Scrapy框架

目录

• 1. Scrapy介绍
  • 1.1. Scrapy框架
  • 1.2. Scrapy运行流程
  • 1.3. 制作Srapy爬虫的四部曲
  • 1.4. 文件目录
• 2. Scrapy全部流程
• 3. 写爬虫主要文件

1. Scrapy介绍

1.1. Scrapy框架

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。

• 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）：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Requests）

1.2. Scrapy运行流程

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！

1.3. 制作Srapy爬虫的四部曲

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

1.4. 文件目录

插入scrapy01.png

• scrapy.cfg ：项目的配置文件

[settings]
default = mySpider.settings

[deploy]
#url = http://localhost:6800/
project = mySpider

• mySpider/ ：项目的Python模块，将会从这里引用代码
• __init__: 必须的文件
• mySpider/items.py ：项目的目标文件

import scrapy


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

• mySpider/Middlewares.py ：
• mySpider/pipelines.py ：项目的管道文件

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

• mySpider/settings.py ：项目的设置文件

# 你的爬虫名字
BOT_NAME = 'mySpider'

# 你的爬虫的位置
SPIDER_MODULES = ['mySpider.spiders']
NEWSPIDER_MODULE = 'mySpider.spiders'

# 是否遵循robust协议
ROBOTSTXT_OBEY = True

# 爬虫并发量
#CONCURRENT_REQUESTS = 32

# 下载延迟
#DOWNLOAD_DELAY = 3
# 下载延迟的额外设置：一般不用设置
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# 是否使用cookie
#COOKIES_ENABLED = False

# 访问电话线设置
#TELNETCONSOLE_ENABLED = False

# 设置默认请求报头
#DEFAULT_REQUEST_HEADERS = {
# 'User-Agent': ''
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# 爬虫中间键：一般不设置
#SPIDER_MIDDLEWARES = {
#    'mySpider.middlewares.MyspiderSpiderMiddleware': 543,
#}

# 下载中间键： 后面的值是优先级，越小越高
#DOWNLOADER_MIDDLEWARES = {
#    'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
#}

# 延展，没什么用
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# 管道文件---经常使用的，用于指定优先级
# 
#ITEM_PIPELINES = {
#    'mySpider.pipelines.MyspiderPipeline': 300,
#}

2. Scrapy全部流程

我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。

• 创建项目

• 编写items.py文件：设置需要保存的数据字段

• 创建爬虫模板

  • 在spiders/文件夹下面运行scrapy genspider spidername "startURL"

• 进入xxx/spiders： 编写爬虫文件，文件里的name就是爬虫名

• 写管道文件

  • 设置文件保存的形式和写入文件
  • 在setting中设置优先级(默认自动设置)
  • 添加User-Agent到setting中

• 运行：
  -scrapy crawl itcast

  • scrapy crawl itcast -o json/csv/xml/

• 数据处理

  • 数据：交给管道文件处理 yield item
  • 请求：重新发送给调度器入、出队列，交给下载器下载 yield scrapy.Request(url, callback = self.parse)

3. 写爬虫主要文件

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：

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