17.网络爬虫—Scrapy入门与实战

网络爬虫—Scrapy入门与实战

前言：
🏘️🏘️个人简介：以山河作礼。
🎖️🎖️:Python领域新星创作者，CSDN实力新星认证
📝​📝第一篇文章《1.认识网络爬虫》获得

全站热榜第一，python领域热榜第一

。
🧾 🧾第四篇文章《4.网络爬虫—Post请求(实战演示)》

全站热榜第八

。
🧾 🧾第八篇文章《8.网络爬虫—正则表达式RE实战》

全站热榜第十二

。
🧾 🧾第十篇文章《10.网络爬虫—MongoDB详讲与实战》

全站热榜第八，领域热榜第二

🧾 🧾第十三篇文章《13.网络爬虫—多进程详讲(实战演示)》

全站热榜第十二

。
🧾 🧾第十四篇文章《14.网络爬虫—selenium详讲》

测试领域热榜第二十

。
🧾 🧾第十六篇文章《网络爬虫—字体反爬(实战演示)》

全站热榜第二十五

。
🎁🎁《Python网络爬虫》专栏累计发表十六篇文章，上榜七篇。欢迎免费订阅！欢迎大家一起学习，一起成长！！
💕💕悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

Scrapy基础

🧾 🧾Scrapy是一个用于爬取网站数据和提取结构化数据的Python应用程序框架。Scrapy的设计是用于Web爬虫，也可以用于提取数据和自动化测试。

Scrapy提供了一个内置的HTTP请求处理器，可以通过编写自定义的中间件来扩展其功能。Scrapy使用Twisted事件驱动框架，可以同时处理数千个并发请求。

🧾 Scrapy的主要组件包括：

1. ScrapyEngine(引擎)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
2. 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。
3. 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Responses交还给ScrapyEngine(引擎)，由引擎交给Spider来处理。
4. 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)。
5. 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。
6. Downloader Middlewares（下载中间件）：一个可以自定义扩展下载功能的组件。
7. 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。

Scrapy运行流程原理

Scrapy的工作流程

1.引擎从爬虫的起始URL开始，发送请求至调度器。

2.调度器将请求放入队列中，并等待下载器处理。

3.下载器将请求发送给网站服务器，并下载网页内容。

4.下载器将下载的网页内容返回给引擎。

5.引擎将下载的网页内容发送给爬虫进行解析。

6.爬虫解析网页内容，并提取需要的数据。

7.管道将爬虫提取的数据进行处理，并保存到本地文件或数据库中。

Scrapy的优点

1. 高效
   

   ：Scrapy使用Twisted事件驱动框架，可以同时处理数千个并发请求。

2. 可扩展
   

   ：Scrapy提供了丰富的扩展接口，可以通过编写自定义的中间件来扩展其功能。

3. 灵活
   

   ：Scrapy支持多种数据格式的爬取和处理，包括HTML、XML、JSON等。

4. 易于使用
   

   ：Scrapy提供了丰富的文档和示例，可以快速入门。

Scrapy基本使用(豆瓣网为例)

🧾 安装scrapy模块:

pip install Scrapy  

创建项目

🧾 🧾选择需要创建项目的位置
🎯进入cmd命令窗口（win+r），或者pycharm中打开终端也可以。

第一种方式

：

第二种方式

:

🎯进入到需要创建文件的盘符，在命令窗口使用命令（C:/D:/E:/F:）进入对应的盘符

🎯进入需要创建的路径：

cd 路径

cd D:\新建文件夹\pythonProject1\测试\scrapy入门

🎯 当输入命令的前面部分出现对应的路径，代表进入成功

🎯检测scrapy是否成功，直接输入scrapy按确认，

注意：如果没有成功（需要配置pip的环境变量，检测scrapy是否下载成功，是否安装到了其他的解释器中）

🎯创建项目，使用命令在命令窗口输入：

scrapy startproject douban     # douban是项目的名称

🎯确认输入的命令后，会在当前路径下创建一个项目,以下为成功案例:

New Scrapy project 'douban', using template directory 'D:\Python3.10\Lib\site-packages\scrapy\templates\project', created in:
    D:\新建文件夹\pythonProject1\测试\scrapy入门\douban

You can start your first spider with:
    cd douban
    scrapy genspider example example.com

🎯创建完成后,如果没有出现文件，进行刷新即可

创建爬虫

🧾 🧾 进入到spiders文件下创建创建爬虫文件

cd 到spiders文件下

例如：

cd douban\douban\spiders

🎯创建爬虫 命令：

[scrapy genspider 爬虫的名称 爬虫网站] 

爬虫的名称不能和项目名称一样
爬虫的网站是主网站即可

🎯成功后返回如下

Created spider 'douban_data' using template 'basic'in module:{spiders_module.__name__}.{module}

配置爬虫

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT ='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/112.0.0.0 Safari/537.36'# Obey robots.txt rules
ROBOTSTXT_OBEY =False

运行爬虫

🎯启动爬虫文件 scarpy crawl 爬虫名称
例如

  scrapy crawl douban_data

运行结果：

如何用python执行cmd命令

🧾 🧾 终端获取的数据无法进行搜索，所以我们使用python的模块来运行cmd命令，获取相同的数据，方便我们数据的搜索和筛选。

🧾 我们创建一个start的py文件，帮助我们运行程序：

方法/步骤:

1. 打开编辑器,导入python的os模块
2. 使用os模块中的system方法可以调用底层的cmd,其参数os.system(cmd)
3. sublime编辑器执行快捷键Ctrl+B执行代码,此时cmd命令执行

代码如下：

# 'scrapy crawl douban_data'import os
os.system('scrapy crawl douban_data')

运行结果（展示部分内容）：
🎯红色不是报错，是日志文件，日志输出也是红色。

数据解析

🧾 🧾我们需要对全部数据进行分析，拿到我们想到的数据，电影名称和电影评分:

title = re.findall('<a class="nbg" href=".*?"  title="(.*?)">', response.text)print(title)
        nums = re.findall('<span class="rating_nums">(.*?)</span>', response.text)print(nums)

打包数据

# 打包数据  /在items中定义传输数据的结构(结构可以定义,或者不进行定义)
        item = DoubanItem()# 需要将一条数据存入到字典中for title, nums inzip(title, nums):
            item['title']= title
            item['nums']= nums

            yield item

打开管道

🎯解除注释，打开管道

pipeline使用注意点

1. 使用之前需要在settings中开启
2. pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过：权重值小的优先执行
3. 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
4. pipeline中process_item的方法必须有，否则item没有办法接受和处理
5. process_item方法接受item和spider，其中spider表示当前传递item过来的spider
6. open_spider(self, spider) :能够在爬虫开启的时候执行一次
7. close_spider(self, spider) :能够在爬虫关闭的时候执行一次
8. 上述俩个方法经常用于爬虫和数据库的交互，在爬虫开启的时候建立和数据库的连接，在爬虫关闭的时候断开和数据库的连接

🎯打开管道将数据写入txt文件中

classDoubanPipeline:def__init__(self):
        self.f =open('data.txt','w+', encoding='utf-8')defprocess_item(self, item, spider):
        self.f.write(f'{item}\n')return item

    defclose_spider(self, spider):
        self.f.close()print('文件写入完成')

🎯运行结果：

后记

👉👉本专栏所有文章是博主学习笔记，仅供学习使用，爬虫只是一种技术，希望学习过的人能正确使用它。
博主也会定时一周三更爬虫相关技术更大家系统学习，如有问题，可以私信我，没有回，那我可能在上课或者睡觉，写作不易，感谢大家的支持！！🌹🌹🌹