应用scrapy爬虫框架

Posted 2021-04-25 大数志

---

初识scrapy

scrapy=scrap+python，是python自动化爬虫框架，相当于一个模板。当启动了一个scrapy工程后，会自动生成若干相互关联的文件，用户仅需根据特定需求更改文件中的具体内容即可。

Scrapy爬虫框架示意图

---

5步完成scrapy爬虫

1.创建scrapy工程和基础爬虫

a.更改cmd目录：cd C:\Programs\Python\

b.创建一个scrapy项目:scrapy startproject ProName

c.创建一个基础爬虫类:scrapy genspider SpiName "url.com"

其中，cmd目录路径是工程的目标存放路径，ProName是scrapy项目的工程名，而SpiName则是爬虫名字，在最后启动该项目时即调用该爬虫名字，url.com是目标网站的域名，该项目还会根据域名自动生成爬虫初始页。当然，这些在后续文件中都可以手动更改，项目只是自动化生成了一个模板而已。

2.定义文件存储格式

打开爬虫下的item.py文件，定义抓取数据的存储实体

11class ProNameItem(scrapy.Item):
22    # define the fields for your item here like:
33    # name = scrapy.Field()

定义了item后，后续的抓取数据格式就都会按此存储。当然，可以在该文件中定义多类数据存储实体。

3.设计爬虫文件Spiders

在第1步的c中，创建了SpiName的基础爬虫后会自动生成一个SpiName.py文件，里面会声明一个SpinameSpider类，类下会至少包含四个要素：

1class SpinameSpider(scrapy.Item):
2    name = 'SpiName'
3    allowed_domains = ['url.com']
4    start_urls = [http://url.com]
5    def parse(self, response):

其中start_urls可以是一组爬虫初始页，parse()是我们要定义的爬虫规则和获取数据方法，简单的爬虫也仅需更改此函数即可。

4.设置pipeline处理和存储数据

Pipeline原意是管道，实际上计算机专业里的流水线也是这个词。所以我们可以理解为该函数是对于抓取实体进行的一整套处理方法，包括常见的格式审查、数据去重和存入数据库中等等。

5.设置settings

进行简单的项目设置，该文件可以进行请求模拟头（UA）设置、多pipeline间优先级等，这也直接决定了该项目会如何启动爬虫及数据处理，不同的优先级会带来完全不同的效果。