爬虫-第五篇-scrapy框架初识,持久化存储,手动请求发送
Posted yinhaiping
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫-第五篇-scrapy框架初识,持久化存储,手动请求发送相关的知识,希望对你有一定的参考价值。
准备工作
什么是框架?如何学习框架?
就是一个集成了各种功能且具有很强通用性(可以被应用在各种不同的需求中)的一个项目模板.
scrapy集成了哪些功能:
- 高性能的数据解析操作,持久化存储操作,高性能的数据下载的操作.....
环境的安装:
a. pip3 install wheel b. 下载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 d. pip3 install pywin32 e. pip3 install scrapy
scrapy的基本使用
- 创建一个工程:scrapy startproject firstBlood
- 必须在spiders这个目录下创建一个爬虫文件
- cd 项目目录
- scrapy genspider spiderName www.xxx.com
- 执行工程:scrapy crawl spiderName
import scrapy
class FirstSpider(scrapy.Spider):
#爬虫文件的名称:爬虫文件的唯一标识(在spiders子目录下是可以创建多个爬虫文件)
name = 'first'
#允许的域名
# allowed_domains = ['www.baidu.com']
#起始的url列表:列表中存放的url会被scrapy自动的进行请求发送
start_urls = ['https://www.baidu.com/','https://www.sogou.com/']
#用作于数据解析:将start_urls列表中对应的url请求成功后的响应数据进行解析
def parse(self, response):
print(response)
settings.py:
- 不遵从robots协议
- 进行UA伪装
- 进行日志等级设定:LOG_LEVEL = ‘ERROR‘
持久化存储
基于终端指令:
- 特性:只可以将parse方法的返回值存储到本地的磁盘文件中
- 指令:scrapy crawl spiderName -o filePath
- 文件名后缀只能是json,csv,xml,pickle等
def parse(self, response):
div_list = response.xpath('//*[@id="content-left"]/div')
all_data = []
for div in div_list:
author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
content = div.xpath('./a[1]/div/span//text()').extract()
content = ''.join(content)
#构建数据结构
dic =
'author':author,
'content':content
all_data.append(dic)
return all_data
基于管道
实现流程
1.数据解析
2.在item类中定义相关的属性# item.py import scrapy class QiubaiproItem(scrapy.Item): # define the fields for your item here like: author = scrapy.Field() #Field可以将其理解成是一个万能的数据类型 content = scrapy.Field()
3.将解析的数据存储或者封装到一个item类型的对象(items文件中对应类的对象)
# qiubai.py def parse(self, response): div_list = response.xpath('//*[@id="content-left"]/div') all_data = [] for div in div_list: author = div.xpath('./div[1]/a[2]/h2/text()').extract_first() content = div.xpath('./a[1]/div/span//text()').extract() content = ''.join(content) #将解析的数据存储到item对象 item = QiubaiproItem() item['author'] = author item['content'] = content #将item提交给管道 yield item #item一定是提交给了优先级最高的管道类
4.向管道提交item--->yield
5.在管道文件的process_item方法中接收item进行持久化存储class QiubaiproPipeline(object): fp = None def open_spider(self,spider): print('开始爬虫......') self.fp = open('qiushibaike.txt','w',encoding='utf-8') #使用来接收爬虫文件提交过来的item,然后将其进行任意形式的持久化存储 #参数item:就是接收到的item对象 #该方法每接收一个item就会调用一次 def process_item(self, item, spider): author = item['author'] content= item['content'] self.fp.write(author+':'+content+'\n') return item #item是返回给了下一个即将被执行的管道类 def close_spider(self,spider): print('结束爬虫!') self.fp.close()
6.在配置文件中开启管道
# settings.py ITEM_PIPELINES = 'qiubaiPro.pipelines.QiubaiproPipeline': 300, #300表示的是优先级 # 'qiubaiPro.pipelines.mysqlPL': 301, # 'qiubaiPro.pipelines.RedisPL': 302,
将同一份数据持久化到不同的平台
- 1.管道文件中的一个管道类负责数据的一种形式的持久化存储
- 2.爬虫文件向管道提交的item只会提交给优先级最高的那一个管道类
- 3.在管道类的process_item中的return item表示的是将当前管道接收的item返回/提交给
下一个即将被执行的管道类
#负责将数据存储到mysql
class MysqlPL(object):
conn = None
cursor = None
def open_spider(self,spider):
self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='123',db='spider',charset='utf8')
print(self.conn)
def process_item(self,item,spider):
author = item['author']
content = item['content']
sql = 'insert into qiubai values ("%s","%s")'%(author,content)
self.cursor = self.conn.cursor()
try:
self.cursor.execute(sql)
self.conn.commit()
except Exception as e:
print(e)
self.conn.rollback()
return item
def close_spider(self,spider):
self.cursor.close()
self.conn.close()
class RedisPL(object):
conn = None
def open_spider(self,spider):
self.conn = Redis(host='127.0.0.1',port=6379)
print(self.conn)
def process_item(self,item,spider):
self.conn.lpush('all_data',item)
#注意:如果将字典写入redis报错:pip install -U redis==2.10.6
在scrapy中如何进行手动请求发送
手动请求发送(GET)
- 使用场景:爬取多个页码对应的页面源码数据
- yield scrapy.Request(url,callback)
#将多个页码对应的页面数据进行爬取和解析的操作
url = 'https://www.qiushibaike.com/text/page/%d/'#通用的url模板
pageNum = 1
#parse第一次调用表示的是用来解析第一页对应页面中的段子内容和作者
def parse(self, response):
div_list = response.xpath('//*[@id="content-left"]/div')
all_data = []
for div in div_list:
# scrapy中的xpath返回的列表的列表元素一定是Selector对象,我们最终想要的解析的
# 数据一定是存储在该对象中
# extract()将Selector对象中data参数的值取出
# author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
# 列表直接调用extract表示的是将extract作用到每一个列表元素中
content = div.xpath('./a[1]/div/span//text()').extract()
content = ''.join(content)
# 将解析的数据存储到item对象
item = QiubaiproItem()
item['author'] = author
item['content'] = content
# 将item提交给管道
yield item # item一定是提交给了优先级最高的管道类
if self.pageNum <= 5:
self.pageNum += 1
new_url = format(self.url%self.pageNum)
#手动请求(get)的发送
yield scrapy.Request(new_url,callback=self.parse)
手动请求发送(POST)
data = #post请求的请求参数
‘kw‘:‘aaa‘
yield scrapy.FormRequest(url,formdata=data,callback)
很少用此框架发送post请求
scrapy五大核心组件的工作流程
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。
以上是关于爬虫-第五篇-scrapy框架初识,持久化存储,手动请求发送的主要内容,如果未能解决你的问题,请参考以下文章