Scrapy入门到放弃02:画一张架构图,开发第一个程序

890

这是我参与8月更文挑战的第6天,活动详情查看:8月更文挑战

前言

Scrapy开门篇写了一些纯理论知识,这第二篇就要直奔主题了。先来讲讲Scrapy的架构,并从零开始开发一个Scrapy爬虫程序。

本篇文章主要阐述Scrapy架构,理清开发流程,掌握基本操作。

整体架构

自己动手画架构图一张:

Scrapy架构

这就是Scrapy的整体架构,看起来流程比较复杂,但其实需要开发者参与的部分不多。这里先介绍一下各个部分。

  1. Spider:要开发的爬虫程序,用来定义网站入口,实现解析逻辑并发起请求。
  2. Pipeline:数据管道,可自定义实现数据持久化方式。
  3. Middleware:中间件,分为两类。一类是下载器中间件,主要处理请求,用于添加请求头、代理等;一类是spider中间件,用于处理响应,用的很少。
  4. Scheduler:调度器,用来存放爬虫程序的请求。
  5. Downloader:下载器。对目标网站发起请求,获取响应内容。

一个完整的爬虫,开发者需要参与1、2、3部分的开发。甚至最简单的爬虫,只需要开发Spider部分即可。

准备工作

安装Scrapy

Scrapy的安装和普通模块相同:

pip3 install scrapy

安装之后,就会多出一个scrapy命令,我们可以使用此命令来新建项目、新建爬虫程序、进入shell交互环境等等。

命令说明如下图:

scrapy

新建项目

和普通python项目不同的是,Scrapy需要使用命令行新建项目,然后再导入IDE进行开发。

scrapy startproject [ProjectName]

执行上面命令,新建一个新的Scrapy项目。

startproject

从项目结构可以看出,一个Scrapy项目分为四大模块,与架构中各个部分对应。

四大模块

新建爬虫程序

将项目导入IDE,spiders包用于存放开发的爬虫程序。而爬虫程序的新建也是通过命令行操作。

# domain就是域名,例如百度域名就是www.baidu.com
scrapy genspider [SpiderName] [domin]

在本scrapy项目任何目录下的命令行中执行此命令,都会在spiders下新建一个爬虫程序。

genspider

爬虫程序开发

如图,scrapy爬虫程序已经生成,在其中实现解析规则代码即可完成开发。

这里依然以斗罗大陆为例,程序代码如下。

斗罗大陆

程序结构

每个Scrapy程序都会有三个模块:

  1. name:每个项目中的爬虫的名称,作为唯一标识用于爬虫的启动
  2. allowed_domains:主要用于限定运行爬虫网站的域名
  3. start_urls::网站入口,起始url
  4. parse:预设的第一个解析函数

上面说道,start_urls是爬虫程序的入口,那么它是怎么发起请求,并将Res响应传给parse解析?作为一个list类型,是否可以有多个入口url?

start_requests()

每个爬虫程序都继承了Spider类,里面的start_requests方法用来发起请求,并自动将响应传递给parse()。

如图,我们可以看到,此方法遍历了start_urls来发起了请求。那么,我就不想传递给parse()解析,我就想自定义方法,啷个怎么办来?

小事莫慌,我们重写start_requests就好了嘛。

如图,我们自定义了parse_first解析函数,在发起请求时使用callback来指定回调函数,这里记住:函数名一定不要加括号,加括号表示立即执行此函数,不加代表是引用

修改后的程序输出结果和之前相同。

Request

我们使用yield Request发起一个请求,为什么不用return?因为yield不会立即返回,不会终结方法。这里就涉及到了生成器的问题,有兴趣的可以去研究一下。

Request使用的参数如下顺序排列:

  1. url:要请求的url
  2. callback:处理响应的回调函数
  3. meta:字典,通过响应传递kv数据给回调函数
  4. dont_filter:默认为False,即开启url去重。如果我们在start_urls写入两条一样的url时,只会输出一次结果,如果我们修改为True,则输出两次。
  5. method:请求方式,默认为get
  6. priority:请求优先级,默认为0,数值越大优先级越大

至于cookies、headers参数,我们可以在Request设置,但大多时候都是在下载器middleware中进行设置。

爬虫程序启动

Scrapy爬虫程序的启动主要有两种方式。

命令行启动

第一种就是在scrapy项目目录下的命令行下启动。

scrapy crawl [SpiderName]

这种启动方式的缺点显而易见,就是无法IDE中使用Debug功能,所以这种方式通常用于生产

IDE启动

我们在开发过程中通常使用第二种启动方式,这也是符合我们常规启动程序的方式。新建一个python程序,引入命令行工具执行爬虫启动命令。

from scrapy.cmdline import execute

if __name__ == "__main__":
    execute("scrapy crawl DouLuoDaLu".split(" "))

这样就可以在IDE中启动程序,并使用Debug功能。

Debug

scrapy shell交互环境

我们可以shell交互环境中进行解析代码的调试。

scrapy shell https://v.qq.com/detail/m/m441e3rjq9kwpsc.html

输入命令回车,对斗罗大陆页面发起请求并进入shell环境。

shell

如图所示,在进入shell环境后,自动封装了一些变量,这里我们只关注响应response。

response

如图,我们在shell交互环境中对网页进行了解析。这样,我们将测试好的解析代码复制到程序中即可,这样提高了开发效率。

输入view(response),敲击回车,将自动在浏览器打开页面。

结语

在样例程序中,请求和响应只在架构图右半边简单地流转,如果想要持久化,还需要定义pipeline等等,而且程序中也只写了一层解析函数,即parse()。

如果在parse中还要进行深度爬取,我们也要在parse中发起请求,并定义新的callback回调函数来进行解析,一直到我们想要的数据页面为止。当然,这些后面都会讲到。

自Scrapy系列写了开篇之后,就搁置了很久。一是最近的确挺忙的,二是Scrapy知识点比较多,一时间不知该从何处写起。不过我还是会继续写下去的,虽然可能更新的有点慢,欢迎小伙伴催更、也希望多多提出宝贵的意见。