zoukankan      html  css  js  c++  java
  • 新手必学Python爬虫之Scrapy框架案例详解

     

    Scrapy简介

    Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛。

    框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便。另外要注意:光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程,可以去小编的Python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,还可以跟老司机交流讨教!

    Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

    Scrapy架构

    qqq.png

    Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。

    Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。

    Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,

    Spider(爬虫):它负责处理所有Responses,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Scheduler(调度器),

    Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。

    Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。

    Spider Middlewares(Spider中间件):你可以理解为是一个可以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)

    白话讲解Scrapy运作流程

    代码写好,程序开始运行...

    1.引擎:Hi!Spider, 你要处理哪一个网站?

    2.Spider:老大要我处理xxxx.com。

    3.引擎:你把第一个需要处理的URL给我吧。

    4.Spider:给你,第一个URL是xxxxxxx.com。

    5.引擎:Hi!调度器,我这有request请求你帮我排序入队一下。

    6.调度器:好的,正在处理你等一下。

    7.引擎:Hi!调度器,把你处理好的request请求给我。

    8.调度器:给你,这是我处理好的request

    9.引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求

    10.下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)

    11.引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)

    12.Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

    13.引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

    14.管道``调度器:好的,现在就做!

    相关推荐:《Python相关教程》

    制作Scrapy爬虫步骤

    1.新建项目

    scrapy startproject mySpider

    www.png

    scrapy.cfg :项目的配置文件
    mySpider/ :项目的Python模块,将会从这里引用代码
    mySpider/items.py :项目的目标文件
    mySpider/pipelines.py :项目的管道文件
    mySpider/settings.py :项目的设置文件
    mySpider/spiders/ :存储爬虫代码目录

    2.明确目标(mySpider/items.py)

    想要爬取哪些信息,在Item里面定义结构化数据字段,保存爬取到的数据。

    3.制作爬虫(spiders/xxxxSpider.py)

    import scrapy
    class ItcastSpider(scrapy.Spider):
        name = "itcast"
        allowed_domains = ["itcast.cn"]
        start_urls = (
            'http://www.itcast.cn/',
        )
        def parse(self, response):
            pass

    name = "" :这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。

    allow_domains = [] 是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的URL会被忽略。

    start_urls = () :爬取的URL元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

    parse(self, response) :解析的方法,每个初始URL完成下载后将被调用,调用的时候传入从每一个URL传回的Response对象来作为唯一参数,主要作用如下:

    4.保存数据(pipelines.py)

    在管道文件里面设置保存数据的方法,可以保存到本地或数据库。

    温馨提醒

    第一次运行scrapy项目的时候,出现-->"DLL load failed" 错误提示,需要安装pypiwin32模块。   

    简单入门的实例

     (1)items.py

    想要爬取的信息

    # -*- coding: utf-8 -*-
    import scrapy
    class ItcastItem(scrapy.Item):
        name = scrapy.Field()
        title = scrapy.Field()
        info = scrapy.Field()

    (2)itcastspider.py

    写爬虫程序

    #!/usr/bin/env python
    # -*- coding:utf-8 -*-
    import scrapy
    from mySpider.items import ItcastItem
    # 创建一个爬虫类
    class ItcastSpider(scrapy.Spider):
        # 爬虫名
        name = "itcast"
        # 允许爬虫作用的范围
        allowd_domains = ["http://www.itcast.cn/"]
        # 爬虫起始的url
        start_urls = [
            "http://www.itcast.cn/channel/teacher.shtml#",
        ]
        def parse(self, response):
            teacher_list = response.xpath('//div[@class="li_txt"]')
            # 所有老师信息的列表集合
            teacherItem = []
            # 遍历根节点集合
            for each in teacher_list:
                # Item对象用来保存数据的
                item = ItcastItem()
                # name, extract() 将匹配出来的结果转换为Unicode字符串
                # 不加extract() 结果为xpath匹配对象
                name = each.xpath('./h3/text()').extract()
                # title
                title = each.xpath('./h4/text()').extract()
                # info
                info = each.xpath('./p/text()').extract()
                item['name'] = name[0].encode("gbk")
                item['title'] = title[0].encode("gbk")
                item['info'] = info[0].encode("gbk")
                teacherItem.append(item)
            return teacherItem

    输入命令:scrapy crawl itcast -o itcast.csv  保存为 ".csv"的格式

    最后注意:光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程,可以去小编的Python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,还可以跟老司机交流讨教!

    本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。


  • 相关阅读:
    iOS如何获取蓝牙Mac地址
    iOS完整App资源收集
    四月兄弟AprilBeacon
    图片360°旋转动画(
    图片圆角
    获取子字符串在元字符串中出现的所有位置
    调用系统震动 循环震动
    ibecon后台运行
    uiwebview 加载本地js、css、img,html从网站加载
    获取蓝牙mac地址
  • 原文地址:https://www.cnblogs.com/chengxuyuanaa/p/12899809.html
Copyright © 2011-2022 走看看