Scrapy框架新手入门教程
Scrapy是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。可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
目录
安装
测试
新建工程
创建spider文件(以豆瓣电影为例)
架构(绿线是数据流向)
运作流程(个人理解)
制作步骤
在item中指明爬取字段
编写spider/movie.py
数据存至数据库
其他
最后
安装
pip安装,可能会报错:
pip install Scrapy
anaconda安装,推荐:
conda install -c conda-forge scrapy
测试
scrapy
新建工程
scrapy startproject <工程名>
如
scrapy startproject douban
创建的目录结构
- scrapy.cfg: 项目配置文件
- douban/: 项目python模块, 代码将从这里导入
- douban/items.py: 项目items文件,存要爬取的字段信息,可以插入数据库、写入txt等
- douban/pipelines.py: 项目管道文件,将爬取的数据进行持久化存储
- douban/settings.py: 项目配置文件,可以配置数据库等
- douban/spiders/: 放置spider的目录,也就是你要写逻辑代码的地方
- douban/middlewares:中间件,请求和响应都将经过他,可以配置请求头、代理、cookie、会话维持等
创建spider文件(以豆瓣电影为例)
scrapy genspider <项目名> <爬取域>
如
cd douban
scrapy genspider movie movie.douban.com
将在spiders文件夹下自动创建movie.py,并自动生成内容:
可以看出,要建立一个Spider, 你必须用scrapy.Spider类创建一个子类,并确定了三个强制的属性 和 一个方法。
- name = "" :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:负责解析返回的网页数据(response.body),提取结构化数据(生成item);生成需要下一页的URL请求。
架构(绿线是数据流向)
- 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)
运作流程(个人理解)
- 用户编写spider并运行
- 将第一个URL传给引擎
- 引擎将URL对应的request传给调度器
- 调度器将request排序入队
- 调度器将处理好的request返回到引擎
- 引擎将request按照下载中间件的设置传给下载器
- 下载器执行request并获得response(如果下载失败,然后引擎告诉调度器,这个request下载失败了,你记录一下,待会儿再下载)
- 下载器将response返回到引擎
- 引擎将request返回到spider用户这(默认交到def parse()这个函数处理)
- spider处理完数据后,将需要跟进的URL和要保存的item传给引擎
- 引擎将item传给管道进行处理保存,并将URL进入下一轮循环
- 只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
制作步骤
- 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
- 存储内容 (pipelines.py):设计管道存储爬取内容
在item中指明爬取字段
如“名称”、“评分”、“简介”
- Item 定义结构化数据字段,用来保存爬取到的数据,有点像 Python 中的 dict,但是提供了一些额外的保护减少错误。
- 可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field 的类属性来定义一个 Item(可以理解成类似于 ORM 的映射关系)。
在item.py中修改为:
class DoubanItem(scrapy.Item):
name = scrapy.Field()
rating_num = scrapy.Field()
quote = scrapy.Field()
编写spider/movie.py
1、选择目标的xpath(也可以css等其他选择器)
2、提取出公共部分
3、由于豆瓣有反爬验证,因此需要加上header
def start_requests(self):
url = 'http://movie.douban.com/top250/'
yield scrapy.Request(url, headers=self.headers)
通过start_requests函数,对于运行后第一次访问请求,就加上了请求头。因此,start_urls其实也可以不加。
4、为了方便调试,新建spider/main.py,并写入
from scrapy.cmdline import execute
execute(["scrapy", "crawl", "movie", "-o", "item.json"])
5、测试一下效果
class MovieSpider(scrapy.Spider):
name = 'movie'
allowed_domains = ['movie.douban.com/top250']
start_urls = ['http://movie.douban.com/top250/']
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36'}
def start_requests(self):
url = 'http://movie.douban.com/top250/'
yield scrapy.Request(url, headers=self.headers)
def parse(self, response):
for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'):
print(each.xpath('./div/div[2]/div[1]/a/span[1]').extract())
运行main.py
