小爬爬5:scrapy介绍2
Posted studybrother
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了小爬爬5:scrapy介绍2相关的知识,希望对你有一定的参考价值。
1.scrapy:爬虫框架
-框架:集成了很多功能且具有很强通用性的一个项目模板
-如何学习框架:(重点:知道有哪些模块,会用就行)
-学习框架的功能模板的具体使用.
功能:(1)异步爬取(自带buffer)
(2)高性能的数据解析+持久化存储操作.
2.scrapy环境安装:
Linux: pip3 install scrapy Windows: a. pip3 install wheel b. 下载地址twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted c. 进入下载目录,执行 pip3 install Twisted?17.1.0?cp35?cp35m?win_amd64.whl #注意:这一步是需要参考python版本cp36或者cp35
d. pip3 install pywin32 e. pip3 install scrapy
3.scrapy数据解析
scrapy使用流程
(1)首先,可以切换想要创建的目录,直接在下面的Terminal中创建一个工程,切换回上一层目录.
(2)创建一个工程命令:scrapy startproject scrapy1
(3)看一下目录结构,我们先了解spiders文件夹和settings.py文件
(4)settings.py里边,我们需要进行相关的属性配置
spiders文件夹下面,我们需要新建"爬虫文件",
我们再cd到我们刚才新建的工程内: cd scrapy1
创建爬虫文件:scrapy genspider 爬虫文件名 起始url
scrapy genspider first www.xxx.com
(5)下面,我们看一下穿件的爬虫文件first.py:
爬虫程序first.py,详细描述
# -*- coding: utf-8 -*- import scrapy class FirstSpider(scrapy.Spider): name = ‘first‘ #name爬虫文件的名称,爬虫文件的唯一标识,有多个爬虫文件的时候会用到 # allowed_domains = [‘www.xxx.com‘] # allowed_domains = [‘www.baidu.com‘] #被允许的域名 #如果修改成:www.baidu.com这个被允许的域名,那么只可以访问百度下的相关地址 #因此我们知道这个allowed_domains是用来做限定的,这个可以注释掉 #起始的url列表(可以放置多个url) #多个(都会被scrapy进行自动的请求发送) start_urls = [‘https://www.baidu.com/‘,‘https://www.sogou.com/‘] #用来解析数据的parse函数,现在列表中有两个url,这两个都会被请求发送 #因此会调用两次 def parse(self, response): #response是url请求之后得到的响应对象 print(response)
下面执行爬虫程序(见下图):scrapy crawl first
我们看起来是仅仅执行这一个爬虫文件,但其实是执行了这整个工程
如果仅仅执行这一个爬虫文件是没有任何意义的.
运行:
得到的内容,很像是一些日志信息.
(6)我们可以看到其中有一条是"遵循robotstxt_obey"遵循robots协议,这也就意味着我们爬取不到任何的数据,
因此我们应该设置,不遵从robots协议,具体在settings.py里边设置,
ROBOTSTXT_OBEY = False
(7)下面我们再在设置里,写"遵循UA伪装"
(8)这个时候,我们再次运行这个爬虫程序:
得到下面的结果:
(9)start_urls列表里边的url会自动发送请求的,不管有多少个都会发生请求.
parse这个函数就会得到response响应的响应
(10)我们看到的信息可能会干扰我们看信息,我们可以设置不看日志
这个时候,我们可以看到只要结果数据
(11)爬取糗事百科中的内容.
以上是关于小爬爬5:scrapy介绍2的主要内容,如果未能解决你的问题,请参考以下文章