使用Scrapy框架爬虫实例

最新推荐文章于 2024-08-16 21:43:10 发布

Flying_sfeng

最新推荐文章于 2024-08-16 21:43:10 发布

阅读量1.6k

点赞数 1

文章标签： Scrapy爬虫框架

本文链接：https://blog.csdn.net/Flying_sfeng/article/details/80207635

版权

Python 同时被 2 个专栏收录

17 篇文章 0 订阅

订阅专栏

爬虫

1 篇文章 0 订阅

订阅专栏

给大家安利一篇文章：小白进阶之Scrapy第一篇这篇文章一步步讲如何使用Scrapy框架进行网页爬虫，简直是初学者的福音。
我接下来的内容也是按照他的思路写的，写这篇文章的目的是为了整理一下思路，把一些关键点列出来，大家想详细阅读的直接看上面推荐的文章就行了。如果你看完原文还不太理解，就来看我的总结吧。当然，我在文章的最后也会提供完整的代码，有需要的朋友请自行下载。
使用Scrapy框架之前，先学习下Scrapy是怎么工作的，下面这个图可以很好的说明Scrapy的工作模式：
这里写图片描述
Scrapy Engine: 引擎；Scheduler:调度器；Downloader:下载器；Item Pipeline:保存数据；Spiders: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)，
简单来说，就是Spiders把第一个要处理的url的request传给引擎，引擎把url传到调度器中排队，并把处理好的Request传到下载器中，下载器下载后传回引擎，引擎把它送回Spiders(这里的response是默认交给def parse(self, response)函数处理的，所以你的spiders的文件里必须包含有这个函数，具体看代码)；Spiders接收到response之后，如果有需要继续跟进的url，即继续向引擎发请求，并将它的responses交给函数 def xxxx(self, responses)处理；如果有Item，即把Item交给Item Pipeline进行数据的保存，然后重复前面的步骤进行循环，直到调度器中不存在任何request后，程序停止。

首先，第一步当然是安装scrapy库了。最简单的就是pip安装了，不过不知道为什么我自己使用这个pip没安装成功，这里给大家提供另一种方法：在pycharm中安装。点击file,选择Default Setting…
这里写图片描述
选择右上方的“+“：

在搜索框输入你要安装的库，即scrapy,并点击左下方的“Install Package”:

这样便可以安装成功了。那么，怎么开始工程呢？首先，我们得先创建一个工程：ctrl+r，输入cmd并cd到你要保存工程的路径，然后输入：

scrapy startproject XXX ##XXX表示你要保存的工程名

创建完工程后，使用IDE打开工程，可以看到如下目录：
这里写图片描述

其中mysqlpipelines文件夹，crbook.py, entrypoint.py这三个文件为自己创建的，其他是scrapy自动生成的。
crbook.py: 编写我们的爬虫代码，是我们的工程中最主要的一步；
items.py: 定义一些字段临时保存要存储下来的数据；
pipelines.py: 保存数据到数据库或者本地（本文中使用自己创建的mysqlpipelines文件，包含两个主要文件：sql.py用于写一些基本的数据库操作，比如定义插入数据，去重等函数；pipelines.py用于执行数据存储工作）；
setting.py: 做一些基本设置；
middlewares.py:中间件，我们不用管；
scrapy默认是不能在IDE中调试的，因此我们在根目录在添加一个entrypoint.py文件：

from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'crbook'])

然后直接run ‘entrypoint.py’ 就行了。PS：前面两项是不变的，而最后一项’crbook’必须与你的爬虫程序crbook.py中的name保持一致，而且这个名字在整个工程中仅能出现这一次，不能重复。
至于整个操作流程，可以这样安排：先在items.py中定义一些字段，然后在spiders文件夹中的crbook.py定义你的爬虫操作，其次是创建一个数据库和建表（对这部分后面会补充说明），接着在mysqlpipelines文件夹中写sql.py和pipelines.py，将爬取到的数据存储到数据库中，当然中间设计到的一些基本设置可以在settings.py中完成。比如，scrapy是默认使用工程自带的pipelines.py存储数据中，但是我们这里使用的是自己创建的mysqlpipelines文件，因此要在settings.py中重新设置：

