爬虫框架
- 软件结构就功能组件集合,使用的模板。5+2结构
Engine:调度中心
Scheduler调度器:待爬取URL,去重
Downloader下载器:获取页面信息
Spiders:初始request,分析response并提取item,额外的Request
Item Pipeline:处理数据,存储
Spider middlewares:处理spider的输入(response)和输出(item, requests),修改丢弃新增请求和响应
Downloadr middlewares:可通过设置自动更换user-agent,IP;修改丢弃新增请求或爬取项
-
Data flow:
1.引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2.引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3.引擎向调度器请求下一个要爬取的URL。
4.调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件((request)方向)转发给(Downloader)。
5.下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
6.引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7.Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8.引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
9.(从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
用户编写模块(配置):Spiders、Item Pipelines(三个已写好的)
-
比较:
相同:无处理js、提交表单、应对验证码等功能(可扩展)
requests:网页,功能库,重点在下载,定制灵活
scrapy:网站,框架,并发性好,重点在爬虫结构,深度定制困难
常用命令:
scrapy-h
:scrapy命令行
命令行格式:scrapy<command>[options][args]
命令 | 说明 | 格式 |
---|---|---|
startproject | 创建新工程 | scrapy startproject <name>[dir] |
genspider | 创建爬虫 | scrapy genspider [options]<name><domain> |
settings | 获取爬虫配置信息 | scrapy settings [options] |
crawl | 运行爬虫 | scrapy crawl <spider> |
list | 列出工程所有爬虫 | scrapy list |
shell | 启动URL调试命令行 | scrapy shell [url] |
实例:
http://python123.io/ws/demo.html
-
建立工程
python123demo/:外层目录,
scrapy.cfg:部署配置文件
python123demo/:自定义python代码
_init_.py:初始化脚本
items.py items:代码模板(继承类),放爬取的数据模型
middlewares.py:Middlewares代码模板(继承类) pipelines.py:Pipelines代码模板(继承类),存储到本地
settings.py:Scrapy爬虫的配置文件,请求头,多久发送,IP代理
spiders/:Spiders代码模板目录,爬虫放在这
_init_.py:初始化脚本
_pycache_ :缓存目录,无需修改
-
产生爬虫:
-
配置爬虫:
修改URL
修改parse:fname名字
settings : 建议设置:ROBOTSTXT_OBEY=False(?不一定,慎重,类人爬取可以)
DEFAULT_REQUEST_HEADERS = {} #伪装身份
DOWNLOAD_DELAY = 1
items里定义好模型的类,
去spider下from… import NameItem,
itemnaem=NameItem(a=a, b-b, c=c)``yield itemname
pipeline中dumps要同dict()
pipeline的三个方法:
open_spider, process_item, close_spider;
执行pipeline先去settings里取消注释ITEM_pipelineS
优化:pipeline
JsonItemExporter:占内存
JsonLinesItemExporter:每次写入,一行
找到下一页标签:
yield scrapy.Request(next_url, callback=self.parse())
-
运行
# 1.cd目录
# 1.建立工程
scrapy startprojection proname
# 2.产生爬虫demo.py
cd python123demo
scrapy genspider spidername 'domain...(网址)'
# 3.修改spidername.py 文件
class DemoSpider(scrapy.Spoder):
...
def parse(self, r