Scrapy框架丨Python爬虫基础入门系列

提示：文末有福利！最新Python爬虫资料/学习指南>>戳我直达

文章目录

• 前言
• Scrapy框架
• • Scrapy库安装
  • 2、Scrapy爬虫框架结构
  • 3、Scarpy爬虫框架解析
  • 4、Scrapy爬虫的常用命令
• *** 作步骤
• • 1、建立一个Scrapy爬虫工程
  • 2、在工程中产生一个Scrapy爬虫
  • 3、配置产生的spider爬虫
  • 4、运行爬虫，获取网页
  • 5、yield关键词使用
  • 6、Scrapy爬虫的基本使用
• 总结

---

前言

Scrapy框架简述
Scrapy 是一个为了抓取网页数据、提取结构性数据而编写的应用框架，该框架是封装的，包含 request （异步调度和处理）、下载器（多线程的 Downloader）、解析器（selector）和 twisted（异步处理）等。对于网站的内容爬取，其速度非常快捷。

---

话不多说，开始学习

Scrapy框架 Scrapy库安装

打开cmd输入pip install scrapy

2、Scrapy爬虫框架结构

5+2结构、数据流

3、Scarpy爬虫框架解析

ENGINE:

控制所有模块之间的数据流。

根据条件触发事件。

不需要用户修改。

DOWNLOADER:

根据请求下载网页。

不需要修改。

SCHEDULER:

对所有爬取请求进行调度管理。

不需要用户修改

DOWNLOADER MIDDLEWARE

downloader和engine两个模块之间的中间键。

目的：实施Engine、Scheduler和Downloader之间进行用户可配置的控制。

功能：修改、丢弃、新增请求或响应。

用户可以编写代码修改。

Spider：

解析Downloader返回的响应（Response）。

产生爬取项（scraped item）。

产生额外的爬取请求（Request）。

需要用户编写配置代码。

Item Pipelines:

以流水线方式处理Spider产生的爬取项。

由一组 *** 作顺序组成，类似流水线，每个 *** 作是一个Item Pipeline类型。

可能 *** 作包括：清理、检验和查重爬取项中的HTML数据、将数据存储到数据库。

需要用户编写配置代码。

Spider Middleware

Spider和Engine之间的中间键。

目的：对请求和爬取项的再处理。

功能：修改、丢弃、新增请求或爬取项。

用户可以编写配置代码。

4、Scrapy爬虫的常用命令

Scrapy命令行(cmd)

startproject

创建一个新工程。

scrapy startproject[dir]

genspider

创建一个爬虫。

scrapy genspider[options]

settings

获得爬虫配置信息。

scrapy settings[options]

crawl

运行一个爬虫。

scrapy crawl

list

列出工程中所有爬虫。

scrapy list

shell

启动url调试命令行。

scrapy shell[url]

*** 作步骤 1、建立一个Scrapy爬虫工程

①、打开命令行，切换到自己希望存储的目录。

②、输入scrapy startproject 文件名。

③、生成工程目录

文件夹：外层目录

scrapy.cfg：部署scrapy爬虫的配置文件。

文件夹：scrapy框架的用户自定义python代码。

_init_.py：初始化脚本

item.py：Items代码模板（继承类）

middlewares.py：Middlewares代码模板（继承类）

pipelines.py：pipelines代码模板（继承类）

settings.py：scrapy爬虫的配置文件

spiders/：spiders代码模板目录（继承类）

_init_.py：初始文件，无需修改。

_pycache_/：缓存目录，无需修改。

2、在工程中产生一个Scrapy爬虫

命令行中输入scrapy genspider 文件名 爬取网站网址

3、配置产生的spider爬虫

#例子import scrapyclass DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['python123.io']
    start_urls = ['http://python123.io/ws/demo.html']
    def parse(self, response):
        fname=response.url.split('/')[-1]
        with open(fname,'wb') as f:
            f.write(response.body)
        self.log('Saved file %s.' % name)
        pass

4、运行爬虫，获取网页 5、yield关键词使用

yeild<–>生成器

1、生成器是一个不断产生值的函数。

2、包含yield语句的函数是一个生成器。

3、生成器每次产生一个值（yield语句），函数被冻结，被唤醒后再产生一个值。

实例

生成器写法

def gen(n):
    for j in range(n):
        yield j**2
    # 产生所有小于n的数的平方值，运行到yield这一行时，运算i**2的值并返回，然后函数被冻结。for i in gen(5):
    print(i, " ", end="") 
    # >>>输出结果：0  1  4  9  16
    # 这块儿只可意会不可言传，大概解释一下就是，进入主函数的for循环的时候，先运行gen(5)，此时进入gen函数，第一次走gen里的循环，j=0，经过yield，返回0给i，此时i为0。第一次i循环结束。走第二次，再次调用gen，此时gen里的j=1，重复上述。按我的说法就是，yield是一个有记录状态功能的return。

6、Scrapy爬虫的基本使用

Scrapy爬虫的使用步骤：

1、创建一个工程和Spider模板

2、编写Spider

3、编写Item Pipeline

4、优化配置策略

Scrapy爬虫的数据类型：

Request类

class scrapy.http.Request()

Request对象表示一个HTTP请求。

由Spider生成，由Downloader执行。

属性或方法：

.url：Request对应的请求URL地址。

.method：对应的请求方法，'GET''POST'等。

.headers：字典类型风格的请求头。

.body：请求内容主体，字符串类型。

.meta：用户添加的扩展信息，在Scrapy内部模块间传递信息使用。

.copy()：复制该请求。

Response类

class scrapy.http.Response()

Response对象表示一个HTTP响应。

由Downloader生成，由Spider处理。

属性或方法：

.url：Response对应的url地址。

.status：HTTP状态码，200、404、403……

.headers：Response对应的头部信息。

.body：Response对应的内容信息，字符串类型。

.flags：一组标记。

.request：产生Response类型对应的Request对象。

.copy()：复制该响应。

Item类

class scrapy.item.Item()

Item对象表示一个从HTML页面中提取的信息内容。

由Spider生成，由Item Pipeline处理。

Item类似字典类型，可以按照字典类型 *** 作。

Scrapy爬虫支持的HTML信息提取方法

Beautiful Soup

lxml

re

XPath Selector

CSS Selector

使用格式：.css(‘a::attr(href)’).extract()

其中，a为标签名称，href是标签属性。

​

---

总结

关于更多Scrapy框架的知识，大家可以参考Scrapy框架中文官方文档《Scrapy 中文手册 0.25 文档》

Python爬虫基础入门系列(4)就到这，希望大家早日修炼成为爬虫大佬！当然，如果你准备系统地学爬虫及更多Python编程技术，可戳我文末的名片，Free领取最新Python爬虫资料/免费咨询/学习规划~

戳我名片 · 领取福利