這裏寫目錄標題
前言
Scrapy是用純Python實現一個爲了爬取網站數據、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,
用戶只需要定製開發幾個模塊就可以輕鬆的實現一個爬蟲,用來抓取網頁內容以及各種圖片,非常之方便
scrapy架構圖
Scrapy執行流程圖:
crapy 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,並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,並將其獲取到的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,並將需要跟進的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,並進行進行後期處理(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):你可以理解爲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)
0. 本章內容大概流程
抓取內容(百度貼吧:網絡爬蟲吧)
頁面: http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
數據:1.帖子標題;2.帖子作者;3.帖子回覆數
通過觀察頁面html代碼來幫助我們獲得所需的數據內容。
1. 安裝Scrapy
用conda或者pip
conda install scrapy
或者
pip install scrapy
2. 工程建立
在控制檯模式下進入你要建立工程的文件夾執行如下命令創建工程:
scrapy startproject baidutieba
這裏的baidutieba是工程名,框架會自動在當前目錄下創建一個同名的文件夾,工程文件就在裏邊。
(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message>scrapy startproject baidutieba
New Scrapy project 'baidutianba', using template directory 'C:\Users\**\Anaconda3\envs\tf1\lib\site-packages\scrapy\templates\project', created in:
C:\Users\**\PycharmProjects\tf1\grasp_message\baidutieba
You can start your first spider with:
cd baidutianba
scrapy genspider example example.com
我們先看一下目錄結構:
scrapy.cfg: 項目的配置文件
baidutieba/: 該項目的python模塊。之後您將在此加入代碼。
baidutieba/items.py:需要提取的數據結構定義文件。
baidutieba/middlewares.py: 是和Scrapy的請求/響應處理相關聯的框架。
baidutieba/pipelines.py: 用來對items裏面提取的數據做進一步處理,如保存等。
baidutieba/settings.py: 項目的配置文件。
baidutieba/spiders/: 放置spider代碼的目錄。
3. 實現過程
3.1在items.py中定義自己要抓取的數據:
import scrapy
class DetailItem(scrapy.Item):
# 抓取內容:1.帖子標題;2.帖子作者;3.帖子回覆數
title = scrapy.Field()
author = scrapy.Field()
reply = scrapy.Field()
【注】上面類中的title、author、reply就像是字典中的“鍵”,爬到的數據就像似字典中的“值”。
3.2 然後在spiders目錄下編輯myspider.py那個文件:
import scrapy
from baidutieba.items import BaidutiebaItem
import sys
class MySpider(scrapy.Spider):
"""
name:scrapy唯一定位實例的屬性,必須唯一
allowed_domains:允許爬取的域名列表,不設置表示允許爬取所有
start_urls:起始爬取列表
start_requests:它就是從start_urls中讀取鏈接,然後使用make_requests_from_url生成Request,
這就意味我們可以在start_requests方法中根據我們自己的需求往start_urls中寫入
我們自定義的規律的鏈接
parse:回調函數,處理response並返回處理後的數據和需要跟進的url
log:打印日誌信息
closed:關閉spider
"""
# 設置name
name = "spidertieba"
# 設定域名
allowed_domains = ["baidu.com"]
# 填寫爬取地址
start_urls = [
"http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8",
]
# 編寫爬取方法
def parse(self, response):
for line in response.xpath('//li[@class=" j_thread_list clearfix"]'):
# 初始化item對象保存爬取的信息
item = BaidutiebaItem()
# 這部分是爬取部分,使用xpath的方式選擇信息,具體方法根據網頁結構而定
item['title'] = line.xpath(
'.//div[contains(@class,"threadlist_title pull_left j_th_tit ")]/a/text()').extract()
item['author'] = line.xpath(
'.//div[contains(@class,"threadlist_author pull_right")]//span[contains(@class,"frs-author-name-wrap")]/a/text()').extract()
item['reply'] = line.xpath(
'.//div[contains(@class,"col2_left j_threadlist_li_left")]/span/text()').extract()
yield item
【注】xpath語法可參考:http://www.w3school.com.cn/xpath/xpath_syntax.asp
3.3 調試技巧
3.3.1.我們可以通過命令進入scrapy shell:
scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
來方便的查看我們xpath代碼所獲得的結果,以便調試。
(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message>scrapy shell http://tieba.baidu.com/f?kw=%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB&ie=utf-8
3.3.2 chrome console 調試xpath
F12->$x(“//title”)
[<title>Online Tools for Software Developers (Free)</title>]
不過這樣直接copy 出來的一般要做修改的。不然它只能定位一個元素。
3.4 執行命令 scrapy crawl [類中name值]
直接到你的項目目錄下
(tf1) C:\Users\**\PycharmProjects\tf1\grasp_message\baidutianba>scrapy crawl spidertieba -o items.json
Traceback (most recent call last):
由於第二步中我們在類MySpider下定義了 name =“spidertieba” ,所以執行命令:scrapy crawl spidertieba -o items.json。 -o 指定文件。
這樣我們就會看到此目錄下生成了items.json文件
items.json文件的內容就是要爬取的內容。
或者到spiders目錄下執行下面命令
scrapy runspider myspider.py -o runspider_items.json
runspider_items.json 就是爬取的內容,這個命令一般是檢查你寫的spider文件
4. 查看結果
簡單查看一下, 創建一個pyhon 的文件print_json.py
import json
with open('items.json') as f:
rownum = 0
new_list = json.load(f)
for i in new_list:
rownum += 1
print("""line{}: title:{}, author:{}, reply:{}.""".format(rownum,
i['title'][0],
i['author'][0],
i['reply'][0]))
至此,scrapy的最簡單的應用就完成了。
參考資料
[1]Scrapy 框架介紹
[2] https://www.cnblogs.com/wcwnina/p/10399810.html
https://www.cnblogs.com/yangshaolun/p/10920761.html
https://blog.csdn.net/six66667/article/details/93487869