scrapy爬虫笔记

奋斗的小G佩奇

已于 2022-10-17 00:34:17 修改

阅读量285

点赞数

分类专栏： python 文章标签：爬虫 scrapy python

于 2022-08-13 01:41:18 首次发布

GGui20

本文链接：https://blog.csdn.net/G_GUi/article/details/122145988

版权

python 专栏收录该内容

21 篇文章 0 订阅

订阅专栏

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()