Python数据采集之Scrapy框架
2017-06-07 16:22
267 查看
Scrapy是一个快速的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、舆情监测和自动化测试。
(2)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。可以决定下载器下一步要下载的网址并去除重复的网址。
(3)下载器(Downloader):用来下载网页内容,并将网页内容返回给爬虫(Spiders)。
(4)爬虫(Spiders):从特定的网页中提取出需要的信息。可以用它来制定特定网页的解析规则,提取特定的实体(Item)或URL链接。每一个Spider负责一个或多个特定的网站。
(5)项目管道(Item 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。
(6)下载器中间件(Downloader Middlewares):位于Scrapy引擎和下载器之间的子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
(7)爬虫中间件(Spider Middlewares):介于Scrapy引擎和爬虫之间的框架,主要工作是处理爬虫的响应输入和请求输出。
(8)调度中间件(Scheduler Middewares):介于Scrapy引擎和调度之间的中间件,处理从Scrapy引擎发送到调度的请求和响应。
(2)引擎从Spider中获取第一个要爬取的URL,并在调度器以Request请求调度。
(3)引擎向调度器请求下一个要爬取的URL。
(4)调度返回下一个要爬取的URL给引擎,引擎通过下载中间件将URL发送到下载器。
(5)当网页下载完毕后,下载器生成一个该网页的Response响应,并将其通过下载中间件发送给引擎。
(6)引擎从下载器接收到Response响应,并通过Spider中间发送给Spider处理。
(7)Spider处理Response响应,并返回爬取到Item和新的Request请求给引擎。
(8)引擎将爬取到的Item给Item Pipeline,将新的Request请求发送给调度器。
(9)重复(2)以后的操作,直到调度器中没有新的Request请求,引擎断开与该域名的链接。
Scrapy 工程目录如下图所示:
(1)定位待爬取信息位置:
我们要爬取的信息包括书名、书价和下一页链接地址。在火狐浏览器中按F12快捷键,可以很方便地查看页面信息。抓取的页面信息如下图所示:
从上图可以看出,每一本书的信息都在<article class=”product_pod”>中,
书名信息在其下的h3 > a元素的title属性中,
书价信息在其下<p class=”price_color”>的TEXT中。
而下一页的URL链接地址在ul.pager > li.next > a里面,如下图所示:
运行结果如下图所示:
数据文件book.csv部分数据情况如下图所示:
1. Scrapy简介
1.1 Scrapy整体框架
1.2 Scrapy组成部分
(1)引擎(Scrapy Engine):用来处理整个系统的数据流处理,触发事务。(2)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。可以决定下载器下一步要下载的网址并去除重复的网址。
(3)下载器(Downloader):用来下载网页内容,并将网页内容返回给爬虫(Spiders)。
(4)爬虫(Spiders):从特定的网页中提取出需要的信息。可以用它来制定特定网页的解析规则,提取特定的实体(Item)或URL链接。每一个Spider负责一个或多个特定的网站。
(5)项目管道(Item 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。
(6)下载器中间件(Downloader Middlewares):位于Scrapy引擎和下载器之间的子框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
(7)爬虫中间件(Spider Middlewares):介于Scrapy引擎和爬虫之间的框架,主要工作是处理爬虫的响应输入和请求输出。
(8)调度中间件(Scheduler Middewares):介于Scrapy引擎和调度之间的中间件,处理从Scrapy引擎发送到调度的请求和响应。
1.3 Scrapy运行流程
(1)引擎打开一个域名,指定Spider来处理这个域名,并让Spider获取第一个要爬取的URL。(2)引擎从Spider中获取第一个要爬取的URL,并在调度器以Request请求调度。
(3)引擎向调度器请求下一个要爬取的URL。
(4)调度返回下一个要爬取的URL给引擎,引擎通过下载中间件将URL发送到下载器。
(5)当网页下载完毕后,下载器生成一个该网页的Response响应,并将其通过下载中间件发送给引擎。
(6)引擎从下载器接收到Response响应,并通过Spider中间发送给Spider处理。
(7)Spider处理Response响应,并返回爬取到Item和新的Request请求给引擎。
(8)引擎将爬取到的Item给Item Pipeline,将新的Request请求发送给调度器。
