• Scrapy简单入门及实例讲解


    Scrapy是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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。

    Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

    Scrapy主要包括了以下组件:

      • 引擎(Scrapy)
        用来处理整个系统的数据流, 触发事务(框架核心)
      • 调度器(Scheduler)
        用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
      • 下载器(Downloader)
        用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
      • 爬虫(Spiders)
        爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
      • 项目管道(Pipeline)
        负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
      • 下载器中间件(Downloader Middlewares)
        位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
      • 爬虫中间件(Spider Middlewares)
        介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
      • 调度中间件(Scheduler Middewares)
        介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。

    Scrapy运行流程大概如下:

    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的处理
    6. 解析出的是链接(URL),则把URL交给调度器等待抓取

    一、安装

        1、安装wheel
            pip install wheel
        2、安装lxml
            https://pypi.python.org/pypi/lxml/4.1.0
        3、安装pyopenssl
            https://pypi.python.org/pypi/pyOpenSSL/17.5.0
        4、安装Twisted
            https://www.lfd.uci.edu/~gohlke/pythonlibs/
        5、安装pywin32
            https://sourceforge.net/projects/pywin32/files/
        6、安装scrapy
            pip install scrapy

     注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/

    二、爬虫举例

    入门篇:美剧天堂前100最新(http://www.meijutt.com/new100.html)

    1、创建工程

    scrapy startproject movie

    2、创建爬虫程序

    cd movie
    scrapy genspider meiju meijutt.com

    3、自动创建目录及文件

    4、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

    注意:一般创建爬虫文件时,以网站域名命名

    5、设置数据存储模板

     items.py

    import scrapy
     
     
    class MovieItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        name = scrapy.Field()

    6、编写爬虫

      meiju.py

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    # -*- coding: utf-8 -*-
    import scrapy
    from movie.items import MovieItem
     
    class MeijuSpider(scrapy.Spider):
        name = "meiju"
        allowed_domains = ["meijutt.com"]
        start_urls = ['http://www.meijutt.com/new100.html']
     
        def parse(self, response):
            movies = response.xpath('//ul[@class="top-list  fn-clear"]/li')
            for each_movie in movies:
                item = MovieItem()
                item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
                yield item

    7、设置配置文件

      settings.py增加如下内容

    ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}

    8、编写数据处理脚本

      pipelines.py

    class MoviePipeline(object):
        def process_item(self, item, spider):
            with open("my_meiju.txt",'a') as fp:
                fp.write(item['name'].encode("utf8") + '
    ')

    9、执行爬虫

    cd movie
    scrapy crawl meiju --nolog

    10、结果

  • 相关阅读:
    JavaScript 【引用类型】RegExp类型
    JavaScript【引用类型】Function 类型
    JavaScript【引用方法】归并方法
    JavaScript【引用方法】迭代方法
    JavaScript【引用方法】位置方法
    【华为云技术分享】MongoDB经典故障系列一:数据库频繁启动失败怎么办?
    【华为云技术分享】Python面试的一些心得,与Python练习题分享
    【华为云技术分享】Linux内核发展史 (1)
    【华为云技术分享】Spring Boot 最流行的 16 条实践解读!
    【华为云技术分享】opensuse使用zypper安装软件
  • 原文地址:https://www.cnblogs.com/slsectyoufromwrold/p/10773820.html
Copyright © 2020-2023  润新知