第三百二十四节，web爬虫，scrapy模块介绍与使用

Posted 2020-09-29 林贵秀

第三百二十四节，web爬虫，scrapy模块介绍与使用

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处理, 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

 

创建Scrapy框架项目

Scrapy框架项目是有python安装目录里的Scripts文件夹里scrapy.exe文件创建的，所以python安装目录下的Scripts文件夹要配置到系统环境变量里，才能运行命令生成项目

创建项目

首先运行cmd终端，然后cd 进入要创建项目的目录，如：cd H:\\py\\14

进入要创建项目的目录后执行命令 scrapy startproject 项目名称

scrapy startproject pach1

项目创建成功

 

项目说明

目录结构如下：

├── firstCrawler

│   ├── __init__.py

│   ├── items.py

│   ├── middlewares.py

│   ├── pipelines.py

│   ├── settings.py

│   └── spiders

│       └── __init__.py

└── scrapy.cfg

• scrapy.cfg: 项目的配置文件
• tems.py: 项目中的item文件，用来定义解析对象对应的属性或字段。
• pipelines.py: 负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存取到数据库）
  
• settings.py: 项目的设置文件.
• spiders：实现自定义爬虫的目录
• middlewares.py：Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。

 

创建第一个爬虫

创建爬虫文件在spiders文件夹里创建

1、创建一个类必须继承scrapy.Spider类，类名称自定义

类里的属性和方法：

name属性，设置爬虫名称
allowed_domains属性，设置爬取的域名，不带http
start_urls属性，设置爬取的URL，带http
parse()方法，爬取页面后的回调方法，response参数是一个对象，封装了所有的爬取信息

response对象的方法和属性

response.url获取抓取的rul
response.body获取网页内容字节类型
response.body_as_unicode()获取网站内容字符串类型

# -*- coding: utf-8 -*-
import scrapy


class AdcSpider(scrapy.Spider):
    name = \'adc\'                                        #设置爬虫名称
    allowed_domains = [\'www.shaimn.com\']
    start_urls = [\'http://www.shaimn.com/xinggan/\']

    def parse(self, response):
        current_url = response.url                      #获取抓取的rul
        body = response.body                            #获取网页内容字节类型
        unicode_body = response.body_as_unicode()       #获取网站内容字符串类型
        print(unicode_body)

爬虫写好后执行爬虫，cd到爬虫目录里执行scrapy crawl adc --nolog命令，说明：scrapy crawl adc(adc表示爬虫名称) --nolog(--nolog表示不显示日志)

也可以在PyCharm执行命令