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用途广泛,可以用于数据挖掘、监测和自动化测试。
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。
Scrapy运行流程
1 引擎访问spider,询问需要处理的URL链接,spider收到请求,将需要处理的URL告诉引擎,然后将URL给引擎处理。
2 引擎通知调度器,调度器得到通知将URL排序入队,并加以处理。
3 引擎通知调度器,调度器将处理好的request返回给引擎
4 引擎接收到request后告诉下载器,按照setting中配置的顺序下载这个request的请求
5 下载器收到请求,将下载好后的东西返回给引擎。如果下载失败,下载器会通知引擎,引擎再通知调度器,调度器收到消息后会记录这个下载失败的request。
6 引擎得到下载好的东西后,通知spider(这里responses默认是交给def parse()函数处理)
7 Spider收到通知后,处理接收的数据
8 Spider处理完数据后返回给引擎两个结果:一个是需要跟进的URL,另一个是获取到的item数据。
9 引擎将接收到的item数据交给管道处理,将需要跟进的URL交给调度器处理。重复循环直到获取完需要的全部信息。
· 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。
1 引擎访问spider,询问需要处理的URL链接,spider收到请求,将需要处理的URL告诉引擎,然后将URL给引擎处理。
2 引擎通知调度器,调度器得到通知将URL排序入队,并加以处理。
3 引擎通知调度器,调度器将处理好的request返回给引擎
4 引擎接收到request后告诉下载器,按照setting中配置的顺序下载这个request的请求
5 下载器收到请求,将下载好后的东西返回给引擎。如果下载失败,下载器会通知引擎,引擎再通知调度器,调度器收到消息后会记录这个下载失败的request。
6 引擎得到下载好的东西后,通知spider(这里responses默认是交给def parse()函数处理)
7 Spider收到通知后,处理接收的数据
8 Spider处理完数据后返回给引擎两个结果:一个是需要跟进的URL,另一个是获取到的item数据。
9 引擎将接收到的item数据交给管道处理,将需要跟进的URL交给调度器处理。重复循环直到获取完需要的全部信息。
我们可以通过Scrapy官网文档给出的例子里测试搭建的环境,在目录下直接创建Reptilian.py文件,代码如下
运行命令
scrapy runspider 创建的文件(Reptilian.py) -o 创建json,并将数据导入json中(quotes.json)
结果
简单流程
- 创建一个新的Scrapy项目
- 编写蜘蛛抓取网站并提取数据
- 使用命令行导出刮取的数据
- 更改蜘蛛递归跟随链接
- 使用蜘蛛参数
在学习蜘蛛前必须先创建一个Scrapy项目
输入您想要存储代码并运行的目录
scrapy startproject 目录名称(例如 demo)
创建demo
demo/ scrapy.cfg #部署配置文件 demo/ #project的Python模块,你将从这里导入你的代码 __init__.py items.py #项目项目定义文件 middlewares.py #项目中间件文件 pipelines.py #项目管道文件settings . py #项目设置文件 spiders / #一个你将在后面放置你的蜘蛛 __init__ . py
编写的蜘蛛,并提取数据
Spider子类scrapy.Spider 定义了一些属性和方法:
name:爬虫的名字,不可用重复,如果没有将会报错
start_urls():必须返回Spider将开始抓取的请求的迭代(您可以返回请求列表或编写生成器函数)。随后的请求将从这些初始请求中连续生成。
parse():将被调用来处理为每个请求下载的响应的方法。响应参数是TextResponse保存页面内容的一个实例,并有更多有用的方法来处理它。
该parse()方法通常解析响应,将提取的数据提取为字符串,并查找新的URL并Request根据它们创建新的请求()
运行蜘蛛
进入demo目录,运行命令:
Scrapy crawl 爬虫名字(s4399)
运行结果