目录
Scrapy官网：https://scrapy.org/
什么是Scrapy
Scrapy 是一个基于 Python 的快速的高级网页抓取和网页爬取框架，用于抓取网站并从其页面中提取结构化数据。它可用于多种用途，从数据挖掘到监控和自动化测试。
Scrapy核心组件
- 1. Scrapy Engine（Scrapy引擎）
- Scrapy 引擎是整个系统的核心，负责控制数据流在所有组件之间的流动。它从调度器获取请求，发送给下载器处理，然后将下载器返回的响应交给爬虫处理。
- 2. Scheduler（调度器）
- 调度器负责接收引擎发来的请求并进行排序，然后将这些请求发送给引擎。调度器可以处理优先级，并且支持去重机制以避免重复抓取。
- 3. Downloader（下载器）
- 下载器负责向互联网上的服务器发送请求，并接收响应。Scrapy 下载器是高度异步的，能够高效地处理大量请求。
- 4. Spiders（爬虫）
- 爬虫是用户定义的类，负责处理下载器返回的响应，从中提取数据（Item）或进一步生成请求。每个爬虫定义了要抓取的域名和处理响应的逻辑。
- 5. Item（数据项）
- Item 是一种简单的数据容器，用于存储从网页中提取的数据。Item 类似于字典，但提供了额外的保护和方法。
- 6. Item Pipeline（数据管道）
- 数据管道是一个序列化系统，用于处理和存储从爬虫中提取的数据。每个管道组件负责处理数据项的一部分，例如数据清洗、验证或存储。
- 7. Downloader Middlewares（下载中间件）
- 下载中间件是介于调度器和下载器之间的钩子，用于处理请求和响应。它们可以修改或扩展请求和响应的处理流程，例如设置代理、修改请求头等。
- 8. Spider Middlewares（爬虫中间件）
- 爬虫中间件是介于引擎和爬虫之间的钩子，用于处理爬虫输入和输出的响应和结果。它们可以修改或扩展爬虫的处理流程，例如添加额外的日志记录、处理异常等。
Scrapy扩展组件
- 1. Feed Exports（数据导出）
- Scrapy 支持将抓取的数据导出为多种格式（如 JSON、CSV、XML），并可以配置导出的细节（如字段顺序、编码等）。
- 2. Telnet Console（Telnet 控制台）
- Telnet 控制台提供了一个实时监控和调试爬虫的工具，允许开发者在爬虫运行时进行交互式调试。
- 3. Logging（日志）
- Scrapy 内置了强大的日志系统，用于记录运行时的各种信息，如调试信息、错误消息等。日志系统可以配置不同的日志级别和输出格式。
- 4. Extensions（扩展）
- 扩展模块用于增强 Scrapy 的功能，例如自动重试失败的请求、监控爬虫性能等。开发者可以自定义扩展模块以满足特定需求。
- 5. Stats Collectors（统计收集器）
- 统计收集器用于收集和记录爬虫运行时的各种统计信息，如请求数量、响应时间等。统计信息可以用于优化和调试爬虫。
组件交互流程
- 初始请求：爬虫从 start_urls 生成初始请求，并通过引擎（Engine）发送给调度器（Scheduler）。
- 请求调度：调度器（Scheduler）将请求排序并发送给下载器（Downloader）。
- 请求下载：下载器（Downloader）向目标网站（Internet）发送请求并获取响应。
- 响应处理：下载器（Downloader）将响应发送给引擎（Engine），进而交给爬虫（Spiders）处理。
- 数据提取：爬虫（Spiders）从响应中提取数据项，并生成新的请求（如果有）。
- 数据处理：提取的数据项通过数据管道（Item Pipeline）进行处理和存储。
安装Scrapy
pip install scrapyScrapy项目目录结构说明
Scrapy 项目的结构较为标准，以下是一个典型的 Scrapy 项目的目录结构图示及其简要说明，供方便理解。
myproject/
│
├── myproject/ # 项目目录（主目录）
│ ├── __init__.py
│ ├── items.py # 定义 Item 类（数据结构）
│ ├── middlewares.py # 自定义中间件
│ ├── pipelines.py # Item 处理管道
│ ├── settings.py # 项目设置文件
│ ├── spiders/ # 存放爬虫的目录
│ │ ├── __init__.py
│ │ ├── example_spider.py # 定义爬虫
│
├── scrapy.cfg # Scrapy 配置文件
│
└── README.md # 项目的说明文件（可选）
创建Scrapy项目
使用 scrapy startproject 命令来创建一个新的 Scrapy 项目。打开终端或命令行，进入你想要创建项目的目录，并运行以下命令
# scrapy startproject <项目名称>
scrapy startproject myproject
创建爬虫
在项目根目录中，你可以使用 scrapy genspider 命令创建新的爬虫。以下命令将创建一个名为 baidu 的爬虫，用于抓取 www.baidu.com 的域名
# scrapy genspider <爬虫名称> <允许爬取的域名>
scrapy genspider baidu www.baidu.com
完整目录结构如下
爬虫文件内容说明
解析方法解析response
# 解析方法，response：爬取起始url的响应
def parse(self, response):
# 解析示例
with open("baidu.html", "wb") as f:
f.write(response.body)运行爬虫
运行爬虫之前需要修改 settings.py 配置文件的配置，如下：
使用 scrapy crawl 命令来运行你的爬虫。以下命令会启动名为 baidu 的爬虫：
# scrapy crawl <爬虫名称>
scrapy crawl baidu
配置请求头
-
全局配置请求头
在 settings.py 配置文件中，配置 USER_AGENT 和 DEFAULT_REQUEST_HEADERS 参数，示例如下：
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36"
# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Language": "zh-CN,zh;q=0.9",
}-
指定爬虫配置请求头
