文章目录
第一:创建项目框架
自行在pyCharm窗口左上角File》Settings》Project Interpreter 里面添加Scrapy模块
命令行在pyCharm窗口的最下方Terminal
用命令来创建项目、文件
创建项目:scrapy startproject xxx
进入项目:cd xxx #进入某个文件夹下
# 爬虫文件一般放在spiders文件夹里面,所以要在命令行cd进去在创建爬虫
创建爬虫:scrapy genspider xxx(爬虫名) www.xxx.com (爬取域)
# 例:
cd spiders 进spiders文件夹
然后:scrapy genspider demo www.baidu.com
生成文件:scrapy crawl xxx -o xxx.json (生成某种类型的文件)
运行爬虫:scrapy crawl XXX
列出所有爬虫:scrapy list
获得配置信息:scrapy settings [options]
第二:初识Scrapy框架内容
Scrapy主要包括了以下组件:
- 引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)。 - 调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址。 - 下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)。 - 爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面。 - 项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。 - 下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。 - 爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。 - 调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
引擎从调度器中取出一个链接(URL)用于接下来的抓取引擎把URL封装成一个请求(Request)传给下载器下载器把资源下载下来,并封装成应答包(Response)爬虫解析Response解析出实体(Item),则交给实体管道进行进一步的处理解析出的是链接(URL),则把URL交给调度器等待抓取
个人认为,爬虫的流程就是,当开始执行爬虫时,引擎从被执行的爬虫中获取第一个页面,交给调度器,调度器将网址入栈,同时出栈一个网址(其实在最开始,就是出栈刚刚放进去的网址)交给下载器去下载,下载完成后,交给爬虫进行清洗,最后将需要爬取的数据封装在item中,交给管道进行持久化。
所以爬虫(特指爬虫模块)的任务就是清晰数据,将数据封装进item中,同时实现翻页等功能;下载器是下载调度器给定的网址,作为response传给爬虫;管道的任务是将数据持久化;item是被爬取数据的实体。当然实际上在爬虫和管道中,可以干任何你相干的事,比如在爬虫中将数据持久化为一个txt文本,但这会影响爬虫的效率。
通过这些分析可知,在编写一个简单的爬虫时,只需要编写item,spiders,pip这三个文件。
scrapy.cfg: 项目的基本配置文件(不用修改)
xxx.py(使用 genspider 命令创建的爬虫文件): 该项目的python模块。在此放入代码(核心)
import scrapy
class DdSpider(scrapy.Spider):
name = 'DD'
allowed_domains = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1']
start_urls = ['http://http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1/']
def parse(self, response):
pass
items.py: 这是创建容器的地方,爬取的信息分别放到不同容器里
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class Demo1Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
pipelines.py: 管道。我们通过定义一个或多个class,可以用来处理我们传入的数据。
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
class Demo1Pipeline:
def process_item(self, item, spider):
return item
settings.py: 项目的设置文件.(开始写爬虫前,都要修改这个配置文件)
下面有翻译的代码可以直接替换原文件,这样写起来才得心应手
# Scrapy settings for Scrapy project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
# https://docs.scrapy.org/en/latest/topics/settings.html
# https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
# https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# 项目名
BOT_NAME = 'Scrapy'
# 爬虫模板路径
SPIDER_MODULES = ['Scrapy.spiders']
NEWSPIDER_MODULE = 'Scrapy.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 爬取的默认User-Agent,除非被覆盖
# USER_AGENT = 'Scrapy (+http://www.yourdomain.com)'
USER_AGENT = 'Mozilla/5.0'
# Obey robots.txt rules
# 是否遵循爬虫协议,选False否则很多东西爬不了,默认是True
ROBOTSTXT_OBEY = False
# 日志等级(需要自己添加)
# 日志等级分为
# 1.DEBUG 调试信息
# 2.INFO 一般信息
# 3.WARNING 警告
# 4.ERROR 普通错误
# 5.CRITICAL 严重错误
# LOG_FILE="日志名.log"日志存放路径
LOG_LEVEL = 'ERROR' #这里为普通错误以上,就是4-5才会在控制台打印
# Configure maximum concurrent requests performed by Scrapy (default: 16)
# 下载器总共最大处理的并发请求数,默认值16
CONCURRENT_REQUESTS = 32
