scrapy框架

最新推荐文章于 2024-11-05 15:28:12 发布

defu7141

最新推荐文章于 2024-11-05 15:28:12 发布

阅读量93

点赞数

文章标签： python 爬虫操作系统

原文链接：http://www.cnblogs.com/mainstream/p/11343698.html

版权

一、什么是scrapy框架？

　　把一个网页里面所有的标签都抓取到
　　作用：帮我们提供一个可扩展，功能齐全的爬虫框架
　　Scrapy是爬虫界的Django。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

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。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构（整体图如下）

二、scrapy安装

Linux下的安装(包括mac)

　　pip install scrapy

Windows下的安装

　　1.下载twisted
　　　　http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
　　2. 安装wheel
　　　　pip3 install wheel
　　3. 安装twisted
　　　　 进入下载目录，执行 pip3 install Twisted‑18.7.0‑cp36‑cp36m‑win_amd64.whl
　　4.安装pywin32
　　　　pip3 install pywin32
　　5.安装scrapy
　　　　pip3 install scrapy

三、基本命令

1. scrapy startproject 项目名称

- 在当前目录中创建一个项目文件（类似于Django）

2. scrapy genspider [ - t template] <name> <domain>

- 创建爬虫应用

如：

scrapy gensipider - t basic oldboy oldboy.com

scrapy gensipider - t xmlfeed autohome autohome.com.cn

　　　　　或者简单直接 scrapy gensipider app名要爬取的域名

PS:

查看所有命令：scrapy gensipider - l

查看模板命令：scrapy gensipider - d 模板名称

3. scrapy list

- 展示爬虫应用列表

4. scrapy crawl 爬虫应用名称

- 运行单独爬虫应用

备注：scrapy crawl 应用名称表示以日志的形式运行爬虫应用，可以在后面加 --nolog 取消日志 scrapy crawl 名称 --nolog

四、项目文件及结构

文件说明：

scrapy.cfg 项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

windows系统编码错误时：

解决方法：

import sys,io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

import scrapy

class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['https://dig.chouti.com/']

    def parse(self, response):
        pass

转载于:https://www.cnblogs.com/mainstream/p/11343698.html