python爬虫入门(六) Scrapy框架之原理介绍

2018-02-26 08:13:09来源:cnblogs.com作者:zhang_derek人点击

分享

Scrapy框架

Scrapy简介

  • Scrapy是用纯Python实现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,用来抓取网页内容以及各种图片,非常之方便。

  • Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,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

  • Scrapy Engine(引擎): 负责SpiderItemPipelineDownloaderScheduler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Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

 白话讲解Scrapy运作流程

代码写好,程序开始运行...

  1. 引擎:Hi!Spider, 你要处理哪一个网站?

  2. Spider:老大要我处理xxxx.com。

  3. 引擎:你把第一个需要处理的URL给我吧。

  4. Spider:给你,第一个URL是xxxxxxx.com。

  5. 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。

  6. 调度器:好的,正在处理你等一下。

  7. 引擎:Hi!调度器,把你处理好的request请求给我。

  8. 调度器:给你,这是我处理好的request

  9. 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

  10. 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

  11. 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)

  12. Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

  13. 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

  14. 管道``调度器:好的,现在就做!

 制作Scrapy爬虫步骤

1.新建项目

scrapy startproject mySpider

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/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

2.明确目标(mySpider/items.py)

想要爬取哪些信息,在Item里面定义结构化数据字段,保存爬取到的数据

3.制作爬虫(spiders/xxxxSpider.py)

import scrapyclass ItcastSpider(scrapy.Spider):    name = "itcast"    allowed_domains = ["itcast.cn"]    start_urls = (        'http://www.itcast.cn/',    )    def parse(self, response):        pass
  • 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:

 4.保存数据(pipelines.py)

在管道文件里面设置保存数据的方法,可以保存到本地或数据库

温馨提醒

第一次运行scrapy项目的时候

出现-->"DLL load failed" 错误提示,需要安装pypiwin32模块    

先写个简单入门的实例

 (1)items.py

想要爬取的信息

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):    name = scrapy.Field()    title = scrapy.Field()    info = scrapy.Field()

(2)itcastspider.py

写爬虫程序

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom mySpider.items import ItcastItem# 创建一个爬虫类class ItcastSpider(scrapy.Spider):    # 爬虫名    name = "itcast"    # 允许爬虫作用的范围    allowd_domains = ["http://www.itcast.cn/"]    # 爬虫起始的url    start_urls = [        "http://www.itcast.cn/channel/teacher.shtml#",    ]    def parse(self, response):        teacher_list = response.xpath('//div[@class="li_txt"]')        # 所有老师信息的列表集合        teacherItem = []        # 遍历根节点集合        for each in teacher_list:            # Item对象用来保存数据的            item = ItcastItem()            # name, extract() 将匹配出来的结果转换为Unicode字符串            # 不加extract() 结果为xpath匹配对象            name = each.xpath('./h3/text()').extract()            # title            title = each.xpath('./h4/text()').extract()            # info            info = each.xpath('./p/text()').extract()            item['name'] = name[0].encode("gbk")            item['title'] = title[0].encode("gbk")            item['info'] = info[0].encode("gbk")            teacherItem.append(item)        return teacherItem

输入命令:scrapy crawl itcast -o itcast.csv  保存为 ".csv"的格式

管道文件pipelines.py的用法

 (1)setting.py修改

ITEM_PIPELINES = {  #设置好在管道文件里写的类   'mySpider.pipelines.ItcastPipeline': 300,}

(2)itcastspider.py

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom mySpider.items import ItcastItem# 创建一个爬虫类class ItcastSpider(scrapy.Spider):    # 爬虫名    name = "itcast"    # 允许爬虫作用的范围    allowd_domains = ["http://www.itcast.cn/"]    # 爬虫其实的url    start_urls = [        "http://www.itcast.cn/channel/teacher.shtml#aandroid",    ]    def parse(self, response):        #with open("teacher.html", "w") as f:        #    f.write(response.body)        # 通过scrapy自带的xpath匹配出所有老师的根节点列表集合        teacher_list = response.xpath('//div[@class="li_txt"]')        # 遍历根节点集合        for each in teacher_list:            # Item对象用来保存数据的            item = ItcastItem()            # name, extract() 将匹配出来的结果转换为Unicode字符串            # 不加extract() 结果为xpath匹配对象            name = each.xpath('./h3/text()').extract()            # title            title = each.xpath('./h4/text()').extract()            # info            info = each.xpath('./p/text()').extract()            item['name'] = name[0]            item['title'] = title[0]            item['info'] = info[0]            yield item

(3)pipelines.py

数据保存到本地

# -*- coding: utf-8 -*-import jsonclass ItcastPipeline(object):    # __init__方法是可选的,做为类的初始化方法    def __init__(self):        # 创建了一个文件        self.filename = open("teacher.json", "w")    # process_item方法是必须写的,用来处理item数据    def process_item(self, item, spider):        jsontext = json.dumps(dict(item), ensure_ascii = False) + "/n"        self.filename.write(jsontext.encode("utf-8"))        return item    # close_spider方法是可选的,结束时调用这个方法    def close_spider(self, spider):        self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):    name = scrapy.Field()    title = scrapy.Field()    info = scrapy.Field()

最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台