(9)重复(2)以后的操作,直到调度器中没有新的Request请求,引擎断开与该域名的链接。
2. 创建简单的Scrapy爬虫
下面以图书网站为例,编写一个简单的Scrapy爬虫。2.1 创建Scrapy项目
首先我们要创建一个Scrapy工程,在DOS命令行下cd切换到你将要创建工作的目录下,使用scrapy startprojrect 命令,如下所示:scrapy startproject bookspider
Scrapy 工程目录如下图所示:
2.2 分析页面
在编写爬虫程序之前,我们首先对待爬取页面进行分析,带爬取页面网站为:http://books.toscrape.com/(1)定位待爬取信息位置:
我们要爬取的信息包括书名、书价和下一页链接地址。在火狐浏览器中按F12快捷键,可以很方便地查看页面信息。抓取的页面信息如下图所示:
从上图可以看出,每一本书的信息都在<article class=”product_pod”>中,
书名信息在其下的h3 > a元素的title属性中,
书价信息在其下<p class=”price_color”>的TEXT中。
而下一页的URL链接地址在ul.pager > li.next > a里面,如下图所示:
2.3 实现Spider
下面就开始编写爬虫程序,在工程项目中Spider目录下新建bookspider.py,源代码如下所示:# -*- coding: utf-8 -*- """ Created on Fri Jun 8 14:26:12 2017 @author: Administrator """ import scrapy class BookSpider(scrapy.Spider): #name属性,每一个爬虫的唯一标识 name = "books" #定义爬虫的起始点,可以为多个 start_urls = ['http://books.toscrape.com/'] def parse(self,response): ''' 目标:提取书籍信息 分析:因为该网页每一本书的信息都是在<article class="product_pod">中, 因此,我们使用css()方法,找到所有这样的article元素,并依次迭代 ''' for book in response.css('article.product_pod'): #书名在article > h3 > a 元素的title属性里. name = book.xpath('./h3/a/@title').extract_first() #书价信息在<p class="price_color">的text中. price = book.css('p.price_color::text').extract_first() yield{ 'name':name, 'price':price, } ''' 目标:提取下一页链接 分析:下一页的url在ul.pager > li.next > a里面. ''' nextPage = response.css('ul.pager li.next a::attr(href)').extract_first() if nextPage: nextPage = response.urljoin(nextPage) yield scrapy.Request(nextPage,callback=self.parse)
2.4 运行爬虫
在刚才新建的Scrapy工程目录运行爬虫books,并将数据导入books.csv文件中。运行结果如下图所示:
数据文件book.csv部分数据情况如下图所示:
相关文章推荐
- 数据可视化 三步走(一):数据采集与存储,利用python爬虫框架scrapy爬取网络数据并存储
- Python使用scrapy采集数据过程中放回下载过大页面的方法
- 讲解Python的Scrapy爬虫框架使用代理进行采集的方法
- Python使用scrapy采集数据时为每个请求随机分配user-agent的方法
- Scrapy:Python3版本上安装数据挖掘必备的scrapy框架详细攻略(二最完整爬取网页内容信息攻略)——Jason niu
- 使用python scrapy爬虫框架 爬取科学网自然科学基金数据
- 基于scrapy爬虫的天气数据采集(python)
- 利用python scrapy 框架抓取豆瓣小组数据
- python 开源数据抓取框架scrapy
- Python3.6实现scrapy框架爬取数据并将数据插入MySQL与存入文档中
- 人人都会数据采集- Scrapy 爬虫框架入门
- Python爬虫框架Scrapy之爬取糗事百科大量段子数据
- 讲解Python的Scrapy爬虫框架使用代理进行采集的方法
- Python基于scrapy采集数据时使用代理服务器的方法
- Python爬虫框架Scrapy实战之抓取户外数据
- 使用Python开发的定向数据采集框架
- Scrapy:Python3版本上安装数据挖掘必备的scrapy框架详细攻略(一)——Jason niu
- Python抓取框架:Scrapy的架构
- 以Python为基础的REST(JSON为交换数据)接口的测试框架设计(三)-JSON的修改的难点
- python web 框架(八)-- Scrapy