Scrapy简单入门及实例讲解
中文文档: http://scrapy-chs.readthedocs.io/zh_CN/0.24/
Scrapy是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。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件:
-
引擎(Scrapy)
用来处理整个系统的数据流, 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。 -
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。 -
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。 -
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来,并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
一、安装
![[转]Scrapy简单入门及实例讲解 [转]Scrapy简单入门及实例讲解](https://image.shishitao.com:8440/aHR0cDovL2Jic21heC5pa2FmYW4uY29tL3N0YXRpYy9MM0J5YjNoNUwyaDBkSEJ6TDJOdmJXMXZiaTVqYm1Kc2IyZHpMbU52YlM5cGJXRm5aWE12WTI5d2VXTnZaR1V1WjJsbS5qcGc%3D.jpg?w=700)
1、安装wheel
pip install wheel
2、安装lxml
https://pypi.python.org/pypi/lxml/4.1.0
3、安装pyopenssl
https://pypi.python.org/pypi/pyOpenSSL/17.5.0
4、安装Twisted
https://www.lfd.uci.edu/~gohlke/pythonlibs/
5、安装pywin32
https://sourceforge.net/projects/pywin32/files/
6、安装scrapy
pip install scrapy
![[转]Scrapy简单入门及实例讲解 [转]Scrapy简单入门及实例讲解](https://image.shishitao.com:8440/aHR0cDovL2Jic21heC5pa2FmYW4uY29tL3N0YXRpYy9MM0J5YjNoNUwyaDBkSEJ6TDJOdmJXMXZiaTVqYm1Kc2IyZHpMbU52YlM5cGJXRm5aWE12WTI5d2VXTnZaR1V1WjJsbS5qcGc%3D.jpg?w=700)
注:windows平台需要依赖pywin32,请根据自己系统32/64位选择下载安装,https://sourceforge.net/projects/pywin32/
二、爬虫举例
入门篇:美剧天堂前100最新(http://www.meijutt.com/new100.html)
1、创建工程
1
|
scrapy startproject movie |
2、创建爬虫程序
1
2
|
cd movie scrapy genspider meiju meijutt.com |
3、自动创建目录及文件
4、文件说明:
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
items.py
1
2
3
4
5
6
7
8
|
import scrapy class MovieItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
|
6、编写爬虫
meiju.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# -*- coding: utf-8 -*- import scrapy from movie.items import MovieItem
class MeijuSpider(scrapy.Spider):
name = "meiju"
allowed_domains = [ "meijutt.com" ]
start_urls = [ 'http://www.meijutt.com/new100.html' ]
def parse(self, response):
movies = response.xpath( '//ul[@class="top-list fn-clear"]/li' )
for each_movie in movies:
item = MovieItem()
item[ 'name' ] = each_movie.xpath( './h5/a/@title' ).extract()[0]
yield item
|
7、设置配置文件
settings.py增加如下内容
1
|
ITEM_PIPELINES = { 'movie.pipelines.MoviePipeline' :100}
|
8、编写数据处理脚本
pipelines.py
1
2
3
4
|
class MoviePipeline( object ):
def process_item(self, item, spider):
with open( "my_meiju.txt" , 'a' ) as fp:
fp.write(item[ 'name' ].encode( "utf8" ) + '\n' )
|
9、执行爬虫
1
2
|
cd movie scrapy crawl meiju --nolog |
10、结果
进阶篇:爬取校花网(http://www.xiaohuar.com/list-1-1.html)
1、创建一个工程
1
|
scrapy startproject pic |
2、创建爬虫程序
1
2
|
cd pic scrapy genspider xh xiaohuar.com |
3、自动创建目录及文件
4、文件说明:
- scrapy.cfg 项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据,如:Django的Model
- pipelines 数据处理行为,如:一般结构化的数据持久化
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
注意:一般创建爬虫文件时,以网站域名命名
5、设置数据存储模板
1
2
3
4
5
6
7
8
|
import scrapy class PicItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field()
|
6、编写爬虫
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
# -*- coding: utf-8 -*- import scrapy import os # 导入item中结构化数据模板 from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬虫名称,唯一
name = "xh"
# 允许访问的域
allowed_domains = [ "xiaohuar.com" ]
# 初始URL
start_urls = [ 'http://www.xiaohuar.com/list-1-1.html' ]
def parse(self, response):
# 获取所有图片的a标签
allPics = response.xpath( '//div[@class="img"]/a' )
for pic in allPics:
# 分别处理每个图片,取出名称及地址
item = PicItem()
name = pic.xpath( './img/@alt' ).extract()[0]
addr = pic.xpath( './img/@src' ).extract()[0]
addr = 'http://www.xiaohuar.com' +addr
item[ 'name' ] = name
item[ 'addr' ] = addr
# 返回爬取到的数据
yield item
|
7、设置配置文件
1
2
|
# 设置处理返回数据的类及执行优先级 ITEM_PIPELINES = { 'pic.pipelines.PicPipeline' :100}
|
8、编写数据处理脚本
1
2
3
4
5
6
7
8
9
10
11
|
import urllib2 import os class PicPipeline( object ):
def process_item(self, item, spider):
headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0' }
req = urllib2.Request(url=item[ 'addr' ],headers=headers)
res = urllib2.urlopen(req)
file_name = os.path. join (r 'D:\my\down_pic' ,item[ 'name' ]+ '.jpg' )
with open(file_name, 'wb' ) as fp:
fp.write(res.read())
|
9、执行爬虫
1
2
|
cd pic scrapy crawl xh --nolog |
结果:
终极篇:我想要所有校花图
注明:基于进阶篇再修改为终极篇
# xh.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
# -*- coding: utf-8 -*- import scrapy import os from scrapy.http import Request
# 导入item中结构化数据模板 from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬虫名称,唯一
name = "xh"
# 允许访问的域
allowed_domains = [ "xiaohuar.com" ]
# 初始URL
start_urls = [ 'http://www.xiaohuar.com/hua/' ]
# 设置一个空集合
url_set = set ()
def parse(self, response):
# 如果图片地址以http://www.xiaohuar.com/list-开头,我才取其名字及地址信息
if response.url.startswith( "http://www.xiaohuar.com/list-" ):
allPics = response.xpath( '//div[@class="img"]/a' )
for pic in allPics:
# 分别处理每个图片,取出名称及地址
item = PicItem()
name = pic.xpath( './img/@alt' ).extract()[0]
addr = pic.xpath( './img/@src' ).extract()[0]
addr = 'http://www.xiaohuar.com' +addr
item[ 'name' ] = name
item[ 'addr' ] = addr
# 返回爬取到的信息
yield item
# 获取所有的地址链接
urls = response.xpath( "//a/@href" ).extract()
for url in urls:
# 如果地址以http://www.xiaohuar.com/list-开头且不在集合中,则获取其信息
if url.startswith( "http://www.xiaohuar.com/list-" ):
if url in XhSpider.url_set:
pass
else :
XhSpider.url_set.add(url)
# 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数
# from scrapy.http import Request
# Request(url,callback=self.parse)
yield self.make_requests_from_url(url)
else :
pass
|
[转]Scrapy简单入门及实例讲解的更多相关文章
-
Scrapy简单入门及实例讲解
Scrapy是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. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以 ...
