Scrapy框架

Scrapy簡介

• Scrapy是用純Python實現一個為了爬取網站數據、提取結構性數據而編寫的應用框架，用途非常廣泛。

• 框架的力量，用戶只需要定制開發幾個模塊就可以輕松的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

• Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

Scrapy架構

• Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。

• Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

• Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

• Item Pipeline(管道)：它負責處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方.

• Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。

• Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

?白話講解Scrapy運作流程

代碼寫好，程序開始運行...

引擎：Hi！Spider, 你要處理哪一個網站？

Spider：老大要我處理xxxx.com。

引擎：你把第一個需要處理的URL給我吧。

Spider：給你，第一個URL是xxxxxxx.com。

引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

調度器：好的，正在處理你等一下。

引擎：Hi！調度器，把你處理好的request請求給我。

調度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）

引擎：Hi！Spider，這是下載好的東西，并且已經按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

Spider：（處理完畢數據之后對于需要跟進的URL），Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。

引擎：Hi ！管道?我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。

管道``調度器：好的，現在就做！

?制作Scrapy爬蟲步驟

1.新建項目

scrapy startproject mySpider

scrapy.cfg ：項目的配置文件mySpider/ ：項目的Python模塊，將會從這里引用代碼mySpider/items.py ：項目的目標文件mySpider/pipelines.py ：項目的管道文件mySpider/settings.py ：項目的設置文件mySpider/spiders/ ：存儲爬蟲代碼目錄

2.明確目標(mySpider/items.py)

想要爬取哪些信息，在Item里面定義結構化數據字段，保存爬取到的數據

3.制作爬蟲(spiders/xxxxSpider.py)

import scrapyclass ItcastSpider(scrapy.Spider):name = "itcast"allowed_domains = ["itcast.cn"]start_urls = ('http://www.itcast.cn/',)def parse(self, response):pass

• name = ""?：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = []?是搜索的域名范圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

• start_urls = ()?：爬取的URL元祖/列表。爬蟲從這里開始抓取數據，所以，第一次下載的數據將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

• parse(self, response)?：解析的方法，每個初始URL完成下載后將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

?4.保存數據(pipelines.py)

在管道文件里面設置保存數據的方法，可以保存到本地或數據庫

溫馨提醒

第一次運行scrapy項目的時候

出現-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模塊　　　　

先寫個簡單入門的實例

?（1）items.py

想要爬取的信息

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):name = scrapy.Field()title = scrapy.Field()info = scrapy.Field()

（2）itcastspider.py

寫爬蟲程序

#!/usr/bin/env python # -*- coding:utf-8 -*-import scrapy from mySpider.items import ItcastItem# 創建一個爬蟲類 class ItcastSpider(scrapy.Spider):# 爬蟲名name = "itcast"# 允許爬蟲作用的范圍allowd_domains = ["http://www.itcast.cn/"]# 爬蟲起始的urlstart_urls = ["http://www.itcast.cn/channel/teacher.shtml#",]def parse(self, response):teacher_list = response.xpath('//div[@class="li_txt"]')# 所有老師信息的列表集合teacherItem = []# 遍歷根節點集合for each in teacher_list:# Item對象用來保存數據的item = ItcastItem()# name, extract() 將匹配出來的結果轉換為Unicode字符串# 不加extract() 結果為xpath匹配對象name = each.xpath('./h3/text()').extract()# titletitle = each.xpath('./h4/text()').extract()# infoinfo = 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

輸入命令：scrapy crawl itcast -o itcast.csv? 保存為 ".csv"的格式

管道文件pipelines.py的用法

?（1）setting.py修改

ITEM_PIPELINES = {#設置好在管道文件里寫的類'mySpider.pipelines.ItcastPipeline': 300, }

（2）itcastspider.py

#!/usr/bin/env python # -*- coding:utf-8 -*-import scrapy from mySpider.items import ItcastItem# 創建一個爬蟲類 class ItcastSpider(scrapy.Spider):# 爬蟲名name = "itcast"# 允許爬蟲作用的范圍allowd_domains = ["http://www.itcast.cn/"]# 爬蟲其實的urlstart_urls = ["http://www.itcast.cn/channel/teacher.shtml#aandroid",]def parse(self, response):#with open("teacher.html", "w") as f:# f.write(response.body)# 通過scrapy自帶的xpath匹配出所有老師的根節點列表集合teacher_list = response.xpath('//div[@class="li_txt"]')# 遍歷根節點集合for each in teacher_list:# Item對象用來保存數據的item = ItcastItem()# name, extract() 將匹配出來的結果轉換為Unicode字符串# 不加extract() 結果為xpath匹配對象name = each.xpath('./h3/text()').extract()# titletitle = each.xpath('./h4/text()').extract()# infoinfo = each.xpath('./p/text()').extract()item['name'] = name[0]item['title'] = title[0]item['info'] = info[0]yield item

(3)pipelines.py

數據保存到本地

# -*- coding: utf-8 -*- import jsonclass ItcastPipeline(object):# __init__方法是可選的，做為類的初始化方法def __init__(self):# 創建了一個文件self.filename = open("teacher.json", "w")# process_item方法是必須寫的，用來處理item數據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方法是可選的，結束時調用這個方法def close_spider(self, spider):self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):name = scrapy.Field()title = scrapy.Field()info = scrapy.Field()

?

總結

以上是生活随笔為你收集整理的python爬虫入门(六) Scrapy框架之原理介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。