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# 如果没有开启智能限速,这个值就代表一个规定死的值,代表对同一网址延迟请求的秒数
DOWNLOAD_DELAY = 1
# The download delay setting will honor only one of:
# 每个域名能够被执行的最大并发请求数目,默认值8
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
# 能够被单个IP处理的并发请求数,默认值0,代表无限制,如果不为零,将影响CONCURRENT_REQUESTS_PER_DOMAIN和DOWNLOAD_DELAY的限制情况
#CONCURRENT_REQUESTS_PER_IP = 16
# Disable cookies (enabled by default)
# 是否支持cookie,cookiejar进行操作cookie,默认开启
#COOKIES_ENABLED = False
# Disable Telnet Console (enabled by default)
# 指定是否启用telnet控制台
#TELNETCONSOLE_ENABLED = False
# Override the default request headers:
# Scrapy发送HTTP请求默认使用的请求头
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# 包含项目中启用的spider中间件及其命令的字典
#SPIDER_MIDDLEWARES = {
# 'Scrapy.middlewares.ScrapySpiderMiddleware': 543,
#}
# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
# Scrapy中默认启用的下载程序中间件的字典。低值更接近引擎,高值更接近下载器
#DOWNLOADER_MIDDLEWARES = {
# 'Scrapy.middlewares.ScrapyDownloaderMiddleware': 543,
#}
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
# 包含项目中启用的扩展及其顺序的字典
#EXTENSIONS = {
# 'scrapy.extensions.telnet.TelnetConsole': None,
#}
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# 包含要使用的项目管道及其顺序的字典。值是任意的,但是习惯上将它们定义在0-1000范围内。低值优先于高值
#ITEM_PIPELINES = {
# 'Scrapy.pipelines.ScrapyPipeline': 300,
#}
# ------------------智能限速/自动节流-----------------------
# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
# 开启智能限速/自动节流,默认False不开启
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
# 起始的延迟
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
# 最大延迟
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
# 每秒并发请求数的平均值,不能高于CONCURRENT_REQUESTS_PER_DOMAIN或CONCURRENT_REQUESTS_PER_IP,实际并发请求数目可能高于或低于该值,视爬虫情况而定
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
# 调试
#AUTOTHROTTLE_DEBUG = False
# ---------------------------缓存----------------------------------------------
# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
# 是否启用缓存策略
#HTTPCACHE_ENABLED = True
# 缓存超时时间
#HTTPCACHE_EXPIRATION_SECS = 0
# 缓存保存路径
#HTTPCACHE_DIR = 'httpcache'
# 缓存忽略的Http状态码
#HTTPCACHE_IGNORE_HTTP_CODES = []
# 缓存存储的插件
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
spiders: 放置spider代码的目录. (放爬虫文件的地方)
创建爬虫:scrapy genspider xxx(爬虫名) www.xxx.com (爬取域)
三、实战试验
- 在File里面创建一个新的项目New Project
- 在File》settings》Project Interpreter旁边的加号里面搜索scrapy模块并下载
- 在PyCharm下方的Terminal里面输入创建爬虫框架指令
scrapy startproject name(创建爬虫框架)
- 按第二节修改配置文件,修改setting
修改三项内容,第一个是不遵循机器人协议,第二个是下载间隙,由于下面的程序要下载多个页面,
所以需要给一个间隙(不给也可以,只是很容易被侦测到),第三个是请求头,添加一个User-Agent,第四个是打开一个管道
ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'User-Agent':'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36'
}
ITEM_PIPELINES = {
'TXmovies.pipelines.TxmoviesPipeline': 300,
}
- 在命令窗口cd进spider文件夹,然后创建爬虫文件
cd name/../spiders (进到spiders里面)
scrapy genspider baidu www.baidu.com(创建一只爬虫)
- 然后在爬虫文件里面编写代码
- 可以添加快捷启动方式
这里在用命令行创建爬虫时要关闭,不然会运行
3.确认要提取的数据,item项
item定义你要提取的内容(定义数据结构),比如我提取的内容为电影名和电影描述,我就创建两个变量。Field方法实际上的做法是创建一个字典,给字典添加一个建,暂时不赋值,等待提取数据后再赋值。
下面item的结构可以表示为:
{
‘name’:‘’,
‘descripition’ :‘’
}