在指定爬虫文件中，配置 start_requests 方法，示例如下：
import scrapy
class TeibaSpider(scrapy.Spider):
name = "teiba"
allowed_domains = ["tieba.baidu.com"]
start_urls = ["https://tieba.baidu.com/f?kw=沙井"]
def start_requests(self):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36',
'Accept-Language': 'zh-CN,zh;q=0.9',
}
for url in self.start_urls:
yield scrapy.Request(url, headers=headers, callback=self.parse)
def parse(self, response):
pass配置管道pipeline
-
全局配置pipeline
在 settings.py 配置文件中，配置ITEM_PIPELINES 参数用于开启管道，示例如下：
# Configure item pipelines
ITEM_PIPELINES = {
# myproject：项目名称
# pipelines：项目下的pipelines.py文件
# MyprojectPipeline：pipelines.py文件中指定的类
# 300：管道优先级，多个管道时，数字越小优先级越高越先执行
"myproject.pipelines.MyprojectPipeline": 300,
}pipelines.py 文件内容如下：
当管道开启后，在我们启动爬虫时，日志打印信息如下：
-
方式一：指定爬虫配置pipeline
在指定爬虫文件中，配置 custom_settings 属性，示例如下：
import scrapy
class TeiBaSpider(scrapy.Spider):
name = "teiba"
allowed_domains = ["tieba.baidu.com"]
start_urls = ["https://tieba.baidu.com/f?kw=沙井"]
# 指定 pipeline
custom_settings = {
'ITEM_PIPELINES': {
'myproject.pipelines.TieBaPipeline': 300,
}
}
def parse(self, response):
item = {}
item['title='] = a.xpath('./@title').get()
item['url='] = "https://tieba.baidu.com/" + a.xpath('./@href').get()
# yield 的数据会返回到 TieBaPipeline 中
yield item
pipelines.py 文件内容如下：
-
方式二：指定爬虫配置pipeline
在 settings.py 配置文件中，配置 ITEM_PIPELINES 参数配置多个，示例如下：
ITEM_PIPELINES = {
"myproject.pipelines.BaiDuPipeline": 300,
"myproject.pipelines.TieBaPipeline": 301,
}在 pipelines.py 文件中通过爬虫名称判断
from itemadapter import ItemAdapter
class BaiDuPipeline:
def open_spider(self, spider):
# 初始化方法，类比 def __init__(self)
if spider.name == "baidu":
pass
def process_item(self, item, spider):
if spider.name == "baidu":
pass
return item
def close_spider(self, spider):
# 析构方法，类比 def __del__(self)
if spider.name == "baidu":
pass
class TieBaPipeline:
def open_spider(self, spider):
if spider.name == "tieba":
pass
def process_item(self, item, spider):
if spider.name == "tieba":
pass
return item
def close_spider(self, spider):
if spider.name == "tieba":
pass
数据建模 items
数据建模的好处是统一数据字段免得写错，会在执行的时候对模板字段进行检测。清晰代码便于维护等好处。
1. 创建模型
在 items.py 文件中，创建模型
import scrapy
class UserItem(scrapy.Item):
# define the fields for your item here like:
# 用户名称
name = scrapy.Field()
# 用户年龄
age = scrapy.Field()2. 爬虫中使用模型
import scrapy
from myproject.items import UserItem
class BaiduSpider(scrapy.Spider):
name = "baidu"
allowed_domains = ["www.baidu.com"]
start_urls = ["https://www.baidu.com"]
def parse(self, response):
# 使用模型
item = UserItem()
item['name'] = response.xpath('//h1/text()').get()
item['age'] = response.xpath('//h2/text()').get()
yield item3. 管道中使用模型
from itemadapter import ItemAdapter
class MyprojectPipeline:
def process_item(self, item, spider):
# 把对象类型转换成字典类型
item = dict(item)
return item
扫一扫
2637
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
