189 8069 5689

scrapy的使用

  • scrapy的安装使用
  • scrapy架构
  • 爬虫概念流程
  • scrapy项目开发流程
  • scrapy常用设置
  • scrapy的安装使用
    scrapy的基本使用资料网站：https://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/shell.html
    • 本文使用环境配置：win7+pycharm+python3.7
    • 在安装scrapy过程中遇到了比较多的坑，scrapy基于twisted开发，直接安装scrapy无法安装，提示pip版本问题以及各种error，pip install --upgrade pip升级，安装zope.interface-->pyOpenSSL-->Twisted-->scrapy由于源是国外的站点，可能访问失败，下载过程也比较慢，推荐直接访问官方网站直接把.whl包直接下载下来，通过terminal安装更便捷。运行过程还需要win32api,直接安装pypiwin32
    • 使用命令
1.在终端输入scrapy命令可以查看可用命令
    Usage:
  scrapy  [options] [args]
  Available commands:
  bench         Run quick benchmark test
  fetch         Fetch a URL using the Scrapy downloader
  genspider     Generate new spider using pre-defined templates
  runspider     Run a self-contained spider (without creating a project)
  settings      Get settings values
  shell         Interactive scraping console
  startproject  Create new project
  version       Print Scrapy version
  view          Open URL in browser, as seen by Scrapy

  • scrapy架构

    让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名申请、网页空间、营销软件、网站建设、珙县网站维护、网站推广。

    • 架构图
      scrapy的使用
      各组件功能：
      Scrapy Engine(引擎):负责SpiderDownloader、Schedule、ItemPipeline之间通信、信号、数据传递等。
      Scgeduler:负责接收引擎发送过来的Request请求，并按照一定的方法进行整理排列，入队，当引擎需要时交还给引擎。
      Downloader负责下载引擎发送过来的所有请求，并将其获取到的Response交还给Scrapy引擎，有引擎交还给Spider处理。
      Spider：负责处理所有Response，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schedule。
      ItemPipeline：负责处理Spider中获取到的Item,并进行后期处理（详细分析、过滤、存储等）
      DownloaderMiddlewares：当作是一个可以自定义扩展下载功能的组件
      SpiderMiddlewares：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）

  • 爬虫概念流程
    概念：亦可以称为网络蜘蛛或网络机器人，是一个模拟浏览器请求网站行为的程序，可以自动请求网页，把数据抓取下来，然后使用一定规则提取有价值的数据。
    基本流程:
    发起请求-->获取响应内容-->解析内容-->保存处理

  • scrapy项目开发流程
    1.建立项目scrapy startproject xxx
    2.编写item.py：明确想要抓取的信息
    3.直至爬虫（spider.py）
    4.存储内容（pipeline.py）
    • 爬取豆瓣电影信息：
      1.创建项目后>scrapy startproject tuorial，会创建一个目录并生产相关配置文件。
      scrapy的使用
      2.分析需求，查看网站网页信息，编写item.py文件用于保存爬取到的数据容器，其方法与字典类似，定义类型为 scrapy.Field 的类属性来定义一个 Item。
      scrapy的使用
      import scrapy
class DoubanItem(scrapy.Item):
#序号
serial_number=scrapy.Field()
#名称
movie_name=scrapy.Field()
#介绍
introduce=scrapy.Field()
#星级
star=scrapy.Field()
#评论
evalute=scrapy.Field()
#描述
desc=scrapy.Field()

      3.编写Spider文件，爬虫主要是该文件实现
      进到根目录，执行命令：scrapy genspider spider_name "domains" : spider_name为爬虫名称唯一,"domains",指定爬取域范围，即可创建spider文件，当然这个文件可以自己手动创建。
      进程scrapy.Spider类，里面的方法可以覆盖。 

      import scrapy
from ..items import DoubanItem
class DoubanSpider(scrapy.Spider):
name='douban_mv'
allowed_domains=['movie.douban.com']
start_urls=['https://movie.douban.com/top250']
def parse(self, response):        
movie_list=response.xpath("//div[@class='article']//ol[@class='grid_view']//li//div[@class='item']")     
for movie in movie_list:
    items=DoubanItem()
    items['serial_number']=movie.xpath('.//div[@class="pic"]/em/text()').extract_first()
    items['movie_name']=movie.xpath('.//div[@class="hd"]/a/span/text()').extract_first()
    introduce=movie.xpath('.//div[@class="bd"]/p/text()').extract()
    items['introduce']=";".join(introduce).replace(' ','').replace('\n','').strip(';')
    items['star']=movie.xpath('.//div[@class="star"]/span[@class="rating_num"]/text()').extract_first()
    items['evalute']=movie.xpath('.//div[@class="star"]/span[4]/text()').extract_first()
    items['desc']=movie.xpath('.//p[@class="quote"]/span[@class="inq"]/text()').extract_first()
    yield items
"next-page"实现翻页操作
link=response.xpath('//span[@class="next"]/link/@href').extract_first()
if link:
     yield response.follow(link,callback=self.parse)

      4.编写pipelines.py文件
      清理html数据、验证爬虫数据，去重并丢弃，文件保存csv,json,db.，每个item pipeline组件生效需要在setting中开启才生效，且要调用process_item(self,item,spider)方法。
      open_spider(self,spider) :当spider被开启时，这个方法被调用
      close_spider(self, spider) :当spider被关闭时，这个方法被调用 

      # -*- coding: utf-8 -*-
# Define your item pipelines here
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import json
import csv
class TutorialPipeline(object):
def open_spider(self,spider):
pass
def __init__(self):
self.file=open('item.json','w',encoding='utf-8')
def process_item(self, item, spider):
line=json.dumps(dict(item),ensure_ascii=False)+"\n"
self.file.write(line)
return item
class DoubanPipeline(object):
def open_spider(self,spider):
self.csv_file=open('movies.csv','w',encoding='utf8',newline='')
self.writer=csv.writer(self.csv_file)
self.writer.writerow(["serial_number","movie_name","introduce","star","evalute","desc"])
def process_item(self,item,spider):
self.writer.writerow([v for v in item.values()])
def close_spider(self,spider):
self.csv_file.close()

      5.开始运行爬虫
      scrapy crawl "spider_name" 即可爬取在terminal中显示信息，注spider_name为spider文件中name名称。
      在命令行也可以直接输出文件并保存，步骤4可以不开启： 

      scrapy crawl demoz -o items.json
scrapy crawl itcast -o teachers.csv
scrapy crawl itcast -o teachers.xml

  • scrapy常用设置
    修改配置文件：setting.py
    每个pipeline后面有一个数值，这个数组的范围是0-1000，这个数值确定了他们的运行顺序，数字越小越优先
    DEPTH_LIMIT :爬取网站最大允许的深度(depth)值。如果为0，则没有限制
    FEED_EXPORT_ENCODING = 'utf-8' 设置编码
    DOWNLOAD_DELAY=1：防止过于频繁，误认为爬虫
    USAGE_AGENT:设置代理
    LOG_LEVEL = 'INFO'：设置日志级别，资源
    COOKIES_ENABLED = False：禁止cookie
    CONCURRENT_REQUESTS = 32：并发数量
    设置请求头：DEFAULT_REQUEST_HEADERS={...}

  • xpath用法
    scrapy的使用
    scrapy的使用

网页题目：scrapy的使用
转载源于：http://cdxtjz.com/article/pojjoe.html

其他资讯