-
Scrapy简单入门及实例讲解-转载
Scrapy是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. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以 ...
-
10,Scrapy简单入门及实例讲解
Scrapy是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. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以 ...
-
TCP入门与实例讲解
内容简介 TCP是TCP/IP协议栈的核心组成之一,对开发者来说,学习.掌握TCP非常重要. 本文主要内容包括:什么是TCP,为什么要学习TCP,TCP协议格式,通过实例讲解TCP的生命周期(建立连接 ...
-
【智能算法】粒子群算法(Particle Swarm Optimization)超详细解析+入门代码实例讲解
喜欢的话可以扫码关注我们的公众号哦,更多精彩尽在微信公众号[程序猿声] 01 算法起源 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由E ...
-
Nodejs进阶:核心模块net入门与实例讲解
模块概览 net模块是同样是nodejs的核心模块.在http模块概览里提到,http.Server继承了net.Server,此外,http客户端与http服务端的通信均依赖于socket(net. ...
-
scrapy简单入门及选择器(xpath\css)
简介 scrapy被认为是比较简单的爬虫框架,资料比较齐全,网上也有很多教程.官网上介绍了它的四种安装方法,PyPI.Conda.APT.Source,我们只介绍最简单的安装方法. 安装 Window ...
-
PHP中“简单工厂模式”实例讲解
原创文章,转载请注明出处:http://www.cnblogs.com/hongfei/archive/2012/07/07/2580776.html 简单工厂模式:①抽象基类:类中定义抽象一些方法, ...
-
wxPython中文教程 简单入门加实例
wx.Window 是一个基类,许多构件从它继承.包括 wx.Frame 构件.技术上这意味着,我们可以在所有的 子类中使用 wx.Window 的方法.我们这里介绍它的几种方法: * SetTitl ...
随机推荐
-
chkconfig命令详解
chkconfig命令主要用来更新(启动或停止)和查询系统服务的运行级信息.谨记chkconfig不是立即自动禁止或激活一个服务,它只是简单的改变了符号连接. 使用语法:chkconfig [--ad ...
-
XLConnect:一个用R处理Excel文件的高效平台
code{white-space: pre;} pre:not([class]) { background-color: white; }if (window.hljs && docu ...
-
spring生命周期
Github地址 最近在整合mybatis-spring. 公司里面已经有一个叫做kylin-datasource的开发包,以前能够提供master和slave2个数据源,最近更新了2.0版本,支持自 ...
-
如何在网页上显示html代码?
a: 把代码写在文本区域 <textarea> 标签中.可以设置 disabled="disabled" 属性,禁止用户操作.b: 把要显示在html文档中标签的 &q ...
-
MemoryStream和FileStream
一,FileStream对象的数据来自文件,而MemoryStream对象的数据来自内存缓冲区.这两个类都继承自Stream类. 二,抽象基类System.IO.Stream代表流,它提供Read和W ...
-
Mac上查看隐藏文件夹/文件
一.查看隐藏文件夹: 可以直接在终端执行 open ~/文件夹名称 如: open ~/.ssh 二.查看隐藏文件: 在Finder下进入你想要操作的文件夹,按快捷键Command + F 调出搜索窗 ...
-
优化 gruop by 语句
默认情况下,mysql对所有的gruop by col1,col2...的字段进行排序.如果查询包含group by但用户想要避免排序结果的消耗,则可以指定order by null禁止排序. exp ...
-
js---BOW---页面打开方式,跳转方式 2017-03-24
BOM ( browse object model) 一.js页面的三种打开方式 1. window.open 格式: window.open("第一部分", "第二部 ...
-
js原生实现抽奖活动(方形非圆盘)
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8&quo ...
-
面试被问http协议?这篇文章足够覆盖所有相关问题!
http使用面向连接的TCP作为传输层协议.http本身无连接. 请求报文 CRLF是回车换行 方法为GET的请求报文 方法为POST的请求报文 方法 OPTIONS:这个方法 ...