Scrapy簡單入門及實例講解
阿新 • • 發佈：2017-11-16
頁面 scheduler r12 images ide api 系列 允許 初始
原文地址：https://www.cnblogs.com/kongzhagen/p/6549053.html
github地址：https://github.com/zhu-xb/scrapy-movie-demo
Scrapy是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。 其可以應用在數據挖掘，信息處理或存儲歷史數據等一系列的程序中。其最初是為了頁面抓取 (更確切來說, 網絡抓取 )所設計的， 也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。Scrapy用途廣泛，可以用於數據挖掘、監測和自動化測試。
Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下
Scrapy主要包括了以下組件：
- 引擎(Scrapy) 用來處理整個系統的數據流, 觸發事務(框架核心)
- 調度器(Scheduler) 用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL（抓取網頁的網址或者說是鏈接）的優先隊列, 由它來決定下一個要抓取的網址是什麽, 同時去除重復的網址
- 下載器(Downloader) 用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)
- 爬蟲(Spiders) 爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
- 項目管道(Pipeline) 負責處理爬蟲從網頁中抽取的實體，主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後，將被發送到項目管道，並經過幾個特定的次序處理數據。
- 下載器中間件(Downloader Middlewares) 位於Scrapy引擎和下載器之間的框架，主要是處理Scrapy引擎與下載器之間的請求及響應。
- 爬蟲中間件(Spider Middlewares) 介於Scrapy引擎和爬蟲之間的框架，主要工作是處理蜘蛛的響應輸入和請求輸出。
- 調度中間件(Scheduler Middewares) 介於Scrapy引擎和調度之間的中間件，從Scrapy引擎發送到調度的請求和響應。
Scrapy運行流程大概如下：
- 引擎從調度器中取出一個鏈接(URL)用於接下來的抓取
- 引擎把URL封裝成一個請求(Request)傳給下載器
- 下載器把資源下載下來，並封裝成應答包(Response)
- 爬蟲解析Response
- 解析出實體（Item）,則交給實體管道進行進一步的處理
- 解析出的是鏈接（URL）,則把URL交給調度器等待抓取
一、安裝
pip install Scrapy
註：windows平臺需要依賴pywin32，請根據自己系統32/64位選擇下載安裝，https://sourceforge.net/projects/pywin32/
二、爬蟲舉例
入門篇：美劇天堂前100最新（http://www.meijutt.com/new100.html）
1、創建工程
scrapy startproject movie
2、創建爬蟲程序
cd movie
scrapy genspider meiju meijutt.com
3、自動創建目錄及文件
4、文件說明：
- scrapy.cfg 項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
- items.py 設置數據存儲模板，用於結構化數據，如：Django的Model
- pipelines 數據處理行為，如：一般結構化的數據持久化
- settings.py 配置文件，如：遞歸的層數、並發數，延遲下載等
- spiders 爬蟲目錄，如：創建文件，編寫爬蟲規則
註意：一般創建爬蟲文件時，以網站域名命名
5、設置數據存儲模板
items.py
import scrapy class MovieItem(scrapy.Item): # define the fields for your item here like: name = scrapy.Field()
6、編寫爬蟲
meiju.py
# -*- coding: utf-8 -*- import scrapy from movie.items import MovieItem class MeijuSpider(scrapy.Spider): name = ‘meiju‘ allowed_domains = [‘meijutt.com‘] start_urls = [‘http://meijutt.com/‘] def parse(self, response): movies = response.xpath(‘//div[@class="list_2"]/ul/li‘) for each_movie in movies: item = MovieItem() item[‘name‘] = each_movie.xpath(‘./a/@title‘).extract()[0] yield item
7、設置配置文件
settings.py增加如下內容
ITEM_PIPELINES = {‘movie.pipelines.MoviePipeline‘:100}
8、編寫數據處理腳本
pipelines.py
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、執行爬蟲
scrapy crawl meiju --nolog
10、結果
進階篇：爬取校花網（http://www.xiaohuar.com/list-1-1.html）
1、創建一個工程
?| 1 |
scrapy startproject pic
|
2、創建爬蟲程序
?| 1 2 |
cd pic
scrapy genspider xh xiaohuar.com
|
3、自動創建目錄及文件
4、文件說明：
- scrapy.cfg 項目的配置信息，主要為Scrapy命令行工具提供一個基礎的配置信息。（真正爬蟲相關的配置信息在settings.py文件中）
- items.py 設置數據存儲模板，用於結構化數據，如：Django的Model
- pipelines 數據處理行為，如：一般結構化的數據持久化
- settings.py 配置文件，如：遞歸的層數、並發數，延遲下載等
- spiders 爬蟲目錄，如：創建文件，編寫爬蟲規則
註意：一般創建爬蟲文件時，以網站域名命名
5、設置數據存儲模板
?| 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、編寫爬蟲
?
| 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
# 導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬蟲名稱，唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = [‘http://www.xiaohuar.com/list-1-1.html‘]
def parse(self, response):
# 獲取所有圖片的a標簽
allPics = response.xpath(‘//div[@class="img"]/a‘)
for pic in allPics:
# 分別處理每個圖片，取出名稱及地址
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
# 返回爬取到的數據
yield item
|
7、設置配置文件
?| 1 2 |
# 設置處理返回數據的類及執行優先級
ITEM_PIPELINES = {‘pic.pipelines.PicPipeline‘:100}
|
8、編寫數據處理腳本
?| 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、執行爬蟲
?| 1 2 |
cd pic
scrapy crawl xh --nolog
|
結果：
終極篇：我想要所有校花圖
註明：基於進階篇再修改為終極篇
# 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
# 導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
# 爬蟲名稱，唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = [‘http://www.xiaohuar.com/hua/‘]
# 設置一個空集合
url_set = set()
def parse(self, response):
# 如果圖片地址以http://www.xiaohuar.com/list-開頭，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:
# 分別處理每個圖片，取出名稱及地址
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
# 獲取所有的地址鏈接
urls = response.xpath("//a/@href").extract()
for url in urls:
# 如果地址以http://www.xiaohuar.com/list-開頭且不在集合中，則獲取其信息
if url.startswith("http://www.xiaohuar.com/list-"):
if url in XhSpider.url_set:
pass
else:
XhSpider.url_set.add(url)
# 回調函數默認為parse,也可以通過from scrapy.http import Request來指定回調函數
# from scrapy.http import Request
# Request(url,callback=self.parse)
yield self.make_requests_from_url(url)
else:
pass
|
Scrapy簡單入門及實例講解