​

活动地址：CSDN21天学习挑战赛

爬虫—scrapy爬虫框架

  • 爬虫—scrapy爬虫框架
    • 一、简介
      • 1、基本功能
      • 2、架构
      • 3、scrapy项目的结构
    • 二、scrapy环境搭建
    • 三、如何开始
      • 1、新建项目 ：新建一个新的爬虫项目
      • 2、明确目标 （items.py）：明确你想要抓取的目标
      • 3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
      • 4、存储内容 （pipelines.py）：设计管道存储爬取内容
      • 5、运行爬虫
    • 四、项目实战

爬虫—scrapy爬虫框架

一、简介

1、基本功能

Scrapy是一个适用爬取网站数据、提取结构性数据的应用程序框架，它可以应用在广泛领域：Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

2、架构

  • 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）：一个可以自定义扩展下载功能的组件。
  • Spider Middlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

3、scrapy项目的结构

项目名字项目的名字spiders文件夹（存储的是爬虫文件）init自定义的爬虫文件核心功能文件inititems 定义数据结构的地方 爬虫的数据都包含哪些middleware中间件 代理pipelines 管道用来处理下载的数据settings配置文件 robots协议 ua定义等

二、scrapy环境搭建


三、如何开始

1、新建项目 ：新建一个新的爬虫项目

 打开cmd，输入scrapy startproject 项目的名字 (默认是在C:\Users\...这个目录下，你可以自行切换到对应的 文件下） 注意：项目的名字不允许使用数字开头 也不能包含中文

2、明确目标 （items.py）：明确你想要抓取的目标

选择你需要爬取的内容，例如作者名字、小说名、封面图片等在items.py文件中定义
import scrapyclass AdicrawlerItem(scrapy.Item):author = scrapy.Field()theme = scrapy.Field()# 以上定义了两个变量 分别是作者名、主题。

3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

创建爬虫文件

要在spiders文件在去创建爬虫文件 cd 项目的名字\项目的名字\spiders eg : cd scrapy_baidu\scrapy_baidu\spiders创建爬虫文件 scrapy genspider 爬虫文件的名字 要爬的网页 eg : scrapy genspider baidu www.baidu.com一般情况下不需要添加http协议因为start_urls的值是根据allowed_domains修改的

爬虫文件的解释：

import scrapyclass BaiduSpider(scrapy.Spider):# 爬虫的名字 一般运行爬虫的时候 使用的值name = 'baidu'# 允许访问的域名allowed_domains = ['www.baidu.com']# 起始的url地址指的是第一次要访问的域名# start_urls 是在allowed_domains的前面添加一个http：//#是在allowed_domains的后面添加一个/# 如果以html结尾 就不用加/ 否则网站进不去报错start_urls = ['http://www.baidu.com/']# 是执行了start_urls之后执行的方法# 方法中的response就是返回的那个对象# 相当于 response = urllib.request.urlopen()# response = requests.get()def parse(self, response):pass

response的属性和方法

  • response.text
    获取的是响应的字符串
  • response.body
    获取的是二进制数据
  • response.xpath
    可以直接使用xpath方法来解析response中的内容
  • response.extract()
    提取seletor对象的data属性值
  • response.extract_first()
    提取的seletor列表的第一个数据
import scrapyfrom AdiCrawler.items import AdicrawlerItemclass ThousandpicSpider(scrapy.Spider):name = 'thousandpic'allowed_domains = ['www.58pic.com']start_urls = ['http://www.58pic.com/c/']def parse(self, response):author = response.xpath('//div[@class="wrap-list fl"]//span[@class="fl info-h1"]/text()').extract()theme = response.xpath('//div[@class="wrap-list fl"]//span[@class="usernameColor"]/text()').extract()item = AdicrawlerItem(author=author,theme=theme)yield item

4、存储内容 （pipelines.py）：设计管道存储爬取内容

如果想使用管道的话 那么就必须在settings中开启管道

ITEM_PIPELINES = {# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高 'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,}# 将在settings.py中这段话取消注释，则打开了通道。

然后去pippelines.py中设计管道：

方法一：

class ScrapyDangdangPipeline:def process_item(self, item, spider):# 以下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁# write方法必须要写一个字符串 而不能是其他的对象# w模式 会每一个对象都打开一次文件 覆盖之前的内容# 文件存储就不多讲啦with open('book.json','a',encoding='utf-8') as fp:fp.write(str(item))return item

