图片 7

爬虫——Scrapy框架,scrapy框架

继续入门示例Demo项目:

爬虫——Scrapy框架,scrapy框架

  • Scrapy是用纯Python实现的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,用来爬取网页内容以及各种图片,非常方便。
  • Scrapy使用了Twisted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

图片 1

  • 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Resquest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Resquests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Resquests)。

制作Scrapy爬虫一共需要4步:

  • 新建项目(scrapy startproject 项目名):新建一个新的爬虫项目
  • 明确目标(编写items.py):明确你想要爬取的目标
  • 制作爬虫(spiders/xxxspider.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

入门案例

目标:

  • 创建一个Scrapy项目
  • 定义提取的结构化数据(Item)
  • 编写爬取网站的Spider并提取出结构化数据(Item)
  • 编写Item Pipelines来存储提取到的Item(结构化数据)

一、新建项目(scrapy startproject)

在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行命令:

scrapy startrpoject mySpider

其中,mySpider为项目名称,可以看到将会创建一个mySpider文件夹,目录结构大致如下:

图片 2

下载来简单介绍一下各个主要文件的作用:

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/middlewares.py:项目的管道文件
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

二、明确目标(mySpider/items.py)

我们这里以抓取: 网站里的所有讲师的姓名、职称和个人信息为例。

1.打开mySpider目录下的items.py

2.Item定义结构化数据字段,用来保存爬取的数据,有点像Python中的dict,但是提供了一些额外的保护以减少错误。

3.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。

4.接下来,创建一个ItcastItem类和构建item模型(model)。

import scrapy

class ItcastItem(scrapy.Item):
    # define the fields for your item here like:
    # 教师名
    name = scrapy.Field()
    # 职称
    level = scrapy.Field()
    # 简介
    info = scrapy.Field()

三、制作爬虫(spiders/itcastSpider.py)

爬虫功能要分两步:

1.爬数据

在当前目录下输入命令,将在mySpider/spider目录下创建一个名为itcast的爬虫,并指定爬取域的范围:

scrapy genspider itcast "itcast.cn"

打开mySpider/spider目录里的itcast.py,默认增加了下列代码:

import scrapy

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

    def parse(self, response):
        pass

我们也可以自行创建itcast.py并编写上面的代码,只不过使用命令可以免云编写固定代码的麻烦

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

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher/shtml",)

或

start_urls = ["http://www.itcast.cn/channel/teacher/shtml"]

2.取数据

爬取整个网页完毕,接下来的就是取的过程了,首先观察页面源码:

图片 3

<div class="li_txt">
    <h3> xxx </h3>
    <h4> xxx </h4>
    <p> xxxxx </p>

则parse函数代码如下:

    def parse(self, response):
        item = ItcastspiderItem()
        for each in response.xpath("//div[@class='li_txt']"):
            name = each.xpath("h3/text()").extract()
            level = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            item["name"] = name[0].strip()
            item["level"] = level[0].strip()
            item["info"] = info[0].strip()

            yield item

Item Pipeline

当Item在Spider中被收集之后,它将会被传递到Item Pipeline,这些Item
Pipeline组件按定义的顺序处理Item。

每个Item
Pipeline都是实现了简单方法的Python类,比如决定此Item是丢弃而存储。以下是item
pipeline的一些典型应用:

  验证爬取的数据(检查item包含某些字段,比如说name字段)

  查重

  将爬取结果保存到文件或者数据库中

编写item pipeline很简单,item
pipeline组件是一个独立的Python类,其中process_item()方法必须实现:

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

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

class ItcastspiderPipeline(object):
    def __init__(self):
        self.file = open("传智教师.json", "w", encoding = "utf-8")
        self.first_flag = True

    def process_item(self, item, spider):
        if self.first_flag:
            self.first_flag = False
            content = "[n" + json.dumps(dict(item), ensure_ascii = False)
        else:
            content = ",n" + json.dumps(dict(item), ensure_ascii = False)

        self.file.write(content)

        return item

    def close_spider(self, spider):
        self.file.write("n]")
        self.file.close()

启用一个Item Pipeline组件

为了启用Item
Pipeline组件,必须将它的类添加到settings.py文件ITEM_PIPELINES配置,就像下面这个例子:

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'itcastSpider.pipelines.ItcastspiderPipeline': 300,
}

