0
0

爬虫---scrapy爬虫框架（详细+实战）

​

活动地址：CSDN21天学习挑战赛

爬虫---scrapy爬虫框架

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。scrapy8

scrapy7

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

scrapy1
scrapy2

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
classAdicrawlerItem(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
classBaiduSpider(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()defparse(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

classThousandpicSpider(scrapy.Spider):
    name ='thousandpic'
    allowed_domains =['www.58pic.com']
    start_urls =['http://www.58pic.com/c/']defparse(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）

classScrapyDangdangPipeline:defopen_spider(self,spider):
        self.fp =open('book.json','w',encoding='utf-8')# item就是yield后面的对象defprocess_item(self, item, spider):   
        self.fp.write(str(item))return item

    defclose_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scrapy3
  • 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
import scrapy

classScrapyDangdangItem(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

classDangSpider(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()defparse(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pipelinesyield 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classScrapyDangdangPipeline:defopen_spider(self,spider):
        self.fp =open('book.json','w',encoding='utf-8')# item就是yield后面的book对象defprocess_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

    defclose_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

classDangDangDownloadPiepline:defprocess_item(self,item,spider):
        url ='http:'+ item.get('src')ifnot 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。

​

标签： 爬虫 scrapy 数据挖掘
本文转载自: https://blog.csdn.net/lihaian/article/details/126104447
版权归原作者 机器你今天学习了没 所有， 如有侵权，请联系我们删除。
登录后发布评论

“爬虫---scrapy爬虫框架（详细+实战）”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

pt-archive

深度了解flink Flink 本地运行Standalone模式

[webgis 0基础到找工作]------JavaScript--DOM事件进阶 day10

开通免费企业域名邮箱流程

Ubuntu中安装Maven

Microsoft Cognitive Toolkit (CNTK): 开源深度学习框架

[Unity Demo]从零开始制作空洞骑士Hollow Knight第十八集：制作UI系统的主菜单界面和选择存档界面

文章导航