python爬虫入门(六) Scrapy框架之原理介绍
2018-02-25 16:19
736 查看
Scrapy框架
Scrapy简介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
['twɪstɪd](其主要对手是Tornado)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。
Scrapy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):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)
白话讲解Scrapy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!
制作Scrapy爬虫步骤
1.新建项目
scrapy startproject mySpider
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
2.明确目标(mySpider/items.py)
想要爬取哪些信息,在Item里面定义结构化数据字段,保存爬取到的数据
3.制作爬虫(spiders/xxxxSpider.py)
import scrapy class ItcastSpider(scrapy.Spider): name = "itcast" allowed_domains = ["itcast.cn"] start_urls = ( 'http://www.itcast.cn/', ) def parse(self, response): pass
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元祖/列表。爬虫从这里开始抓取数据,所以,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。
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:
4.保存数据(pipelines.py)
在管道文件里面设置保存数据的方法,可以保存到本地或数据库
温馨提醒
第一次运行scrapy项目的时候
出现-->"DLL load failed" 错误提示,需要安装pypiwin32模块
先写个简单入门的实例
(1)items.py想要爬取的信息
# -*- coding: utf-8 -*- import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
(2)itcastspider.py
写爬虫程序
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy from mySpider.items import ItcastItem # 创建一个爬虫类 class ItcastSpider(scrapy.Spider): # 爬虫名 name = "itcast" # 允许爬虫作用的范围 allowd_domains = ["http://www.itcast.cn/"] # 爬虫起始的url start_urls = [ "http://www.itcast.cn/channel/teacher.shtml#", ] def parse(self, response): teacher_list = response.xpath('//div[@class="li_txt"]') # 所有老师信息的列表集合 teacherItem = [] # 遍历根节点集合 for each in teacher_list: # Item对象用来保存数据的 item = ItcastItem() # name, extract() 将匹配出来的结果转换为Unicode字符串 # 不加extract() 结果为xpath匹配对象 name = each.xpath('./h3/text()').extract() # title title = each.xpath('./h4/text()').extract() # info info = each.xpath('./p/text()').extract() item['name'] = name[0].encode("gbk") item['title'] = title[0].encode("gbk") item['info'] = info[0].encode("gbk") teacherItem.append(item) return teacherItem
输入命令:scrapy crawl itcast -o itcast.csv 保存为 ".csv"的格式
管道文件pipelines.py的用法
(1)setting.py修改ITEM_PIPELINES = { #设置好在管道文件里写的类 'mySpider.pipelines.ItcastPipeline': 300, }
(2)itcastspider.py
#!/usr/bin/env python # -*- coding:utf-8 -*- import scrapy from mySpider.items import ItcastItem # 创建一个爬虫类 class ItcastSpider(scrapy.Spider): # 爬虫名 name = "itcast" # 允许爬虫作用的范围 allowd_domains = ["http://www.itcast.cn/"] # 爬虫其实的url start_urls = [ "http://www.itcast.cn/channel/teacher.shtml#aandroid", ] def parse(self, response): #with open("teacher.html", "w") as f: # f.write(response.body) # 通过scrapy自带的xpath匹配出所有老师的根节点列表集合 teacher_list = response.xpath('//div[@class="li_txt"]') # 遍历根节点集合 for each in teacher_list: # Item对象用来保存数据的 item = ItcastItem() # name, extract() 将匹配出来的结果转换为Unicode字符串 # 不加extract() 结果为xpath匹配对象 name = each.xpath('./h3/text()').extract() # title title = each.xpath('./h4/text()').extract() # info info = each.xpath('./p/text()').extract() item['name'] = name[0] item['title'] = title[0] item['info'] = info[0] yield item
(3)pipelines.py
数据保存到本地
# -*- coding: utf-8 -*- import json class ItcastPipeline(object): # __init__方法是可选的,做为类的初始化方法 def __init__(self): # 创建了一个文件 self.filename = open("teacher.json", "w") # process_item方法是必须写的,用来处理item数据 def process_item(self, item, spider): jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n" self.filename.write(jsontext.encode("utf-8")) return item # close_spider方法是可选的,结束时调用这个方法 def close_spider(self, spider): self.filename.close()
(4)items.py
# -*- coding: utf-8 -*- import scrapy class ItcastItem(scrapy.Item): name = scrapy.Field() title = scrapy.Field() info = scrapy.Field()
相关文章推荐
- Scrapy:Python的爬虫框架----原理介绍
- Python爬虫从入门到放弃(十二)之 Scrapy框架的架构和原理
- Python的爬虫框架scrapy----原理介绍
- Python爬虫从入门到放弃(十二)之 Scrapy框架的架构和原理
- Python爬虫从入门到放弃(十五)之 Scrapy框架中Spiders用法
- python爬虫入门(八)Scrapy框架之CrawlSpider类
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- python爬虫入门(九)Scrapy框架之数据库保存
- python scrapy爬虫框架概念介绍(个人理解总结为一张图)
- Python爬虫从入门到放弃(十一)之 Scrapy框架整体的一个了解
- Python爬虫从入门到放弃(十四)之 Scrapy框架中选择器的用法
- Python爬虫框架Scrapy教程(1)—入门
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- Python的爬虫程序编写框架Scrapy入门学习教程
- 运维学python之爬虫高级篇(一)Scrapy框架入门
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- Python爬虫之Scrapy框架入门1
- Python抓取框架Scrapy爬虫入门:页面提取
- [Python]网络爬虫(12):爬虫框架Scrapy的第一个爬虫示例入门教程
- python——爬虫学习——Scrapy爬虫框架入门-(6)