文章目录
Scrapy爬虫框架
Scrapy架构流程
简单介绍
- Scrapy,Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用
于抓取web站点并从页面中提取结构化的数据。 - Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。
它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版
本又提供了web2.0爬虫的支持。 - Scrap,是碎片的意思,这个Python的爬虫框架叫Scrapy。
Scrapy 官方文档:https://docs.scrapy.org/en/latest/intro/tutorial.html
优势
- 用户只需要定制开发几个模块, 就可以轻松实现爬虫, 用来抓取
网页内容和图片, 非常方便; - Scrapy使用了Twisted异步网络框架来处理网络通讯, 加快网页
下载速度, 不需要自己实现异步框架和多线程等, 并且包含了各
种中间件接口, 灵活完成各种需求
Scrapy架构流程
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, 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(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。
下面是通过对话的方式方便理解:
Scrapy爬虫步骤
- 新建项目(scrapy startproject xxx):
新建一个新的爬虫项目; - 明确目标(编写item.py)
明确你要抓取的目标; - 制作爬虫(spiders/xxspider.py)
制作爬虫, 开始爬取网页; - 存储爬虫(pipelines.py)
设置管道存储爬取内容;
下面我们通过爬取三国演义这本小说为例进行说明:
1、新建Scrapy项目
- 创建爬虫项目,命令:scrapy startproject 项目名称
- 创建爬虫文件,命令:scrapy genspider 爬虫名 目标网站
创建完成后会自动生成一些文件
项目名
|—— 项目名
| |—— _init_.py #包定义
| |—— items.py #模型定义
| |—— middlewares.py #中间件定义
| |—— pipelines.py #管道定义
| |—— settings.py #配置文件。编程方式控制的配置文件
| |—— spider
| |—— _init_.py #默认蜘蛛代码文件
|——— scrapy.cfg #运行配置文件。该文件存放的目录为根目录。模块名的字段定义了项目的设置
2、明确目标(items.py)
明确自己爬取的网站,需要爬取的信息,查看源代码,分析代码。
编辑items.py文件:这里文爬取小说名称,章节名称和每个章节的内容
import scrapy
from scrapy.loader.processors import TakeFirst
class BookItem(scrapy.Item):
"""
定义Item类:
1. 继承scrapy.Item类
2. 每个属性指定为scrapy.Field(不管什么类型)
"""
# name = scrapy.Field()
# content = scrapy.Field()
# bookname = scrapy.Field()
# 拿出列表的第一个元素,因为pipline保存时需要的字符串
name = scrapy.Field(output_processor=TakeFirst())
content = scrapy.Field(output_processor=TakeFirst())
bookname = scrapy.Field(output_processor=TakeFirst())
设置settings.py
3、制作爬虫
编写spiders/xxspider.py文件,我这里是spiders/book.py
"""
Scrapy爬虫流程:
1. 确定start_urls起始URL
2. 引擎将起始的URL交给调度器(存储到队列中,去重)
3. 调度器将URL发送给Downloader, Downloader发起Request请求从互联网上下载网页信息(Response)
4. 将下载好的页面内容交给Spider,进行解析(parse函数)
5. 将处理好的数据(items)交给pipeline进行存储
"""
class BookSpider(scrapy.Spider):
# 爬虫的名称,必须唯一
name = 'book'
base_url = 'http://www.shicimingju.com'
# 限制:爬虫的url必须是'shicimingju.com'
# allowed_domains = ['www.shicimingju.com']
# 起始的url地址,可以指定多个,有两种方式指定:
# 1). start_urls属性设置 = [ ]
# 2). 通过start_requests生成起始url地址
start_urls = [
'http://www.shicimingju.com/book/sanguoyanyi.html',
'http://www.shicimingju.com/book/shuihuzhuan.html',
'http://www.shicimingju.com/book/xiyouji.html',
'http://www.shicimingju.com/book/hongloumeng.html'
]
def parse(self, response):
"""
1). 如何编写好的解析代码? 使用Scrapy的交互式工具scrapy shell url
2). 如何处理解析后的数据? 通过yield返回解析数据的字典格式
3). 如何获取/下载小说章节详情页的链接并下载到本地
:param response:
:return:
"""
# 1.获取所有章节的li标签
chapters = response.xpath('//div[@class="book-mulu"]/ul/li')
# 2. 遍历每一个li标签,提取章节的详细网址和章节名称
for chapter in chapters:
l = ItemLoader(item=BookItem(), selector=chapter)
detail_url = chapter.xpath('./a/@href').extract_first()
# add_xpath,add_value,add_css返回的是字符串
l.add_xpath('name', './a/text()')
# name = chapter.xpath('./a/text()').extract_first()
# response:<200 http://www.shicimingju.com/book/sanguoyanyi.html>
l.add_value('bookname', response.url.split('/')[-1].rstrip('.html'))
# bookname = response.url.split('/')[-1].rstrip('.html')
# yield {
# 'detail_url' : detail_url,
# 'name' : name,
# }
# 将章节详情页的url提交到调度器队列, 通过Downloader下载器下载并交给parse_chapter_detail解析器进行解析处理数据
yield Request(url=self.base_url + detail_url,
callback=self.parse_chapter_detail,
# meta={'name':name, 'bookname':bookname}
meta={'item':l.load_item()}
)
def parse_chapter_detail(self, response):
# 1. .xpath('string(.)获取该标签及子孙标签的文本信息
# 2. 如何将对象转换为字符串?
# --extract_first()/get()---转换一个对象为字符串,
# --extract()/get_all()---转换列表中的每一个对象为字符串
item = response.meta['item']
content = response.xpath('.//div[@class="chapter_content"]')[0].xpath('string(.)').get()
item['content'] = content
yield item
# yield {
# 'name':response.meta['name'],
# 'content': content,
# 'bookname':response.meta['bookname']
# }
4、存储数据
通过pipeline(管道)存储,编辑pipelines.py文件
解析数据部分yield返回的数据,以item的方式传入pipeline中,实现信息的持久化存储。
import os
import scrapy
from colorama import Fore
from scrapy.pipelines.images import ImagesPipeline
from sqlalchemy import Column, String, Integer, Float, create_engine
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker
class ScrapyprojectPipeline(object):
def process_item(self, item, spider):
"""将章节内容写入对应的章节文件中"""
# books/hongloumeng
dirname = os.path.join('books', item['bookname'])
if not os.path.exists(dirname):
# 递归创建目录
os.makedirs(dirname)
name = item['name']
# 文件名相对路径用join方法拼接: Linux路径拼接符是/, Windows路径拼接符是\
filename = os.path.join(dirname, name)
# 写入文件时以‘w’的方式打开, 并指定编码格式为utf-8来写入中文.
with open(filename, 'w', encoding='utf-8') as f:
f.write(item['content'])
return item
这样我们就实现了一个简单的scrapy爬虫框架的构建。