ITEM_PIPELINES = {
#    'crbook.pipelines.CrbookPipeline': 300,
    'crbook.mysqlpipelines.pipelines.CrbookPipeline': 1
}

其中，crbook（项目目录）.mysqlpipelines（自己建立的MySQL目录）.pipelines（自己建立的pipelines文件）.CrbookPipeline（其中定义的类）后面的 1 是优先级程度（1-1000随意设置，数值越低，组件的优先级越高）
另一方面，原作者在文章中建议我们把以下几行代码的注释去掉：
这里写图片描述
这几行注释的作用是：scrapy会缓存你有的requests, 当你再次请求时，如果存在缓存文档则直接返回缓存文档，而不是每次都去网站请求，这样即可以加快下载速度，也可以减缓网站压力（原作者的解释）。
在spiders文件夹中的crbook.py这个爬虫程序中，有两点必须要注意的，先贴出部分代码：

import re
import scrapy
from bs4 import BeautifulSoup
from scrapy.http import Request
from crbook.items import CrbookItem
from crbook.items import DcontentItem

class Myspider(scrapy.Spider):
    name = 'crbook'
    allowed_domains = ['x23us.com']  ##不是必须的。它的作用是只会跟进存在于allowed_domains中的URL。不存在的URL会被忽略。
    bash_url = 'https://www.x23us.com/class/'
    bashurl = '.html'
    def start_requests(self):
        for i in range(1,11):
            url = self.bash_url + str(i) + '_1' + self.bashurl
            yield Request(url, self.parse)
        # yield Request('https://www.x23us.com/quanben/1',self.parse)
    def parse(self, response):
        # print (response.text)
        max_num = BeautifulSoup(response.text, 'lxml').find('div', class_ = 'pagelink').find_all('a')[-1].get_text()
        bashurl = str(response.url)[:-7]

        for num in range(1, int(max_num)+1):
            url = bashurl + "_" + str(num) + self.bashurl
            # print ('url:', url)
            yield Request(url, callback = self.get_name)

首先是代码中的name必须与前面说到的entrypoint.py文件中的第三项保持一致；bash_url是要下载的首地址；其次是allowed_domains的使用，allowed_domains不是必须的。它的作用是只会跟进存在于allowed_domains中的URL。不存在的URL会被忽略。我一开始就是这个地址写错了，导致url都没下载下来。
说完爬虫和存储部分，接下来说说数据库操作的部分吧。在开始这个任务之前，我的电脑是没有mysql数据库的，所以我们得先下载一个,直接到官网下载就行：Download MySQL Community Server

贴个安装教程吧：MySQL数据库的下载及安装教程
注意，mysql有两种安装方式：一种是Installer安装版，另一种为ZIP压缩包的安装方式，zip压缩包要修改配置，相对比较麻烦，因此我使用的是Installer安装版。但mysql新版没有Installer安装版，所以我使用的是以前的版本：5.5.60，不用担心，不影响使用。
安装完mysql后，我们还需要一个可视化工具，如：Navicat_for_MySQL. （下载完打开Navicat_for_MySQL文件夹，双击exe文件就可以直接运行了）。
工具准备好了之后，我们可以开始创建数据库和创建表了。下面提供一些基本操作，都是在终端执行的：

进入数据库：mysql -u root -p
进入后，
创建数据库：create database XXX(数据库名）;
查看数据库：show databases;
使用某个数据库：use XXX(数据库名）;
之后若想查看该数据库有多少个表：show tables;
创建表：（如下图）

创建表的过程如下图：
这里写图片描述
要注意的一点是，每个语句的最后必须有分号，不然没法结束输入。
对了，在这个过程中，还必须安装一个python使用mysql的包，由于MySQL服务器以独立的进程运行，并通过网络对外服务，所以，需要支持Python的MySQL驱动来连接到MySQL服务器（参考自使用MySQL）。安装方式很简单：

easy_install mysql-connector-python