scrapy框架
安装
pip install scrapy
创建一个scrapy项目
scrapy startproject tutorial
创建一个tutorial
包含以下内容的目录:
tutorial/
scrapy.cfg # 项目的配置文件
tutorial/ # python模块,在这里添加你的爬虫项目
__init__.py
items.py # 项目的字段定义文件
middlewares.py # 项目的中间件文件
pipelines.py # 项目的管道文件,一般用于保存数据
settings.py # 项目的设置文件
spiders/ # 一个爬虫目录,用于存放爬虫文件
__init__.py
-
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
-
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
-
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
-
Spider(爬虫):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),
-
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
-
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
-
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
制作 Scrapy 爬虫 一共需要4步:
- 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
- 存储内容 (pipelines.py):设计管道存储爬取内容
终端工具命令
查看命令的相关信息
scrapy <command> -h
查看所有可用命令
scrapy -h
全局命令:
startproject
genspider
settings
runspider
shell
fetch
view
version
项目专用命令:
crawl
check
list
edit
parse
bench
1、创建项目
语法:scrapy startproject <project_name> [project_dir]
是否需要项目:否
在project_dir 目录下创建一个名为 project_name的新 Scrapy 项目。如果project_dir未指定,project_dir将与project_name同名.
例如:scrapy startproject myproject
2、创建爬虫项目
语法:scrapy genspider [-t template] <name> <domain>
是否需要项目:否
spiders如果从项目内部调用,则在当前文件夹或当前项目的文件夹中创建一个新爬虫。该<name>参数设置为爬虫的name,而<domain>用于生成allowed_domains和start_urls爬虫的属性。
例如:
scrapy genspider -l 列出可用的模板
scrapy genspider -t crawl scrapyorg scrapy.org
3、启动爬虫
语法:scrapy crawl <spider>
是否需要项目:是
开始爬虫启动
例如:scrapy crawl myspider
4、查看
语法:scrapy check [-l] <spider>
是否需要项目:是
运行合同检查
例如:
scrapy check -l
scrapy check
5、列表
语法:scrapy list
是否需要项目:是
列出当前所有可用的爬虫。
6、编辑
语法:scrapy edit <spider>
是否需要项目:是
使用EDITOR环境变量中定义的编辑器或(如果未设置)EDITOR设置编辑给定的蜘蛛。
7、查看某个网址内容
语法:scrapy fetch <url>
是否需要项目:否
使用scrapy下载器下载给定的url并将内容标准输出。
支持的选项:
--spider=SPIDER:绕过蜘蛛自动检测并强制使用特定蜘蛛
--headers: 打印响应的 HTTP 标头而不是响应的正文
--no-redirect:不遵循 HTTP 3xx 重定向(默认是遵循它们)
--nolog:不打印日志
例如:
scrapy fetch --nolog http://www.example.com/some/page.html
scrapy fetch --nolog --headers http://www.example.com/
8、查看view
语法:scrapy view <url>
是否需要项目:否
在浏览器中打开给定的 URL,因为你的 Scrapy 蜘蛛会“看到”它。有时蜘蛛看到的页面与普通用户不同,因此这可用于检查蜘蛛“看到”的内容并确认它是您所期望的。
支持的选项:
--spider=SPIDER:绕过蜘蛛自动检测并强制使用特定蜘蛛
--no-redirect:不遵循 HTTP 3xx 重定向(默认是遵循它们)
例如:scrapy view http://www.example.com/some/page.html
9、shell
语法:scrapy shell [url]
是否需要项目:否
为给定的 URL(如果给定)启动 Scrapy shell,如果没有给定 URL,则为空。还支持 UNIX 风格的本地文件路径,可以是相对的 ./或../前缀或绝对文件路径。
支持的选项:
--spider=SPIDER:绕过蜘蛛自动检测并强制使用特定蜘蛛
-c code: 在 shell 中评估代码,打印结果并退出
--no-redirect:不遵循 HTTP 3xx 重定向(默认是遵循它们);这只会影响您可以在命令行上作为参数传递的 URL;一旦进入 shell,fetch(url)默认情况下仍将遵循 HTTP 重定向。
例如:
scrapy shell http://www.example.com/some/page.html
scrapy shell --nolog http://www.example.com/ -c (response.status,response.url)
10、解析parse
语法:scrapy parse <url> [options]
是否需要项目:是
获取给定的 URL 并使用处理它的蜘蛛解析它,使用与--callback选项一起传递的方法
支持的选项:
--spider=SPIDER:绕过蜘蛛自动检测并强制使用特定蜘蛛
--a NAME=VALUE: 设置蜘蛛参数(可能会重复)
--callback或-c:用作解析响应的回调的蜘蛛方法
--meta或-m:将传递给回调请求的附加请求元。这必须是有效的 json 字符串。示例:–meta='{“foo” : “bar”}'
--cbkwargs:将传递给回调的附加关键字参数。这必须是有效的 json 字符串。示例:–cbkwargs='{“foo” : “bar”}'
--pipelines:通过管道处理项目
--rules或-r:使用CrawlSpider 规则来发现用于解析响应的回调(即蜘蛛方法)
--noitems: 不显示被刮掉的物品
--nolinks: 不显示提取的链接
--nocolour: 避免使用 pygments 为输出着色
--depth或-d:应递归跟踪请求的深度级别(默认值:1)
--verbose或-v: 显示每个深度级别的信息
--output或-o:将抓取的项目转储到文件中
例如:scrapy parse http://www.example.com/ -c parse_item
11、设置
语法:scrapy settings [options]
是否需要项目:是
获取scrapy设置的值
如果在项目中使用,它将显示项目设置值,否则将显示该设置的默认 Scrapy 值。
例如:
scrapy settings --get BOT_NAME
tuto
scrapy settings --get DOWNLOAD_DELAY
0
12、运行spider
语法:scrapy runspider <spider_file.py>
是否需要项目:否
在 Python 文件中运行spider,而无需创建项目。
例如:scrapy runspider myspider.py
13、版本
语法:scrapy version [-v]
是否需要项目:否
打印 Scrapy 版本。如果与-v它一起使用,还会打印 Python、Twisted 和平台信息,这对错误报告很有用。
14、bench
语法:scrapy bench
是否需要项目:否
测试scrapy运行的速