scrapy之基础概念与用法

最新推荐文章于 2022-02-22 15:55:43 发布

davidlee1214

最新推荐文章于 2022-02-22 15:55:43 发布

阅读量176

点赞数

文章标签： python 爬虫操作系统

原文链接：http://www.cnblogs.com/ZN-225/p/10267117.html

版权

scrapy之基础概念与用法

框架

　　所谓的框架就是一个项目的半成品。也可以说成是一个已经被集成了各种功能（高性能异步下载、队列、分布式、解析、持久化等）的具有很强通用性的项目模板。

安装

Linux:

pip3 install scrapy  // pip3具体看自己的pip是pip3

windows:

a. 下载安装wheel

pip3 install wheel

b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

c. 进入下载文件的目录，下载那安装Twisted

pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl  # cp35为python的版本

d. 下载安装pywin32

pip3 install pywin32

e. 下载安装scrapy

pip install scrapy

使用

创建工程

scrapy startproject xxoo  # xxoo为项目工程名称

创建爬虫文件

　　需要先切换到工程项目的目录中

cd xxoo  # xxoo为项目名称

　　然后创建爬虫文件

scrapy genspider ooxx www.xxoo.com # ooxx为爬虫文件的名称, www.xxoo.com为起始URL

　　爬虫文件会自动创建到spiders文件夹中。

　　执行完上边的命令，会产生一个项目工程，文件结构入下：

-- xxoo
  ?-- xxoo
     ?-- spiders  # 放置爬虫文件的地方，可以存放多个爬虫文件
        ?-- __init__.py
        ?-- ooxx.py  # 创建的爬虫文件
     ?-- __init__.py
     ?-- items.py  # 跟管道一起使用
     ?-- middlewares.py  # 中间件
     ?-- pipelindes.py  # 管道，做通信使用的，传送解析到的数据，然后进解析到的数据行持久化存储。

     ?-- settings.py  # 配置文件
  ?-- scrapy.cfg  # scrapy框架的配置文件，最好不要打开或者擅自修改

　　爬虫文件ooxx.py的内的代码：

# -*- coding: utf-8 -*-
import scrapy


# 在虫过程中要接触到四种父类，Spider是其中的一种
# 进行数据的爬取和解析
class OoxxSpider(scrapy.Spider):  # OoxxSpider这个类名称是和爬虫文件的文件名称有关系，前边的是爬虫文件名称的首字母大写的名字，后边是Spider

　　name = 'ooxx'  # 爬虫文件的名称，根据名称可以定位到指定的爬虫文件
　　allowed_domains = ['www.xxoo.com']  # 允许的域名
　　start_urls = ['https://www.xxoo.com/']  # 起始URL列表，存放的是起始的URL，是通过创建爬虫文件指定的起始URL指定的，可以改变。


　　# 用于解析：response就是起始URL对应的响应对象
　　def parse(self, response): 
　　　　print(response)
　　　　print(response.text)  # 获取字符串类型的相应内容
　　　　print(response.body)  # 获取字节类型的相应内容
　　　　response.xpath('')  # ''单引号中写xpath解析式

　　allowed_domains通常都注释掉。当allowed_domains没有注释掉时，start_urls中的URL必须为allowed_domains的子域名，通常网页中的图片的URL都不为allowed_domains的子域名，所以allowed_domains通常都注释掉。

　　start_urls可以指定多个URL，有几个URL就调用几次parse()方法。通常start_urls里边只存放一个URL，而这只URL通常为首页URL。

执行

　　在cmd(终端)中执行下一跳代码：

scrapy crawl ooxx  # ooxx为爬虫文件的名称

　　执行上一条代码，将得到打印结果和日志信息，通常我么关注的只是WARING和ERROR级别的日志信息。

scrapy crawl ooxx --nolog  # 只打印结果，打印日志信息，降低CPU的使用率

　　settings.py文件的配置

# -*- coding: utf-8 -*-

# Scrapy settings for firstblood project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'firstblood'

SPIDER_MODULES = ['firstblood.spiders']
NEWSPIDER_MODULE = 'firstblood.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
# 使用USER_AGENT进行伪装，将请求载体伪装成浏览器
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'

# Obey robots.txt rules
# ROBOTSTXT_OBEY值为True的时候，遵从ROBOTS协议；值为False时，不遵从ROBOTS协议
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False  # False 不处理cookie，True 处理cookie，注释掉默认处理cookie，如果为True，则每次都处理cookie，占用资源，降低爬虫的效率

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://doc.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'firstblood.middlewares.FirstbloodSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'firstblood.middlewares.FirstbloodDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://doc.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
#ITEM_PIPELINES = {
#    'firstblood.pipelines.FirstbloodPipeline': 300,  # 300表示优先级，数值越小，优先级越高。
#}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'