python爬虫入门(六) Scrapy框架之原理介绍

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

代码语言:javascript
复制
scrapy startproject mySpider
代码语言:javascript
复制
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)

代码语言:javascript
复制
import scrapy

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

def parse(self, response):
    pass</code></pre></div></div><ul class="ul-level-0"><li> <code>name = &#34;&#34;</code> :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

    代码语言:javascript
    复制
    # -*- coding: utf-8 -*-
    

    import scrapy

    class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

    (2)itcastspider.py

    写爬虫程序

    代码语言:javascript
    复制
    #!/usr/bin/env python

    -- coding:utf-8 --

    import scrapy
    from 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(&#39;//div[@class=&#34;li_txt&#34;]&#39;)
        # 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(&#39;./h3/text()&#39;).extract()
            # title
            title = each.xpath(&#39;./h4/text()&#39;).extract()
            # info
            info = each.xpath(&#39;./p/text()&#39;).extract()
    
            item[&#39;name&#39;] = name[0].encode(&#34;gbk&#34;)
            item[&#39;title&#39;] = title[0].encode(&#34;gbk&#34;)
            item[&#39;info&#39;] = info[0].encode(&#34;gbk&#34;)
    
            teacherItem.append(item)
    
        return teacherItem</code></pre></div></div><p>输入命令:scrapy crawl itcast -o itcast.csv  保存为 &#34;.csv&#34;的格式</p><h3 id="91a4m" name="%E7%AE%A1%E9%81%93%E6%96%87%E4%BB%B6pipelines.py%E7%9A%84%E7%94%A8%E6%B3%95">管道文件pipelines.py的用法</h3><p> (1)setting.py修改</p><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言:</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0">ITEM_PIPELINES = {
    

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

    (2)itcastspider.py

    代码语言:javascript
    复制
    #!/usr/bin/env python

    -- coding:utf-8 --

    import scrapy
    from 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(&#34;teacher.html&#34;, &#34;w&#34;) 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(&#39;//div[@class=&#34;li_txt&#34;]&#39;)
    
        # 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(&#39;./h3/text()&#39;).extract()
            # title
            title = each.xpath(&#39;./h4/text()&#39;).extract()
            # info
            info = each.xpath(&#39;./p/text()&#39;).extract()
    
            item[&#39;name&#39;] = name[0]
            item[&#39;title&#39;] = title[0]
            item[&#39;info&#39;] = info[0]
    
            yield item</code></pre></div></div><p>(3)pipelines.py</p><p>数据保存到本地</p><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言:</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0"># -*- coding: utf-8 -*-
    

    import json

    class 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) + &#34;\n&#34;
        self.filename.write(jsontext.encode(&#34;utf-8&#34;))
        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()</code></pre></div></div><p>(4)items.py</p><div class="rno-markdown-code"><div class="rno-markdown-code-toolbar"><div class="rno-markdown-code-toolbar-info"><div class="rno-markdown-code-toolbar-item is-type"><span class="is-m-hidden">代码语言:</span>javascript</div></div><div class="rno-markdown-code-toolbar-opt"><div class="rno-markdown-code-toolbar-copy"><i class="icon-copy"></i><span class="is-m-hidden">复制</span></div></div></div><div class="developer-code-block"><pre class="prism-token token line-numbers language-javascript"><code class="language-javascript" style="margin-left:0"># -*- coding: utf-8 -*-
    

    import scrapy

    class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()