Python数据爬虫教程（非常详细）从零基础入门到精通，看完这一篇就够了

程序员鑫港

已于 2024-01-16 22:29:57 修改

阅读量1.1k

点赞数 4

文章标签： python 爬虫开发语言 Python入门 python爬虫爬虫python入门 python爬虫数据可视化

于 2023-11-10 17:33:32 首次发布

本文链接：https://blog.csdn.net/a2875254060/article/details/134337957

版权

Python数据爬虫教程（非常详细）从零基础入门到精通，看完这一篇就够了

前排提示：文末有CSDN独家爬虫籽料包哦~

一、Scrapy

Scrapy 是用 Python 实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架。 Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。通常我们可以很简单的通过Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

二、Scrapy架构图(绿线是数据流向)

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）

三、Scrapy的运作流程

代码写好，程序开始运行…

1 引擎：Hi！Spider, 你要处理哪一个网站？

2 Spider：老大要我处理xxxx.com。

3 引擎：你把第一个需要处理的URL给我吧。

4 Spider：给你，第一个URL是xxxxxxx.com。

5 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6 调度器：好的，正在处理你等一下。

7 引擎：Hi！调度器，把你处理好的request请求给我。

8 调度器：给你，这是我处理好的request

9 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个 request请求

10 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个 request下载失败了。然

后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

11 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处

理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12 Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我

需要跟进的URL，还有这个是我获取到的Item数据。

13 引擎：Hi ！管道我这儿有个item你帮我处理一下！调度器！这是需要跟进 URL你帮我处理下。

然后从第四步开始循环，直到获取完老大需要全部信息。

14 管道调度器：好的，现在就做！

注意！只有当调度器中不存在任何request了，整个程序才会停止，（也就是说，对于下载失败的 URL**，Scrapy也会重新下载。）**

四、制作Scrapy爬虫步骤

1、安装Scrapy框架

      pip install scrapy

2、创建一个爬虫项目

  scrapy  startproject  SpiderDemo(项目名)

3、进入项目，创建一个爬虫样例

     cd SpiderDemo  先进入项目  
    scrapy genspider example example.com  创建爬虫样例，会出现example.py样例文件

样例代码解析

4、启动爬虫

 在启动之前需要关闭robot协议  settings 文件下： ROBOTSTXT\_OBEY =  true改为false

 启动名为 example 的爬虫     **scrapy crawl example**

5、文件的作用

    items.py: 表示定义一些获取数据的结构信息

    middlewares.py: 表示自定义中间处理过程

    pipelines.py: 用来存储及处理数据

    settings.py : 用来设置当前的爬虫 生成的

    example.py: 用来写我们请求及处理过程

五、实例

1、创建文件

在spiderDemo/spiders中新建一个文件JDCommentSpider

2、准备工作

寻找url，copy

找header，点击文件后，点击headers，下滑到最下面

3、代码实例

import scrapy
import re
import json

# 创建一个爬虫程序jdpc,定义类名jdpc,并且继承scrapy.Spider
class jdpc(scrapy.Spider):
    # 给爬虫创建名称
    name = 'jdpc'
    # 设置允许的域名
    allowed_domains = ['club.jd.com']

    header = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36"
    }

    # 重写我们父类
    def start_requests(self):
        '''
              yield 返回一个迭代器，可以遍历数据
              url: str, 爬取的URL,双斜杠后是域名后后缀是.com
              callback: Optional[Callable] = None, 用来处理URL返回的 response 的方法
              method: str = "GET",  request的请求方式
              headers: Optional[dict] = None, 请求头，用于模拟浏览器
        '''
        url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100009464799&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1'
        yield scrapy.Request(url=url, headers=self.header, callback=self.myprocess)

    def myprocess(self, response: scrapy.http.Response):
        # 打印请求内容
        print(">>>" * 30)

        # 通过re.match进行正则匹配，获取完整的json内容
        response_match = re.match('(fetchJSON_comment98\()(.*)(\);)', response.text)

        # 通过json库转换成JSON对象
        json_res = json.loads(response_match.group(2).replace('\n', '').replace('\r', ''))
        # 获取comments中的value
        comments = json_res['comments']
        # 循环获取每条评论
        for comment in comments:
            creationTime = comment['creationTime']
            nickname = comment['nickname']
            productColor = comment['productColor']
            productSize = comment['productSize']
            content = comment['content']
            print(content, creationTime, nickname, productColor, productSize)

        print(">>>" * 30)