阅读 378
初识Scrapy框架

初识Scrapy框架

这是我参与8月更文挑战的第12天,活动详情查看:8月更文挑战

(1)Scrapy模块安装

scrapy支持Python2.7和python3.4以上版本。

python包可以用全局安装(也称为系统范围),也可以安装在用户空间中。

Windows
一.直接安装
1.在https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应的Twisted的版本文件
2. 在命令行进入到Twisted的目录 执行pip install 加Twisted文件名
3.执行pip install scrapy

二.annaconda 下安装 (官方推荐)
1.安装conda
conda旧版本 docs.anaconda.com/anaconda/pa…
安装方法 https://blog.csdn.net/ychgyyn/article/details/82119201
2. 安装scrapy conda install scrapy

(2)Scrapy框架简介

Scrapy是纯Python开发的一个高效,结构化的网页抓取框架。

Scrapy是个啥?

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。 其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的,也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。 Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试 Scrapy使用了Twisted 异步网络库来处理网络通讯。

我们为啥要用这玩意呢?

1.为了更利于我们将精力集中在请求与解析上。
2.企业级的要求。

(3)运行流程

(只要提到框架,就要重视它的运行流程/逻辑顺序)

引入:

在这里插入图片描述举个粟子:
大一新生小明开学,他先到新生接待处等待,老学长学姐(管理人员)看到了就会上前询问你需要帮忙嘛?小明正愁不知道该干啥,就说我是来报道的大一新生,管理人员听了就会将你的信息进行排队,等排队到了小明之后,就会将这个号给到管理人员。
然后,管理人员将这个号给到报到处,报到处安排小明的在校信息,比如:班级,宿舍…并将这些信息返还给管理人员。管理人员得到之后会再将这些信息给小明这个大一新生,让小明核对下这些是不是自己所需的,经小明认真核对之后发现都是自己想要的,小明跟管理人员说:我已经确认过了就这样哦!
最后,管理人员就会将这些信息交到信息管理处进行存储。

注意:图中的弧线的意义:
如果,在小明拿到信息核对之后发现这些不是自己所需的,那么,小明就会告诉管理人员,这些不是我所要的,我要重新请求一下别的东西,然后管理人员就就会将小明进行重新排队!!!

1.进入正题:

在这里插入图片描述
spiders网页爬虫
items项目
engine引擎
scheduler调度器
downloader下载器
item pipelines项目管道
middleware中间设备,中间件

数据流:
上图显示了Scrapy框架的体系结构及其组件,以及系统内部发生的数据流(由红色的箭头显示。)
Scrapy中的数据流由执行引擎控制,流程如下:

首先从网页爬虫获取初始的请求
将请求放入调度模块,然后获取下一个需要爬取的请求
调度模块返回下一个需要爬取的请求给引擎
引擎将请求发送给下载器,依次穿过所有的下载中间件
一旦页面下载完成,下载器会返回一个响应包含了页面数据,然后再依次穿过所有的下载中间件。
引擎从下载器接收到响应,然后发送给爬虫进行解析,依次穿过所有的爬虫中间件
爬虫处理接收到的响应,然后解析出item和生成新的请求,并发送给引擎
引擎将已经处理好的item发送给管道组件,将生成好的新的请求发送给调度模块,并请求下一个请求
该过程重复,直到调度程序不再有请求为止。

中间件介绍:

(1)下载中间件
下载中间件是位于引擎和下载器之间的特定的钩子,它们处理从引擎传递到下载器的请求,以及下载器传递到引擎的响应。
如果你要执行以下操作之一,请使用Downloader中间件:
在请求发送到下载程序之前处理请求(即在scrapy将请求发送到网站之前)
在响应发送给爬虫之前
直接发送新的请求,而不是将收到的响应传递给蜘蛛
将响应传递给爬行器而不获取web页面;
默默的放弃一些请求

(2)爬虫中间件
爬虫中间件是位于引擎和爬虫之间的特定的钩子,能够处理传入的响应和传递出去的item和请求。
如果你需要以下操作请使用爬虫中间件:
处理爬虫回调之后的请求或item
处理start_requests
处理爬虫异常
根据响应内容调用errback而不是回调请求

2.各个组件介绍:

Scrapy Engine(引擎)
引擎负责控制系统所有组件之间的数据流,并在发生某些操作时触发事件。

scheduler(调度器)
调度程序接收来自引擎的请求,将它们排入队列,以便稍后引擎请求它们。

Downloader(下载器)
下载程序负责获取web页面并将它们提供给引擎,引擎再将它们提供给spider。

spider(爬虫)
爬虫是由用户编写的自定义的类,用于解析响应,从中提取数据,或其他要抓取的请求。

Item pipeline(管道)
管道负责在数据被爬虫提取后进行后续处理。典型的任务包括清理,验证和持久性(如将数据存储在数据库中)

(3)简单使用

1.基操(简单的项目命令)!

