zoukankan      html  css  js  c++  java
  • scrapy爬虫框架

    0x00 scrapy爬虫框架


    scrapy库的安装:

    可以直接使用pip install scrapy来安装,如果IDE是pycharm的话参考之前requests库的安装

    scrapy爬虫框架结构:

    scrapy采用5+2的结构,五个主要模块加上两个中间键

    详细介绍一下各个组件:

      • 引擎(Engine)
        用来处理整个系统的数据流, 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。
      • 下载器中间件(Downloader Middlewares)
        位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
      • 爬虫中间件(Spider Middlewares)
        介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
      • 调度中间件(Scheduler Middewares)
        介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。

     这里需要用户去编写的是spider模块和pipeline模块,前者作为一个爬虫数据的入口,后者则是数据的出口

    scrapy命令行格式:

    命令:

    0x01 scrapy爬虫框架实例


    首先在cmd命令中新建一个scrapy的项目

    这行命令就是在D盘的pycode文件夹中新建python123demo项目 ,接着可以直接导入pycharm中

    这里可以清楚地看到项目中已经给了我们一些文件

    现在项目里都是空的,所以需要我们生成一个爬虫

    这一段的意思就是生成一个名为demo的爬虫,爬取的网站是python123.io

    回到pycharm中,我们发现spiders文件夹下生成了一个demo.py的文件

    接下来就是要配置爬虫,修改demo.py文件,这段代码实现一个网页的下载

    import scrapy
    
    
    class DemoSpider(scrapy.Spider):
        name = 'demo'
        #allowed_domains = ['python123.io']
        start_urls = ['http://python123.io/ws/demo.html']
    
        def parse(self, response):
            fname = response.url.split('/')[-1]
            with open(fname, 'wb') as f:
                f.write(response.body)
            self.log('Saved file %s.' % fname)

    接着去cmd中执行命令运行爬虫

    这里可能会报错,解决办法:ModuleNotFoundError: No module named 'win32api'

     安装成功后执行原来的命令,成功在当前目录下生成demo.html文件

    0x01 scrapy爬虫使用


    yield关键字的使用:

    举个例子:要遍历连续自然数的平方可以用一下代码实现:

    第一段代码使用生成器的写法,gen()函数中每次执行yield命令时,i被冻结直到下一次调用该函数,而第二种方法首先将结果全部存入列表中,当数据量过大时会严重占用存储空间,增加代码运行时间。第一种方法每次进行一次调用,当数据量大的时候速度有明显优势。

    scrapy爬虫的使用:

    步骤1:创建一个工程和spider模板

    步骤2:编写spider

    步骤3:编写item pipeline

    步骤4:优化配置策略

    爬虫的数据类型:

    ①request类:像网络上提交请求的内容。

    ②response类:从网络上爬取内容的封装类。

    ③item类:由spider产生的信息封装的类

    request的属性和方法:

    response类的属性和方法:

    scrapy爬虫提取信息的方法:

    css selector的使用

  • 相关阅读:
    Flutter form 的表单 input
    FloatingActionButton 实现类似 闲鱼 App 底部导航凸起按钮
    Flutter 中的常见的按钮组件 以及自 定义按钮组件
    Drawer 侧边栏、以及侧边栏内 容布局
    AppBar 自定义顶部导航按钮 图标、颜色 以及 TabBar 定义顶部 Tab 切换 通过TabController 定义TabBar
    清空路由 路由替换 返回到根路由
    应对ubuntu linux图形界面卡住的方法
    [转] 一块赚零花钱
    [转]在树莓派上搭建LAMP服务
    ssh保持连接
  • 原文地址:https://www.cnblogs.com/Ragd0ll/p/10261339.html
Copyright © 2011-2022 走看看