投稿
  1. 首页
  2. 随笔

爬虫快速上手之Scrapy框架

设计本 • 2022-10-21 • 随笔 • 阅读 10

爬虫快速上手之Scrapy框架,第1张

爬虫快速上手之Scrapy框架

目录

一、Scrapy框架原理

1、Scrapy特点

2.Scrapy框架

二、Scrapy配置文件详解

1.setting.py文件常用配置

 2.items.py详解     

3. 爬虫文件详解

三、所使用命令

1.创建scrapy项目

2.创建爬虫文件

3.运行爬虫

4.运行爬虫-直接生成csv文件

5.运行爬虫-直接生成json文件

四、函数运用

1.爬虫文件，parse()-解析提取函数

2.爬虫文件-将抓取的数据交给管道处理

3.爬虫文件-生成下一页URL，交给调度器入队列

五、案例运用

案例：

代码示例：

六、总结Scrapy项目流程

一、Scrapy框架原理 1、Scrapy特点

        是一个用Python实现的为了爬取网站数据、提取数据的应用框架

        Scrapy使用Twisted异步网络来处理网络通讯

        使用Scrapy框架可以高效（爬取效率和开发效率）完成数据爬取

2.Scrapy框架

（1）组件及其工作流程：

        五大组件：

                引擎（Engine）：整个框架的核心

                调度器（Scheduler）：维护请求队列

                下载器（Downloader）：获取响应对象

                爬虫文件（Spider）：数据解析提取

                项目管道（Pipeline）：数据入库处理

        工作流程描述：

                引擎向爬虫程序索要第一批要爬取的URL，交给调度器入队列

                调度器处理请求后出队列，通过下载器中间件交给下载器去下载

                下载器得到响应对象后，通过蜘蛛中间件交给爬虫程序

                爬虫程序进行数据提取：

                        数据交给管道文件去入库处理

                        对于需要继续跟进的URL，再次交给调度器入队列，如此循环

        scrapy框架及流程图：

        

（2）Scrapy架构图（绿线是数据流向）：

（3）两个中间件及其功能：

        下载器中间件（Downloader Middlewares）：请求对象 -> 引擎 -> 下载器，包装请求（随即代理等）

        蜘蛛中间件（SpiderMiddlewares）：响应对象 -> 引擎 -> 爬虫文件，可修改响应对象属性

二、Scrapy配置文件详解 1.setting.py文件常用配置

（1）设置User-Agent：USER-AGENT = ' '        

（2）设置最大并发数（默认为32）：CONCURRENT_REQUESTS = 16

（3）设置下载延迟时间（每隔多久访问一个网页）：DOWNLOAD_DELAY = 0.1

（4）设置请求头：DEFAULT)REQUEST_HEADERS = {}

（5）设置robots：robots必须为False

        ROBOTSTXT_OBEY = False

（6）设定日志级别：默认DEBUG < INFO < WARNING < ERROR < CRITICAL：

        LOG_LEVELF = 'WARNING' # 控制台只会出现WARNING及比WARNING级别高的日志详情（7）设置日志保存至日志文件：

        LOG_FILE = 'xxx.log' # 一般不设置，则默认在控制台打印出日志信息

（8）设置数据导出编码，主要针对的是json文件：

        FEED_EXPORT_ENCODING = 'gb18030'

        FEED_EXPORT_ENCODING = 'utf8'

（9）设置项目管道：优先级为1-1000，数字越小优先级越高

        ITEM_PIPLINES = {'项目目录名.piplines.类名' : 优先级}

（10）设置cookie（默认禁用，取消注释-True|False都为开启）

        cookieS_ENABLE = False

（11）设置下载器中间件

        DOWNLOADER_MIDDLEWARES = {'项目目录名.middlewares.类名' : 优先级}

 2.items.py详解     

 （1）Scrapy提供了Item类，可以自定义爬取字段

（2）Item类似字典，我们需要抓取哪些字段直接在此处定义即可，当爬虫文件中对Item类进行实例化后，会有方法将数据交给管道文件处理

import scrapy


class QuotesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 定义需要抓取的数据名称
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

 