(1)创建项目:


小知识点:<>为必填项;[]为选填项!
小技巧1:pycharm终端输入scrapy可以查看一些帮助,有助于我们写那些难记的命令!
小技巧2:scrapy+命令关键字,可以查看有关于此命令的详细用法!

1.首先:
cd+要放scrapy项目的文件夹路径

2.第二步:
通过scrapy命令可以很方便的新建scrapy项目。

语法格式:scrapy startproject <project_name> [project_dir]

该命令会在project_dir文件加下创建一个名为project_name的Scrapy新项目。如果project_dir没有指定,project_dir与project_name相同。
执行命令:
scrapy startproject baidu
之后会在指定文件夹创建如下文件:

在这里插入图片描述

(2)创建爬虫文件

{
创建一个bdSpider的类,它必须继承scrapy.Spider类,需要定义以下三个属性:
name: spider的名字,必须且唯一
start_urls: 初始的url列表
parse(self, response) 方法:每个初始url完成之后被调用。这个函数要完成一下两个功能:
解析响应,封装成item对象并返回这个对象
提取新的需要下载的url,创建新的request,并返回它

我们也可以通过命令创建爬虫

语法格式:scrapy genspider [-t template]
运行命令:scrapy genspider bd www.baidu.com
会在spiders文件下生成bd.py文件
}
1.首先:
cd 到项目下
2.第二步:
scrapy genspider [options]
scrapy genspider bd www.baidu.com
会创建在项目/spider下 ;其中bd 是爬虫文件名, www.baidu.com 是 url(域名)
执行命令:
scrapy genspider bd www.baidu.com
之后再项目/spider下创建的文件为:

# -*- coding: utf-8 -*-
import scrapy


class BdSpider(scrapy.Spider):          #继承了scrapy.Spider类
    name = 'bd'                         #名字是唯一的(不重复)  因为我们在启动项目的时候,是根据这个名字来找爬虫文件的
    allowed_domains = ['www.baidu.com'] #允许的域名 (限制)    可以没有这个限制!
    start_urls = ['http://www.baidu.com/']  #首个请求(必须要有)  不然开始都开始不了,怎么让整个框架运行下去呢!

    def parse(self, response):           #必须是parse函数  不可以乱改名  接收下载器下载的数据
        print("*******")		#用于更直观的观察框架能否正常运行!
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print("*******")
        print(response)         #response对象
        #获取数据   两种方法:
        print(response.body.decode())   #获取到的是字节码形式
        # print(response.text)
复制代码

注意:最后引擎给spider模块的数据就给到了函数parse里的形参response:
在这里插入图片描述

(3)运行爬虫文件

一步即可:
scrapy crawl [options]
其中spider是爬虫文件名

执行命令:
scrapy crawl bd

但是!我们运行爬虫文件之后,发现用于测试的print函数没有显示,经过检查终端输出的数据可知Scrapy框架是默认遵循robots协议的,所以咱们肯定获取不到数据了!!!

在这里插入图片描述

如何解决这个问题呢?

打开设置文件settings.py,将其中的以下代码更改为False即可!

# Obey robots.txt rules
ROBOTSTXT_OBEY = True
复制代码

拓展:第二种运行scrapy的方法!

cd 到爬虫模块spiders文件夹下,运行命令:
	scrapy runspider 爬虫py文件名
注意:爬虫py文件名要带.py后缀!
复制代码

高级拓展:(注意:以上两种运行scrapy框架的方法都无法进行debug,非常不方便!万一出问题了,岂不是很难找!!!所以:推出第三种启动scrapy框架的方法-----django在创建项目的时候自动生成一个启动项目的py文件【manage.py或者main.py】,而scrapy框架没有,但是我们可以自己定义呀!!!!!)

1.在项目文件夹下创建名为main.py或者manage.py的py文件:
复制代码

在这里插入图片描述

2.在此py文件下编写代码如下:

from scrapy.cmdline import execute
import sys
import os

# 保证终端执行  "scrapy", "crawl", "bd" 这个命令运行不出现路径问题!(可以不写!)
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy", "crawl", "bd"])
复制代码
3.现在,我们可以直接运行这个py文件,会发现会和前两种方法一样运行scrapy框架;而且,强大的是:我们还可以通过debug此py文件达到调试此scrapy框架的作用!!!
复制代码

🔆In The End!

请添加图片描述

从现在做起,坚持下去,一天进步一小点,不久的将来,你会感谢曾经努力的你!

本博主会持续更新爬虫基础分栏及爬虫实战分栏,认真仔细看完本文的小伙伴们,可以点赞收藏并评论出你们的读后感。并可关注本博主,在今后的日子里阅读更多爬虫文!

如有错误或者言语不恰当的地方可在评论区指出,谢谢!
如转载此文请联系我征得本人同意,并标注出处及本博主名,谢谢 !

文章分类
后端
文章标签