Scrapy 基础-01
Posted sunjingjingking
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Scrapy 基础-01相关的知识,希望对你有一定的参考价值。
Scrapy
Scrapy 是一个位了爬取网站数据,提取数据结构性数据而编写的应用框架,少量代码,就能快速爬取,使用了Twisted 异步网络框架,加快我们下载速度!
工作流程
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的运作流程
代码写好,程序开始运行...1 引擎:Hi!Spider, 你要处理哪一个网站?2 Spider:老大要我处理xxxx.com。3 引擎:你把第一个需要处理的URL给我吧。4 Spider:给你,第一个URL是xxxxxxx.com。5 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。6 调度器:好的,正在处理你等一下。7 引擎:Hi!调度器,把你处理好的request请求给我。8 调度器:给你,这是我处理好的request9 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求10 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你 记录一下,我们待会儿再下载)11 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)12 Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。13 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。14 管道调度器:好的,现在就做!注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)入门实例爬取(腾讯招聘)
准备环境:
pip install scrapy
1)创建项目
scrapy startproject myspider
2)创建仪个爬虫
scrapy genspider itcast(爬虫名字) "itcast.cn"(限制网站的范围)
3)启动爬虫
scrapy crawl itcast代码:
1 ###设置item 字段### 2 import scrapy 3 4 class MyspiderItem(scrapy.Item): 5 title = scrapy.Field() 6 position = scrapy.Field() 7 time = scrapy.Field() 8 address = scrapy.Field() 9 10 ###设置spiders 目录下的爬虫脚本,可以设置多个## 11 vim spiders/itcast.py 12 # -*- coding: utf-8 - 13 import scrapy 14 import sys 15 #之前设置好的items 导入进来 16 from myspider.items import MyspiderItem 17 18 class ItcastSpider(scrapy.Spider): 19 #spider.name 可以用于判断 20 name = ‘itcast‘ 21 #限制范围 22 allowed_domains = [‘tencent.com‘] 23 start_urls = [‘https://hr.tencent.com/position.php?lid=2218&tid=87‘] 24 #parse方法不能修改,必须有 25 def parse(self, response): 26 tb_list = response.xpath("//table[@class=‘tablelist‘]/tr")[1:-1] 27 for tr in tb_list: 28 #字典对象 29 item = MyspiderItem() 30 item[‘title‘] = tr.xpath("./td[1]/a/text()").extract_first() 31 item[‘position‘] = tr.xpath("./td[2]/text()").extract_first() 32 item[‘address‘] = tr.xpath("./td[4]/text()").extract_first() 33 item[‘time‘] = tr.xpath("./td[5]/text()").extract_first() 34 yield item 35 #翻页 36 next_url = response.xpath("//a[@id=‘next‘]/@href").extract_first() 37 print(next_url) 38 if next_url != "javascript:;": 39 next_url = "https://hr.tencent.com/" +next_url 40 print(next_url) 41 #下一页请求,scrapy封装好的request请求 42 yield scrapy.Request( 43 next_url, 44 callback=self.parse 45 ) 46 print("="*30) 47 48 ##设置存储pipeline## 49 vim pipelines.py 50 # -*- coding: utf-8 -*- 51 import json 52 class MyspiderPipeline(object): 53 def process_item(self,item,spider): 54 #有判断,以后可以写多个piiline,来存储 55 if spider.name == "itcast": 56 with open(‘temp.txt‘,‘a‘) as f: 57 #item 是一个对象,要转成字典! 58 json.dump(dict(item),f,ensure_ascii=False,indent=2) 59 60 61 ##设置setting 配置## 62 开启pipelines,可以设置多个 63 64 ITEM_PIPELINES = { 65 ‘myspider.pipelines.MyspiderPipeline‘: 300, 66 ‘myspider.pipelines.XXXXPipeline‘: 300, 67 } 68 #不显示日志 69 LOG_LEVEL = "WARNING" 70 71 ##浏览器头 72 USER_AGENT = ‘Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (Khtml, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1‘
以上是关于Scrapy 基础-01的主要内容,如果未能解决你的问题,请参考以下文章