后丑瞧,它會(huì)自動(dòng)被送到ItemPipeline進(jìn)行處理柑土,

常用來(lái):

清理HTml數(shù)據(jù)

驗(yàn)證爬取數(shù)據(jù)

查重去重

保存到數(shù)據(jù)庫(kù)

"""

實(shí)現(xiàn)Item Pipeline很簡(jiǎn)單,只需實(shí)現(xiàn) process_item(self, item, spider) 方法即可绊汹。Item Pipeline啟動(dòng)之后會(huì)自動(dòng)調(diào)用這個(gè)方法稽屏。process_item 方法必須返回包含數(shù)據(jù)的字典或者Item對(duì)象,或者拋出 DropItem 異常西乖。

接下來(lái)我們實(shí)現(xiàn) 篩選掉text長(zhǎng)度大于100的Item狐榔,并將結(jié)果保存到MySQL數(shù)據(jù)庫(kù)。


TutorialPipelin 類的 process_item 方法已經(jīng)實(shí)現(xiàn)了篩選的功能获雕。

要實(shí)現(xiàn)保存到數(shù)據(jù)的功能薄腻,我們還需要自己定義一個(gè)類---MySQLPipeline 類名可以隨意取。


定義好這兩個(gè)類之后届案,需要在settings.py 中使用他們庵楷。

在settings.py中配置全局信息

啟用 ITEM_PIPELINES 配置,注意要類名一致萝玷。鍵值為優(yōu)先級(jí)嫁乘,數(shù)字越小優(yōu)先級(jí)越高昆婿。

之后球碉,命令行執(zhí)行? scrapy crawl quotes,可以看到一些scrapy的執(zhí)行情況仓蛆。

最后打開(kāi)數(shù)據(jù)庫(kù)睁冬,看一下保存情況。需要提前建好表看疙。


至此豆拨,我們就已經(jīng)完成了Quotes網(wǎng)站的Scrapy抓取的簡(jiǎn)單入門。

PS:

from? scrapy.utils.project? import? get_project_settings

self.host = get_project_settings.get("MYSQL_HOST")

這個(gè)方法也可以從settings.py里面獲取全局配置信息能庆。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末施禾,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子搁胆,更是在濱河造成了極大的恐慌弥搞,老刑警劉巖邮绿,帶你破解...
    沈念sama閱讀 211,743評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異攀例,居然都是意外死亡船逮,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門粤铭,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)挖胃,“玉大人,你說(shuō)我怎么就攤上這事梆惯〗囱迹” “怎么了?”我有些...
    開(kāi)封第一講書人閱讀 157,285評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵垛吗,是天一觀的道長(zhǎng)凛辣。 經(jīng)常有香客問(wèn)我,道長(zhǎng)职烧,這世上最難降的妖魔是什么扁誓? 我笑而不...
    開(kāi)封第一講書人閱讀 56,485評(píng)論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮蚀之,結(jié)果婚禮上蝗敢,老公的妹妹穿的比我還像新娘。我一直安慰自己足删,他們只是感情好寿谴,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,581評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著失受,像睡著了一般讶泰。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上拂到,一...
    開(kāi)封第一講書人閱讀 49,821評(píng)論 1 290
  • 那天痪署,我揣著相機(jī)與錄音,去河邊找鬼兄旬。 笑死狼犯,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的领铐。 我是一名探鬼主播悯森,決...
    沈念sama閱讀 38,960評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼绪撵!你這毒婦竟也來(lái)了瓢姻?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書人閱讀 37,719評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤音诈,失蹤者是張志新(化名)和其女友劉穎幻碱,沒(méi)想到半個(gè)月后续膳,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,186評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡收班,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,516評(píng)論 2 327
  • 正文 我和宋清朗相戀三年坟岔,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片摔桦。...
    茶點(diǎn)故事閱讀 38,650評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡社付,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出邻耕,到底是詐尸還是另有隱情鸥咖,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布兄世,位于F島的核電站啼辣,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏御滩。R本人自食惡果不足惜鸥拧,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,936評(píng)論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望削解。 院中可真熱鬧富弦,春花似錦、人聲如沸氛驮。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 30,757評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)矫废。三九已至盏缤,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間蓖扑,已是汗流浹背唉铜。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 31,991評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留赵誓,地道東北人打毛。 一個(gè)月前我還...
    沈念sama閱讀 46,370評(píng)論 2 360
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像俩功,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子碰声,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,527評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容