分配组每个类的整型值,确定了他们运行的顺序,item按数字从低到高的顺序,通过pipeline,通常将这些数字定义在0-1000范围内(0-1000随意设置,数值越低,组件的优先级越高)

启动爬虫

scrapy crawl teacher

查看本地磁盘是有生成传智教师.json

 

Scrapy是用纯Python实现的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…

图片 4

项目默认已经创建好了items和 pipelines

Items

爬取的主要目标就是从非结构性的数据源提取结构性数据,例如网页。 Scrapy
spider可以以python的dict来返回提取的数据.虽然dict很方便,并且用起来也熟悉,但是其缺少结构性,容易打错字段的名字或者返回不一致的数据,尤其在具有多个spider的大项目中。。

为了定义常用的输出数据,Scrapy提供了 Item 类。 Item
对象是种简单的容器,保存了爬取到得数据。 其提供了
类似于词典(dictionary-like) 的API以及用于声明可用字段的简单语法。

许多Scrapy组件使用了Item提供的额外信息:
exporter根据Item声明的字段来导出数据、
序列化可以通过Item字段的元数据(metadata)来定义、 trackref
追踪Item实例来帮助寻找内存泄露 (see 使用 trackref 调试内存泄露) 等等。

Item
Pipeline

当Item在Spider中被收集之后,它将会被传递到Item
Pipeline,一些组件会按照一定的顺序执行对Item的处理。

每个item pipeline组件(有时称之为“Item
Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为,同时也决定此Item是否继续通过pipeline,或是被丢弃而不再进行处理。

以下是item pipeline的一些典型应用:

清理HTML数据

验证爬取的数据(检查item包含某些字段)

查重(并丢弃)

将爬取结果保存到数据库中

items.py默认代码:

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class DemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass

pipelines.py默认代码:

class DemoPipeline(object):
    def process_item(self, item, spider):
        return item

自定义items:

import scrapy


class DemoItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()  # 存储标题
    url = scrapy.Field()  # 存储地址

在pipelines中对数据就行清洗:

class DemoPipeline(object):
    def process_item(self, item, spider):
            
        title = item["title"]
        url = item["url"]
        """这里插入数据操作代码 比如写入数据库之类的操作"""
        
        return item

回到spiders (dev456.py)文件中, 使用刚刚定义的item:

# -*- coding: utf-8 -*-
import scrapy
from demo.items import DemoItem


class Dev456Spider(scrapy.Spider):
   name = 'dev456'
   allowed_domains = ['456dev.com']
   start_urls = ['http://www.456dev.com/list-1.html']

   def parse(self, response):
      titles = response.xpath("//li/a[contains(@class, 'title')]/text()").extract()
      urls = response.xpath("//li/a[contains(@class, 'title')]/@href").extract()

      for title, url in zip(titles, urls):
         item = DemoItem()
         item["title"] = title
         item["url"] = response.urljoin(url)
         yield item

最后在settings.py中启用pipelines, 取消注释启用默认item pipeline:

图片 5

执行结果:

图片 6

一下子跑完了,因为这只是一页的数据,如何抓取整个栏目的数据呢:

图片 7

通过分析,我们可以知道只要让spider继续请求分页地址解析数据就行了:

# -*- coding: utf-8 -*-
import scrapy
from demo.items import DemoItem


class Dev456Spider(scrapy.Spider):
   name = 'dev456'
   allowed_domains = ['456dev.com']
   start_urls = ['http://www.456dev.com/list-1.html']

   def parse(self, response):
      titles = response.xpath("//li/a[contains(@class, 'title')]/text()").extract()
      urls = response.xpath("//li/a[contains(@class, 'title')]/@href").extract()

      for title, url in zip(titles, urls):
         item = DemoItem()
         item["title"] = title
         item["url"] = response.urljoin(url)
         yield item

      # 下一页数据
      next_url_list = response.xpath("//li[contains(@class, 'next')]/a/@href").extract()
      if next_url_list:
         #  新请求
         yield scrapy.Request(response.urljoin(next_url_list[0]))

新请求默认继续调用parse方法解析数据,循环下去,直到没有下页数据时停止.

附上完整的项目代码:

    Scrapy入门示例 456dev爬虫完整源码
下载

发表评论

电子邮件地址不会被公开。 必填项已用*标注