scrapy框架的使用

Posted 2021-01-28 jzxs

Scrapy    框架架构

一.Scrapy框架是基于Twisted的异步框架，纯Python实现的爬虫框架，耦合程度低，可拓展性极强。

1.Engine引擎，处理整个系统的数据流、触发事物、框架的核心

2.item项目，定义爬虫爬取结果的数据结构，爬取的数据会被赋值成该item对象

3.Schedule调度器，接受engine发过来的request放入队列，然后engine再次请求时，将request发送给engine

4.Downloader下载器，下载网页内容，并将网页返回给spiders

5.spiders蜘蛛，定义爬取逻辑和网页解析规则，负责解析response提取结果并返回新的request

6.item Pipeline项目管道，负责处理由蜘蛛从网页中抽取项目，进行清洗，验证和存储数据

7.Downloader Middlewares下载器中间件，主要处理engine和Downloader之间的请求及响应

8.spider Middlewares 蜘蛛中间件，主要处理spiders输入的响应和输出结果及新的请求

scrapy数据流

1.engine打开网站，向这个网站的spider请求第一个要爬取的URL

2.engine通过Scheduler以request的形式调度第一个URL

3.engine向Scheduler请求下一个要爬取的URL

4.Scheduler返回下一个要爬取的URL给engine，engine将URL通过Downloader Middlewares 转发给Downloader下载

5.一旦页面下载完毕，Downloader生成该页面的Response，并将其通过Downloader Middlewares发送给Engine

6.Engine从下载器中接受Response，并将其通过Spider Middlewares发送给Spider处理

7.Spider处理Response，并返回爬取到的Item及新的Request给Engine

8.Engine将Spider返回的Item给Item Pipeline，将新的Request给Scheduler

9.重复第2到第8步，直到Scheduler中没有更多的Request，Engine关闭该网站，爬取接受

Scrapy项目认识

1.安装Scrapy通过pip安装   pip install Scrapy

2.创建Scrapy项目，直接通过scrapy命令   scrapy startproject  XXXXX 这个命令可以在任意文件夹运行，我们在一个文件夹中用scrapy startproject Tanzhou命令生成一个Tanzhou的文件夹，再进入Tanzhou文件中，用命令scrapy genspider Tanzhous  shiguangkey.com在文件夹中生成Tanzhous.py文件

   

3.构造请求

class TanzhousSpider(scrapy.Spider):
    name = ‘Tanzhous‘
    allowed_domains = [‘shiguangkey.com‘]
    baseUrl = ‘https://www.shiguangkey.com/course/list?page=‘
    offset=0

    start_urls = [baseUrl + str(offset)]

4.创建Item，在items.py文件中

import scrapy


class TanzhouItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 课程金额
    money = scrapy.Field()
    # 课程名称
    title = scrapy.Field()
    #课程人数
    personNum=scrapy.Field()

5.解析响应，在Tanzhous.py类的parse（）方法中直接对response进行解析，并添加到item中，再返回Item。后面使用了前面offset来构造新的request，使用callback

函数再次解析request

def parse(self, response):
        nodes=response.xpath(‘.//div[@class="course-item w192 h240 fl"]‘)
        for node in nodes:
            item=TanzhouItem()

            item[‘money‘]=node.xpath(‘normalize-space(.//div[@class="item-line"]/span/text())‘).extract_first()
            item[‘title‘]=node.xpath(‘normalize-space(.//div[@class="itemcont"]/a/text())‘).extract_first()
            item[‘personNum‘]=node.xpath(‘.//div[@class="item-line"]/a/text()‘).extract_first()
            
            yield item

            if self.offset <24:
               self.offset += 1
               url = self.baseUrl + str(self.offset)
               yield scrapy.Request(url, callback=self.parse)

6.进入目录运行项目使用命令  scrapy crawl Tanzhous，可以运行结果，

这只是一部分内容，通过Scrapy框架可以做到边解析边爬取，直到爬取结束，停止

 

7.可以将命令窗口爬取到的内容保存到文件，执行下面的命令保存成json文件  scrapy crawl Tanzhous -o Tanzhous.json运行之后就可以看见json文件了

还可以通过命令输出csv、xml、pickle、marshal格式

scrapy crawl Tanzhous -o Tanzhous.csv

scrapy crawl Tanzhous -o Tanzhous.xml

scrapy crawl Tanzhous -o Tanzhous.pickle

scrapy crawl Tanzhous -o Tanzhous.marshal

 

8.将结果保存到MongoDB数据库要通过定义Item Pipeline实现，修改pipeline.py文件添加新类TextPipeline 实现process_item()方法，ItemPipeline是项目管道，前面生成的Item都要被送到ItemPipeline进行处理，也就是清理html数据，验证爬虫数据，查重，再保存到数据库中

import pymongo
from scrapy.exceptions import DropItem


class TextPipeline(object):

    def __init__(self):
        self.limit=50
    def process_item(self, item, spider):
        if item[‘title‘]:
           if len(item[‘title‘])>self.limit:
              item[‘title‘]=item[‘title‘][0:self.limit].rstrip()+‘...‘
           return item
        else:
           return DropItem(‘Missing Text‘)

这是对数据的再处理以便保存到数据库。同样在pipeline.py中定义另一个Pipeline，我们实现另一个MongoPipeline如下

class MongoPipeline(object):
    
     def __init__(self, mongo_uri,mongo_db):
         self.mongo_uri=mongo_uri
         self.mongo_db=mongo_db

     @classmethod
     def from_crawler(cls,crawler):
         return cls(
            mongo_uri=crawler.settings.get(‘MONGO_URI‘),
            mongo_db=crawler.settings.get(‘MONGO_DB‘)
        )
     def open_spider(self,spider):
        self.client=pymongo.MongoClient(self.mongo_uri)
        self.db=self.client[self.mongo_db]

     def process_item(self,item,spider):
        name=item.__class__.__name__
        self.db[name].insert(dict(item))
        return item
     def close_spider(self,spider):
        self.client.close()

我们还要在setting.py中配置内容

ITEM_PIPELINES={
    ‘Tanzhou.pipelines.TextPipeline‘:300,
    ‘Tanzhou.pipelines.MongoPipeline‘:400,
}
MONGO_URI=‘localhost‘
MONGO_DB=‘TanzhouW‘

还要启动mongodb数据库，在执行爬取运行命令 scrapy crawl Tanzhous 爬取结束后MongoDB中创建了一个数据库如下