• 一、scrapy的下载安装---Windows（安装软件太让我伤心了）

    写博客就和笔记一样真的很有用，你可以随时的翻阅。爬虫的爬虫原理与数据抓取、非结构化与结构化数据提取、动态HTML处理和简单的图像识别已经学完，就差整理博客了

    开始学习scrapy了，所以重新建了个分类。

    scrapy的下载到安装，再到能够成功运行就耗费了我三个小时的时间，为了防止以后忘记，记录一下。

    我用的是Python3.6.        Windows    需要四步

    1、pip3 install wheel

    2、安装Twisted

    　　a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下载：Twisted-17.9.0-cp36-cp36m-win_amd64.whl
    　　

    　　b. 进入文件所在目录
    　　

    　　c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl

    3、pip3 install scrapy

    然后我打开cmd,输入了scrapy, 出现：

    　　　 scrapy startproject myspider                              -----------创建scrapy项目

    　　　 cd myspider                                                       -----------进入myspider目录

               scrapy genspider baidu baidu.com                    ------------创建爬虫文件

    　　　 scrapy crawl baidu                                            -------------运行文件

    之后，就报错了，说缺少一个模块win32,   上网查说  windows上scrapy依赖pywin32，下载网址： https://sourceforge.net/projects/pywin32/files/  

    我下载了，在安装的时候出现了：

     

    上面说是没注册什么的，上网搜了一下解决方案，唉，自己没看懂。痛心疾首，对我自己的智商感到捉急

    4、在cmd中使用python -m pip install pypiwin32

     这是我成功的方法，上网查之后，在https://stackoverflow.com/questions/4863056/how-to-install-pywin32-module-in-windows-7有这样一段话：

    每天一个小实例：爬视频（其实找到了视频的url链接，用urllib.request.urlretrieve(视频url，存储的路径）就可以了。

    我做的这个例子太简单；用scrapy框架显得复杂，，我只是下载了一页，多页的话循环url，主要是走一遍使用Scrapy的流程：

     1 #第一
 2 打开mySpider目录下的items.py
 3 
 4 # -*- coding: utf-8 -*-
 5 
 6 # Define here the models for your scraped items
 7 #
 8 # See documentation in:
 9 # https://doc.scrapy.org/en/latest/topics/items.html
10 
11 import scrapy
12 
13 '''Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。
14 
15 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。'''
16 class MyspiderItem(scrapy.Item):
17     # define the fields for your item here like:
18     name = scrapy.Field()
19     mp4_url = scrapy.Field()
20 
21 
22 
23 #第二，打开你创建的爬虫文件，我的是baisi.py
24 
25 # -*- coding: utf-8 -*-
26 import scrapy
27 from myspider.items import MyspiderItem
28 
29 class BaisiSpider(scrapy.Spider):
30     name = 'baisi'
31     allowed_domains = ['http://www.budejie.com']
32     start_urls = ['http://www.budejie.com/video/']
33 
34     def parse(self, response):
35         # 将我们得到的数据封装到一个 `MyspiderItem` 对象
36         item = MyspiderItem()
37 
38         #提取数据
39         mp4_links = response.xpath('//li[@class="j-r-list-tool-l-down f-tar j-down-video j-down-hide ipad-hide"]')
40         for mp4_link in mp4_links:
41             name = mp4_link.xpath('./@data-text')[0].extract()
42             video = mp4_link.xpath('./a/@href')[0].extract()
43             #判断是否有MP4——url链接，有的保存
44             if video:
45                 item['name'] = name
46                 item['mp4_url'] = video
47             # 将获取的数据交给pipelines
48             yield item
49 
50 
51 
52 
53 
54 #第三 打开pipelines.py文件
55 
56 # -*- coding: utf-8 -*-
57 
58 # Define your item pipelines here
59 #
60 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
61 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
62 import urllib.request
63 import os
64 class MyspiderPipeline(object):
65     def process_item(self, item, spider):
66 #文件名
67         file_name = "%s.mp4" % item['name']
68 #文件保存路径
69         file_path = os.path.join("F:\myspider\myspider\video", file_name)
70         urllib.request.urlretrieve(item['mp4_url'],file_path)
71         return item
72 
73 
74 第四，执行scrapy crawl baisi
    View Code

    执行结果：

     

     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。
    • 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架构图(绿线是数据流向)：

    • 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）

    scrapy运行的流程大概是：

    1. 引擎从调度器中取出一个链接（URL）用于接下来的抓取。
    2. 引擎把URL封装成一个请求（request）传给下载器。
    3. 下载器把资源下载下来，并封装成应答包（response）
    4. 爬虫解析response
    5. 解析出实体（item），则交给实体管道进行进一步处理
    6. 解析出的是衔接（URL），则把URL交给调度器等待抓取

    基本使用：

    1.在命令行中输入： scrapy startproject myspider -----------创建scrapy项目

    自动创建目录：

    打开：myspider

    文件说明：

    • scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
    • items.py    设置数据存储模板，用于结构化数据，如：Django的Model
    • pipelines    数据处理行为，如：一般结构化的数据持久化
    • settings.py 配置文件，如：递归的层数、并发数，延迟下载等
    • spiders      爬虫目录，如：创建文件，编写爬虫规则

    2.

       cd myspider                                             -----------进入myspider目录

       scrapy genspider baidu baidu.com         ------------创建爬虫文件

    注意：一般创建爬虫文件时，以网站域名命名，文件会在spiders中，

    3.  然后你就可以编写代码了

    4.  scrapy crawl baidu        -------------运行文件

    总的来说：

    制作 Scrapy 爬虫 一共需要4步：

    • 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
  • 相关阅读:
    Eclipse CDT Linux下内存分析 实战历险
    .Net元编程【Metaprogramming in NET】 序-翻译
    go语言和资料
    代码提交 【转】
    两本有意思的书【代码的未来、淘宝技术这十年】
    C/C++构建系统 GNU autotool
    C/C++构建系统 -工具汇总
    使用Java语言开发微信公众平台(四)——图文消息的发送与响应
    Onsen UI 前端框架（二）
    Maven项目搭建（一）：Maven初体验
  • 原文地址：https://www.cnblogs.com/jiangzijiang/p/8459669.html
Copyright © 2020-2023  润新知