- 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。
- Scrapy 使用了 Twisted(其主要对手是Tornado)多线程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。
1 Scrapy架构图(绿线是数据流向)
-
Scrapy Engine
(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler
中间通讯,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)
:负责处理Spider
中获取到的Item,并进行后期处理(分析、过滤、存储等)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)
2 Scrapy的运作流程
代码写好,程序开始运行...
-
引擎
:Hi!Spider
, 你要处理哪一个网站? -
Spider
:老大要我处理xxxx.com。 -
引擎
:你把第一个需要处理的URL给我吧。 -
Spider
:给你,第一个URL是xxxxxxx.com。 -
引擎
:Hi!调度器
,我这有request请求你帮我排序入队一下。 -
调度器
:好的,正在处理你等一下。 -
引擎
:Hi!调度器
,把你处理好的request请求给我。 -
调度器
:给你,这是我处理好的request -
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 -
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) -
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) -
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。 -
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。 -
管道``调度器
:好的,现在就做!
注意!只有当调度器
中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
3 Scrapy的安装介绍
1、安装wheel pip3 install wheel
2、安装lxml pip3 install lxml-4.2.1-cp36-cp36m-win_amd64.whl
3、安装pyopenssl (已安装就不需要安装)
4、安装Twisted pip3 install Twisted-18.4.0-cp36-cp36m-win_amd64.whl
5、安装pywin32 pip3 install pypiwin32
6、安装scrapy pip3 install scrapy
或者pip3 install Scrapy-1.5.0-py2.py3-none-any.whl
Scrapy框架官方网址:http://doc.scrapy.org/en/latest
Scrapy中文维护站点:http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
Windows 安装方式
Python 2 / 3
-
升级pip版本:
pip install --upgrade pip
-
通过pip 安装 Scrapy 框架
pip install Scrapy
Ubuntu 需要9.10或以上版本安装方式
Python 2 / 3
-
安装非Python的依赖
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
-
通过pip 安装 Scrapy 框架
sudo pip install scrapy
安装后,只要在命令终端输入 scrapy,提示类似以下结果,代表已经安装成功
具体Scrapy安装流程参考:http://doc.scrapy.org/en/latest/intro/install.html#intro-install-platform-notes里面有各个平台的安装方法
4 制作 Scrapy 爬虫 一共需要4步:
新建一个新的爬虫项目
scrapy startproject mySpider
进入该目录 cd mySpider
scrapy genspider stack http://*.com/ #创建一个爬虫stack 指定爬取路径
明确目标 (编写items.py):明确你想要抓取的目标(目标信息采用类与字段的方式实现)
制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页(实现主要逻辑地方,并返回item)
存储内容 (pipelines.py):设计管道存储爬取内容(接受item,一般重写几个常用的方法(open_spider,process_item,close_spider)
启动爬虫项目
命令启动: scrapy crawl spidername(爬虫名)
文件启动
from scrapy import cmdline
# 方式一:注意execute的参数类型为一个列表
cmdline.execute('scrapy crawl spidername'.split())
# 方式二:注意execute的参数类型为一个列表
cmdline.execute(['scrapy', 'crawl', 'spidername'])
5 入门案例
一. 新建项目(scrapy startproject)
- 在开始爬取之前,必须创建一个新的Scrapy项目。进入自定义的项目目录中,运行下列命令:
scrapy startproject mySpider
- 其中, mySpider 为项目名称,可以看到将会创建一个 mySpider 文件夹,目录结构大致如下:
下面来简单介绍一下各个主要文件的作用:
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
二、明确目标(mySpider/items.py)
我们打算抓取:http://bbs.tianya.cn/post-140-393968-1.shtml 网站里的邮箱。
- 打开mySpider目录下的items.py
- Item 定义结构化数据字段,用来保存爬取到的数据,类似dict,但是提供了一些额外的保护减少错误。
- 可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。
- 接下来,创建一个TianyaItem类,和构建item模型(model)。
import scrapy
class TianyaItem(scrapy.Item):
email = scrapy.Field() #只定义爬取email字段
三、制作爬虫 (spiders/itcastSpider.py)
爬虫功能要分两步:
1. 爬数据
- 在当前目录下输入命令
scrapy genspider mytianya "bbs.tianya.cn" #指定爬虫文件名 爬取的域名
- 打开 mySpider/spider目录里的 mytianya .py,默认增加了下列代码:
import scrapy
import re
from tianya import items
class MytianyaSpider(scrapy.Spider):
name = 'mytianya'
allowed_domains = ['bbs.tianya.cn']
start_urls = ['http://bbs.tianya.cn/post-140-393977-1.shtml']
#主要的逻辑模块
def parse(self, response):
pass
其实也可以由我们自行创建itcast.py并编写上面的代码,只不过使用命令可以免去编写固定代码的麻烦
要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
-
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元组/列表。爬虫从这里开始抓取数据,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. 将start_urls的值修改为需要爬取的第一个url. -
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:- 负责解析返回的网页数据(response.body),提取结构化数据(生成item)
- 生成需要下一页的URL请求。
修改parse()方法
def parse(self, response):
html = response.body.decode()
# ftsd@21cn.com
email = re.compile(r"([A-Z0-9_]+@[A-Z0-9]+\.[A-Z]{2,4})", re.I)
emailList = email.findall(html)
mydict = []
for e in emailList:
item = items.TianyaItem()
item["email"] = e
# mydict[e] = "http://bbs.tianya.cn/post-140-393977-1.shtml"
mydict.append(item)
return mydict
然后运行一下看看,在mySpider目录下执行:
scrapy crawl mytianya
2.保存数据
scrapy保存信息的最简单的方法主要有四种,-o 输出指定格式的文件,,命令如下:
scrapy crawl mytianya -o mytianya.json
scrapy crawl mytianya -o mytianya.csv
scrapy crawl mytianya -o mytianya.xml
yield 在这里的作用:
def parse(self, response):
html = response.body.decode()
# ftsd@21cn.com
email = re.compile(r"([A-Z0-9_]+@[A-Z0-9]+.[A-Z]{2,4})", re.I)
emailList = email.findall(html)
mydict = []
for e in emailList:
item = items.TianyaItem()
item["email"] = e
yield mydict #得到生成器对象,每循环一次,返回一个item