scrapy--使用案例

1.scrapy框架

1.1 安装scrapy

1. pip3 install wheel
2. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
3. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
4. pip3 install pywin32
5. pip3 install scrapy

1.2 简单使用

scrapy创建需要在终端执行命令

• scrapy startproject proName 创建项目
• cd proNme 进入项目文件夹
• scrapy genspider spiderName www.xxx.com 创建一个爬虫文件

1.3 配置文件

• 不遵从robots协议

  # Obey robots.txt rules
  ROBOTSTXT_OBEY = False
  

• 进行UA伪装

  USER_AGENT = '浏览器USER_AGENT'
  

• 进行日志等级设定:

  LOG_LEVEL = 'ERROR'

1.4 使用方法

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,一般注释掉
    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)

• 项目启动命令
  • scrapy crawl pro_name

1.5 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
  • 存储指令: scrapy crawl spiderName -o filePath

  class XiaopapaSpider(scrapy.Spider):
      name = 'qiubai'
      # allowed_domains = ['www.xxx.com']
      start_urls = ['https://www.qiushibaike.com/text/']
  
      # 基于终端指令的持久化存储操作
      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()  # 取第一个
              author = div.xpath('./div[1]/a[2]/h2/text()').extract_first() # 也是取第一个
              # 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)
              dic = {'author': author,
                  'content': content }
              all_data.append(dic)
          return all_data
      
  # response.xpath("xpath 路径")  返回的列表的列表元素是Selector对象,数据存在该对象当中
  # extract()将Selector对象中data参数的值取出
  # .extract_first() # 取第一个值
  # 列表直接调用extract表示的是将extract作用到每一个列表元素中,返回的是一个列表
  

​

• 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
  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)
  4.向管道提交item
  5.在管道文件的process_item方法中接收item进行持久化存储
  6.在配置文件中开启管道

  # 管道中需要注意的细节：
      - 配置文件中开启管道对应的配置是一个字典，字典中的键值表示的就是某一个管道
      - 在管道对应的源文件中其实可以定义多个管道类。一个管道类对应的是一种形式的持久化存储
      - 在process_item方法中的return item表示的是将item提交给下一个即将被执行的管道类
      - 爬虫文件通过yield item只可以将item提交给第一个（优先级最高）被执行的管道
  

• 将同一份数据持久化到不同的平台中

  • 分析:
    • 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

  # 基于管道的持久化存储
  # 爬虫.py文件,
  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
          
  

  • items.py文件

  # items.py文件
  class QiubaiproItem(scrapy.Item):
      author = scrapy.Field() #Field可以将其理解成是一个万能的数据类型
      content = scrapy.Field()
  

  • pipelines.py文件
    • 存储到不同的数据平台中

  # pipelines.py文件
  #存储到文件中
  class QiubaiproPipeline(object):
      fp = None
      def open_spider(self,spider): # 重写父类方法,只会执行一次,打开文件
          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+'
  ')
          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): # 重写父类方法,只会执行一次,关闭文件
          print('结束爬虫!')
          self.fp.close()
  
  #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()
          
  # 存到redis
  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
  

  • settings文件
    • 注册定义的管道

  ITEM_PIPELINES = {
      'qiubaiPro.pipelines.QiubaiproPipeline': 300,  # 300表示的是优先级,数字越小,优先级就越大
      'qiubaiPro.pipelines.MysqlPL': 301,
      'qiubaiPro.pipelines.RedisPL': 302,
  }
  

1.6 发送请求

1.6.1 自动请求发送：

def start_requests(self):
    for url in self.start_urls:
    	yield scrapy.Request(url,callback=self.parse)

1.6.2 手动发送请求:

• 在scrapy中如何进行手动请求发送(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)
• 在scrapy中如何进行手动请求发送(POST)
  data = { #post请求的请求参数
  'kw':'aaa'
  }
  yield scrapy.FormRequest(url,formdata=data,callback)

#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:
        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)  # 递归调用parse方法

1.7 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。