文章目录
Scrapy简介
通用爬虫框架流程
Scrapy 框架流程
Scrapy组件
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运行流程
- 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的安装
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
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
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
项目文件说明
- 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
项目案例
项目介绍
为了充分利用网上大数据资源,让用户能够方便利用影视信息,采用基于 Scrapy 框架的爬虫技术,开发了检索电影信息的搜索引擎。对豆瓣网站的影视信息进行爬取,以方便用户准确获取最新的电影信息。
项目代码
以“豆瓣电影”为爬取目 标,爬取网站中的影视信息。主要包括网站排名 “ Top250 ”和喜剧、动作类电影的电影名称、电影评分、电影导演, 电影上映时间以及电影评语。
创建工程
scrapy startproject DouBan
创建爬虫程序
cd DouBan/
scrapy genspider douban 'douban.com'
自动创建目录及文件
编写爬虫文件(douban.py)
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from DouBan.items import DoubanItem
import copy
class DoubanSpider(scrapy.Spider):
name = 'douban'
allowed_domains = ['douban.com']
# start_urls = ['http://douban.com/']
start_urls = ['https://movie.douban.com/top250']
url = 'https://movie.douban.com/top250'
def parse(self, response):
items = DoubanItem()
# with open('douban.html', 'w') as f:
# f.write(response.text)
movies = response.xpath("//ol[@class='grid_view']/li")
for movie in movies:
title = movie.xpath(".//span[@class='title']/text()").extract()[0]
rating_num = movie.xpath(".//span[@class='rating_num']/text()").extract()