3. 爬虫文件详解

（1）常用配置：

        name：爬虫名，当运行爬虫项目时使用

        allowed_domains：允许爬取的域名，非本域的URL地址会被过滤

        start_urls：爬虫项目启动时起始的URL地址

import scrapy
from ..items import QuotesItem


class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    allowed_domains = ['quotes.toscrape.com']
    start_urls = ['https://quotes.toscrape.com/page/1/']
    i = 1 # 记录当前抓取的页数，默认为1

    def parse(self, response):
        pass

（2）爬虫文件运行流程描述

        爬虫项目启动，引擎找到此爬虫文件，将start_urls中URL地址拿走交给调度器入队列，然后队列交给下载器下载，得到response；response通过引擎又交给此爬虫文件，在爬虫文件的parse函数中解析数据

三、所使用命令 1.创建scrapy项目

例：scrapy startproject Baidu

scrapy startproject 项目名称
2.创建爬虫文件

例：scrapy genspider baidu www.baidu.com

scrapy genspider 爬虫文件名 域名
3.运行爬虫

例：scrapy crawl baidu

scrapy crawl 爬虫文件名

4.运行爬虫-直接生成csv文件

例：cmdline.execute('scrapy crawl baidu -o baidu.csv)

scrapy crawl 爬虫文件名 -o csv文件名

注意：windows下生成的csv文件，用excel打开可能会出现中文乱码，

        解决如下：

        在settings.py文件中设置数据导出的编码：

        FEED_EXPORT_ENCODING = 'gb18030'

        FEED_EXPORT_ENCODING = 'utf8'

5.运行爬虫-直接生成json文件

例：cmdline.execute('scrapy crawl baidu -o baidu.json')

scrapy crawl 爬虫文件名 -o json文件名

四、函数运用 1.爬虫文件，parse()-解析提取函数

response.xpath('')

response.xpath('').extract()

response.xpath('').extract_first() 等同于 response.xpath('').get()

2.爬虫文件-将抓取的数据交给管道处理

yield item

3.爬虫文件-生成下一页URL，交给调度器入队列

yield scrapy.Request(url=url, callback = self.parse)

注意：callback值为函数名，而不是函数的调用

五、案例运用 案例：

Target URL：Quotes to Scrape

Columns in need：sentence， author，tags

Storage：CSV file

代码示例：

1.items.py（定义爬取的数据字段名称）

import scrapy


class QuotesItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 定义需要抓取的数据名称
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

2.爬虫文件：quotes.py （解析响应数据）

import scrapy
from ..items import QuotesItem


class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    allowed_domains = ['quotes.toscrape.com']
    start_urls = ['https://quotes.toscrape.com/page/1/']
    i = 1 # 记录当前抓取的页数，默认为1

    def parse(self, response):
        """"""
        # 找到每一个板块的div标签
        div_list = response.xpath(r'//div[@]/div')
        item = QuotesItem()
        # 解析数据，获得text，author，tags
        for div in div_list:
            item['text'] = div.xpath('.*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0'
}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'Quotes.middlewares.QuotesSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'Quotes.middlewares.QuotesDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'Quotes.pipelines.QuotesPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_ConCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

# 设置数据导出的编码
# FEED_EXPORT_ENCODING = 'gb18030'
FEED_EXPORT_ENCODING = 'utf8'

5.运行爬虫文件：run.py

from scrapy import cmdline

cmdline.execute('scrapy crawl quotes'.split())
六、总结Scrapy项目流程

1.创建爬虫项目：scrapy startproject Quotes

2.cd到项目文件夹：cd Quotes

3.创建爬虫文件：scrapy genspider Quotes quotes.toscrape.com

4.定义要爬取的数据结构-items.py

import scrapy

class QuotesItem(scrapy.Item):

        text = scrapy.Field()

        author = scrapy.Field()

        tags = scrapy.Field()        

5.爬虫文件解析提取数据-quotes.py

6.管道文件处理爬虫文件提取的数据-pipelines.py

class QuotesPipeline(object):

        def process_item(self, item, spider):

                # 具体处理数据的代码

                return item

7.全局配置-settings.py

8.运行爬虫文件-run.py

from scrapy import cmdline

cmdline.execute('scrapy crawl quotes'.split())

欢迎分享，转载请注明来源：内存溢出

原文地址: http://outofmemory.cn/zaji/3973017.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
设计本 设计本 一级用户组
0 0
上一篇 2022-10-21
下一篇 2022-10-21

发表评论

登录后才能评论

评论列表（0条）

保存