要提取中间的文字,则在xpath后面再添加“/text()”
6、类似地,完善parse()函数
from ..items import DoubanItem
def parse(self, response):
# 将得到的数据封装到一个DoubanItem对象,就是在items.py里的
item = DoubanItem()
for each in response.xpath('//*[@id="content"]/div/div[1]/ol/li'):
name = each.xpath('./div/div[2]/div[1]/a/span[1]/text()').extract_first()
rating_num = each.xpath('./div/div[2]/div[2]/div/span[2]/text()').extract_first()
quote = each.xpath('./div/div[2]/div[2]/p[2]/span/text()').extract_first()
item['name'] = name
item['rating_num'] = rating_num
item['quote'] = quote
yield item
7、运行main.py后,在spider/item.json里将看到爬取的数据,以Unicode字符形式。
8、还可以保存为其他形式,如csv、xml,只需将item.json改为item.csv等。
数据存至数据库
1、建库建表
mysql -uroot -p
Enter password:
create database scrapy;
use scrapy;
create table movie(id int auto_increment primary key, name varchar(255),rating varchar(10), quote varchar(255))default charset=utf8;
2、在setting.py中配置数据库连接
mysql_movie = {
'host': "127.0.0.1",
"port": 3306,
"user": "root",
"password": "pwd",
"db": "scrapy"
}
3、在setting.py中将以下内容取消注释
4、在pipelines.py中连接数据库存储数据
pip install pymysql
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
from .settings import mysql_movie
import pymysql
class DoubanPipeline:
def __init__(self):
self.host = mysql_movie["host"]
self.port = mysql_movie["port"]
self.user = mysql_movie["user"]
self.password = mysql_movie["password"]
self.db = mysql_movie["db"]
self.conn = pymysql.connect(host=self.host, port=self.port, user=self.user, password=self.password, db=self.db, charset='utf8')
self.cursor = self.conn.cursor()
def process_item(self, item, spider):
sql ='''insert into movie(name, rating, quote)values('%s','%s','%s')''' % (item["name"], item["rating_num"], item["quote"])
try:
self.cursor.execute(sql)
self.conn.commit()
except:
self.conn.rollback()
return item
5、运行main.py后,查询数据库
select * from movie;
其他
为了做一个乖爬虫,且避免面向监狱编程,建议在setting.py至少开启以下两项:
最后
相信你跟我一样,过完本文,对scrapy已经有了一个大致的了解。
- HTTP协议漫谈
- 关于 Android N 那些你不知道的事儿
- golang实现ping命令
- socket编程小问题:地址已经被使用——Address already in use
- 如何使用golang实现操作键盘按键
- 黑科技:程序员如何打造属于自己的分体键盘
- Go语言实现socket实例
- go语言实现sqrt的方法
- Go语言实现set
- Docker新手入门实战教程
- Python远程控制模块paramiko遇到的问题及解决记录
- Windows下bat批处理脚本使用telnet批量检测远程端口小记
- WordPress集成PHP缩略图,并开启Nginx缓存的方法
- 分享几个WordPress本地缓存gravatar评论头像的方案
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Android 实现彻底退出自己APP 并杀掉所有相关的进程
- 使用Android开发接入第三方原生SDK实现微信登录
- Android打包篇:Android Studio将代码打包成jar包教程
- Android系统制作自定义签名的例子
- 抖音短视频系统开发,日期加减
- Android开发之InetAddress基础入门简介与源码实例
- Android实现通讯录功能
- 教你用CentOS7下使用mktorrent制作PT种子
- 让 Python 的高阶函数支持链式调用[实用库/轮子]
- 解决了一个 Python Type Hints 的问题,分享一下
- Elasticsearch:flattened 数据类型 (7.3 发行版新功能)
- Android开发准确获取手机IP地址的两种方式
- Android网络请求-sign参数的设置方式
- Android使用自定义View实现横行时间轴效果
- Android Studio debug.keystore位置介绍