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class TxmoviesItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
description = scrapy.Field()
yield
程序里一共有两个yield,它的作用是移交控制权,在本程序中,我们对item封装数据后,就调用yield把控制权给管道,管道拿到处理后return返回,又回到该程序。这是对第一个yield的解释。
第二个yield稍微复杂点,这条程序里利用了一个回调机制,即callback,回调的对象是parse,也就是当前方法,通过不断的回调,程序将陷入循环,如果不给程序加条件,就会陷入死循环,如本程序我把if去掉,那就是死循环了。
yield scrapy.Request(url=url,callback=self.parse)
执行爬虫文件时添加-o选项即可
scrapy crawl 项目名 -o *.csv
scrapy crawl 项目名 -o *.json
对于json文件,在setting.js文件里添加,设置编码格式,否则会乱码:
FEED_EXPORT_ENCODING=‘utf-8’
from scrapy import cmdline
cmdline.execute('scrapy crawl baidu -o baidu.csv'.split())
import scrapy
from 数据获取.scrapy_DoBan.scrapy_DoBan.items import ScrapyDobanItem
class DobanSpider(scrapy.Spider):
name = 'doban'
allowed_domains = ['movie.douban.com/chart']
start_urls = ['http://movie.douban.com/chart/']
url = 'http://699pic.com/people-{}-0-0-0-0-0-0.html'
page = 1
def parse(self, response):
# 在一级页面中,应该将所有的图片详情页面的链接获取到
image_detail_url_list = response.xpath('//div[@class="list"]/a/@href').extract()
# pass
# 遍历详情页面,向每一个详情页面发送请求即可
for image_detail_url in image_detail_url_list:
yield scrapy.Request(url=image_detail_url, callback=self.parse_detail)
# 接着发送其他请求
if self.page <= 3:
self.page += 1
url = self.url.format(self.page)
yield scrapy.Request(url=url, callback=self.parse)
def parse_detail(self, response):
# 创建一个item对象
item = ScrapyDobanItem()
# 提取图片的每一个信息
# title
item['title'] = response.xpath('//div[@class="photo-view"]/h1/text()').extract_first()
# 发布时间
item['publish_time'] = response.xpath('//div[@class="photo-view"]/div/span[@class="publicityt"]')[0].xpath(
'string(.)').extract_first()
# 获取浏览量
item['look'] = response.xpath('//div[@class="photo-view"]/div/span[@class="look"]/read/text()').extract_first()
# 获取收藏量
item['collect'] = response.xpath('//div[@class="photo-view"]/div/span[@class="collect"]')[0].xpath(
'string(.)').extract_first()
# 获取下载量
item['download'] = response.xpath('//div[@class="photo-view"]/div/span[@class="download"]')[0].xpath(
'string(.)').extract_first().strip('\n\t')
# 获取图片的链接
item['image_url'] = response.xpath('//div[@class="huabu"]//img/@src').extract_first()
# 将item发送出去
yield item
item容器
import scrapy
class ScrapyDobanItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 图片标题
title = scrapy.Field()
# 发布时间
publish_time = scrapy.Field()
# 浏览量
look = scrapy.Field()
# 收藏量
collect = scrapy.Field()
# 下载量
download = scrapy.Field()
# 图片链接
image_url = scrapy.Field()
pipelines管道
import json
import urllib.request
import os
class ScrapyDobanPipeline:
def open_spider(self, spider):
self.fp = open('tupian.json', 'w', encoding='utf8')
def process_item(self, item, spider):
d = dict(item)
string = json.dumps(d, ensure_ascii=False)
self.fp.write(string + '\n')
# 下载图片
self.download(item)
return item
def download(self, item):
dirname = './people'
suffix = item['image_url'].split('.')[-1]
filename = item['title'] + '.' + suffix
filepath = os.path.join(dirname, filename)
urllib.request.urlretrieve(item['image_url'], filepath)
def close_spider(self, spider):
self.fp.close()