方法二：（推荐）

class ScrapyDangdangPipeline:def open_spider(self,spider):self.fp = open('book.json','w',encoding='utf-8')# item就是yield后面的对象def process_item(self, item, spider): self.fp.write(str(item))return itemdef close_spider(self,spider):self.fp.close()

5、运行爬虫

一般在运行爬虫的时候仍然没有内容查询，则需要考虑将settings.py文件中的ROBOTSTXT_OBEY = True注释掉
robots协议 注释之后就不遵守协议了 他是君子协议 一般情况下我们不遵守 # BOTSTXT_OBEY = True

在cmd中输入：scrapy crawl 爬虫的名字eg:scrapy crawl baidu

四、项目实战

  • 打开cmd，创建项目

scrapy startproject scrapy_dangdang

  • 创建爬虫文件

先到spiders文件下 :
cd scrapy_dangdang\scrapy_dangdang\spiders
然后创建爬虫文件 :
scrapy genspider dang category.dangdang.com

  • 项目目录

  • 确定需要下载的数据，去items.py文件中添加。这里我们准备存储图片、名字和价格

import scrapyclass ScrapyDangdangItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()# 通俗的说就是你要下载的数据都有什么# 图片src = scrapy.Field()# 名字name = scrapy.Field()# 价格price = scrapy.Field()
  • 接下来我们就可以去爬虫文件中去爬取我们需要的内容了（这里是在dang.py文件中）
import scrapyfrom scrapy_dangdang.items import ScrapyDangdangItemclass DangSpider(scrapy.Spider):# 爬虫的名字 一般运行爬虫的时候 使用的值name = 'dang'# 允许访问的域名# 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名allowed_domains = ['category.dangdang.com']# 起始的url地址指的是第一次要访问的域名# start_urls 是在allowed_domains的前面添加一个http：//#是在allowed_domains的后面添加一个/# 如果以html结尾 就不用加/start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']base_url = 'http://category.dangdang.com/pg'page = 1# 是执行了start_urls之后执行的方法# 方法中的response就是返回的那个对象# 相当于 response = urllib.request.urlopen()# response = requests.get()def parse(self, response):# pipelines 下载数据# items 定义数据结构的# src = //ul[@id="component_59"]/li//img/@src# alt = //ul[@id="component_59"]/li//img/@alt# price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()# 所有的seletor的对象 都可以再次调用xpath方法li_list = response.xpath('//ul[@id="component_59"]/li')for li in li_list:#第一张图片和其他的图片的标签是属性是不一样的#第一张图片src是可以使用的 其他图片的地址data-originalsrc = li.xpath('.//img/@data-original').extract_first()if src: src = srcelse: src = li.xpath('.//img/@src').extract_first()name = li.xpath('.//img/@alt').extract_first()price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()book = ScrapyDangdangItem(src=src,name=name,price=price)# 获取一个book就交给pipelinesyield book# 每一页爬取的业务逻辑都是一样的# 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了if self.page < 100:self.page = self.page + 1url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'# 怎么去调用parse方法# scrapy.Request就是scrpay的get方法# url就是请求地址# callback是你要执行的那个函数 注意不需要加圆括号yield scrapy.Request(url=url,callback=self.parse)
  • 通过解析拿到数据之后，我们就可以去通道中添加保存的方法了（pippelines.py）
  • 首先我们要去settings.py在打开通道和添加通道，完成之后进行下一步
ITEM_PIPELINES = {# 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高 'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300, 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,}
  • 通道打开后，在pippelines.py完成下列操作
import os# 如果想使用管道的话 那么就必须在settings中开启管道class ScrapyDangdangPipeline:def open_spider(self,spider):self.fp = open('book.json','w',encoding='utf-8')# item就是yield后面的book对象def process_item(self, item, spider):# 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁# # write方法必须要写一个字符串 而不能是其他的对象# # w模式 会每一个对象都打开一次文件 覆盖之前的内容# with open('book.json','a',encoding='utf-8') as fp:# fp.write(str(item))self.fp.write(str(item))return itemdef close_spider(self,spider):self.fp.close()# 多条管道开启# 定义管道类# 在settings中开启管道# 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,import urllib.requestclass DangDangDownloadPiepline:def process_item(self,item,spider):url = 'http:' + item.get('src')if not os.path.exists('./books/'):os.mkdir('./books/')filename = './books/' + item.get('name') + '.jpg'urllib.request.urlretrieve(url=url,filename=filename)return item
  • 最后在cmd中输入：scrapy crawl dang
  • 完成之后就开始下载了，全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据，则表示项目成功了。

​