0
点赞
收藏
分享

微信扫一扫

Python 爬虫之Scrapy框架

Scrapy框架架构

Scrapy框架介绍:

写一个爬虫,需要做很多的事情。比如:发送网络请求、数据解析、数据存储、反反爬虫机制(更换ip代理、设置请求头等)、异步请求等。这些工作如果每次都要自己从零开始写的话,比较浪费时间。因此​​Scrapy​​​把一些基础的东西封装好了,在他上面写爬虫可以变的更加的高效(爬取效率和开发效率)。因此真正在公司里,一些上了量的爬虫,都是使用​​Scrapy​​框架来解决。

Scrapy框架模块功能:

  1. ​Scrapy Engine(引擎)​​​:​​Scrapy​​​框架的核心部分。负责在​​Spider​​​和​​ItemPipeline​​​、​​Downloader​​​、​​Scheduler​​中间通信、传递数据等。
  2. ​Spider(爬虫)​​:发送需要爬取的链接给引擎,最后引擎把其他模块请求回来的数据再发送给爬虫,爬虫就去解析想要的数据。这个部分是我们开发者自己写的,因为要爬取哪些链接,页面中的哪些数据是我们需要的,都是由程序员自己决定。
  3. ​Scheduler(调度器)​​:负责接收引擎发送过来的请求,并按照一定的方式进行排列和整理,负责调度请求的顺序等。
  4. ​Downloader(下载器)​​:负责接收引擎传过来的下载请求,然后去网络上下载对应的数据再交还给引擎。
  5. ​Item Pipeline(管道)​​​:负责将​​Spider(爬虫)​​传递过来的数据进行保存。具体保存在哪里,应该看开发者自己的需求。
  6. ​Downloader Middlewares(下载中间件)​​:可以扩展下载器和引擎之间通信功能的中间件。
  7. ​Spider Middlewares(Spider中间件)​​:可以扩展引擎和爬虫之间通信功能的中间件。

Scrapy快速入门

安装和文档:

  1. 安装:通过​​pip install scrapy​​即可安装。
  2. Scrapy官方文档:​​http://doc.scrapy.org/en/latest​​
  3. Scrapy中文文档:​​http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html​​

注意:

  1. 在​​ubuntu​​​上安装​​scrapy​​​之前,需要先安装以下依赖:
    ​​​sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev​​​,然后再通过​​pip install scrapy​​安装。
  2. 如果在​​windows​​​系统下,提示这个错误​​ModuleNotFoundError: No module named 'win32api'​​​,那么使用以下命令可以解决:​​pip install pypiwin32​​。

快速入门:

创建项目:

要使用​​Scrapy​​框架创建项目,需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建:

scrapy startproject [项目名称]

目录结构介绍:

以下介绍下主要文件的作用:

  1. items.py:用来存放爬虫爬取下来数据的模型。
  2. middlewares.py:用来存放各种中间件的文件。
  3. pipelines.py:用来将​​items​​的模型存储到本地磁盘中。
  4. settings.py:本爬虫的一些配置信息(比如请求头、多久发送一次请求、ip代理池等)。
  5. scrapy.cfg:项目的配置文件。
  6. spiders包:以后所有的爬虫,都是存放到这个里面。

使用Scrapy框架爬取糗事百科段子:

使用命令创建一个爬虫:

scrapy gensipder qsbk "qiushibaike.com"

创建了一个名字叫做​​qsbk​​​的爬虫,并且能爬取的网页只会限制在​​qiushibaike.com​​这个域名下。

爬虫代码解析:

import scrapy

class QsbkSpider(scrapy.Spider):
name = 'qsbk'
allowed_domains = ['qiushibaike.com']
start_urls = ['http://qiushibaike.com/']

def parse(self, response):
pass

其实这些代码我们完全可以自己手动去写,而不用命令。只不过是不用命令,自己写这些代码比较麻烦。
要创建一个Spider,那么必须自定义一个类,继承自​​​scrapy.Spider​​,然后在这个类中定义三个属性和一个方法。

  1. name:这个爬虫的名字,名字必须是唯一的。
  2. allow_domains:允许的域名。爬虫只会爬取这个域名下的网页,其他不是这个域名下的网页会被自动忽略。
  3. start_urls:爬虫从这个变量中的url开始。
  4. parse:引擎会把下载器下载回来的数据扔给爬虫解析,爬虫再把数据传给这个​​parse​​方法。这个是个固定的写法。这个方法的作用有两个,第一个是提取想要的数据。第二个是生成下一个请求的url。
修改settings.py代码:

在做一个爬虫之前,一定要记得修改​​setttings.py​​中的设置。两个地方是强烈建议设置的。

  1. ​ROBOTSTXT_OBEY​​设置为False。默认是True。即遵守机器协议,那么在爬虫的时候,scrapy首先去找robots.txt文件,如果没有找到。则直接停止爬取。
  2. ​DEFAULT_REQUEST_HEADERS​​​添加​​User-Agent​​。这个也是告诉服务器,我这个请求是一个正常的请求,不是一个爬虫。
完成的爬虫代码:
  1. 爬虫部分代码:

import scrapy
from abcspider.items import QsbkItem

class QsbkSpider(scrapy.Spider):
name = 'qsbk'
allowed_domains = ['qiushibaike.com']
start_urls = ['https://www.qiushibaike.com/text/']

def parse(self, response):
outerbox = response.xpath("//div[@id='content-left']/div")
items = []
for box in outerbox:
author = box.xpath(".//div[contains(@class,'author')]//h2/text()").extract_first().strip()
content = box.xpath(".//div[@class='content']/span/text()").extract_first().strip()
item = QsbkItem()
item["author"] = author
item["content"] = content
items.append(item)
return items

  1. items.py部分代码:

import scrapy
class QsbkItem(scrapy.Item):
author = scrapy.Field()
content = scrapy.Field()

  1. pipeline部分代码:

import json

class AbcspiderPipeline(object):
def __init__(self):

self.items = []

def process_item(self, item, spider):
self.items.append(dict(item))
print("="*40)
return item

def close_spider(self,spider):
with open('qsbk.json','w',encoding='utf-8') as fp:
json.dump(self.items,fp,ensure_ascii=False)

运行scrapy项目:

运行scrapy项目。需要在终端,进入项目所在的路径,然后​​scrapy crawl [爬虫名字]​​​即可运行指定的爬虫。如果不想每次都在命令行中运行,那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做​​start.py​​,然后在这个文件中填入以下代码:

from scrapy import cmdline

cmdline.execute("scrapy crawl qsbk".split())

 

CrawlSpider

在上一个糗事百科的爬虫案例中。我们是自己在解析完整个页面后获取下一页的url,然后重新发送一个请求。有时候我们想要这样做,只要满足某个条件的url,都给我进行爬取。那么这时候我们就可以通过​​CrawlSpider​​​来帮我们完成了。​​CrawlSpider​​​继承自​​Spider​​​,只不过是在之前的基础之上增加了新的功能,可以定义爬取的url的规则,以后scrapy碰到满足条件的url都进行爬取,而不用手动的​​yield Request​​。

CrawlSpider爬虫:

创建CrawlSpider爬虫:

之前创建爬虫的方式是通过​​scrapy genspider [爬虫名字] [域名]​​​的方式创建的。如果想要创建​​CrawlSpider​​爬虫,那么应该通过以下命令创建:

scrapy genspider -c crawl [爬虫名字] [域名]

LinkExtractors链接提取器:

使用​​LinkExtractors​​​可以不用程序员自己提取想要的url,然后发送请求。这些工作都可以交给​​LinkExtractors​​​,他会在所有爬的页面中找到满足规则的​​url​​​,实现自动的爬取。以下对​​LinkExtractors​​类做一个简单的介绍:

class scrapy.linkextractors.LinkExtractor(
allow = (),
deny = (),
allow_domains = (),
deny_domains = (),
deny_extensions = None,
restrict_xpaths = (),
tags = ('a','area'),
attrs = ('href'),
canonicalize = True,
unique = True,
process_value = None
)

主要参数讲解:

  • allow:允许的url。所有满足这个正则表达式的url都会被提取。
  • deny:禁止的url。所有满足这个正则表达式的url都不会被提取。
  • allow_domains:允许的域名。只有在这个里面指定的域名的url才会被提取。
  • deny_domains:禁止的域名。所有在这个里面指定的域名的url都不会被提取。
  • restrict_xpaths:严格的xpath。和allow共同过滤链接。

Rule规则类:

定义爬虫的规则类。以下对这个类做一个简单的介绍:

class scrapy.spiders.Rule(
link_extractor,
callback = None,
cb_kwargs = None,
follow = None,
process_links = None,
process_request = None
)

主要参数讲解:

  • link_extractor:一个​​LinkExtractor​​对象,用于定义爬取规则。
  • callback:满足这个规则的url,应该要执行哪个回调函数。因为​​CrawlSpider​​​使用了​​parse​​​作为回调函数,因此不要覆盖​​parse​​作为回调函数自己的回调函数。
  • follow:指定根据该规则从response中提取的链接是否需要跟进。
  • process_links:从link_extractor中获取到链接后会传递给这个函数,用来过滤不需要爬取的链接。



举报

相关推荐

0 条评论