scrapy介绍
- 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,再次进入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)
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。)
制作 Scrapy 爬虫 一共需要4步
- 新建项目 (scrapy startproject xxx):新建一个新的爬虫项目
- 明确目标 (编写items.py):明确你想要抓取的目标
- 制作爬虫 (spiders/xxspider.py):制作爬虫开始爬取网页
- 存储内容 (pipelines.py):设计管道存储爬取内容
安装
这里我们用conda 命令来安装 。你可以安装anaconda,里面包含了conda 。
conda install scrapy
scrapy入门
#在开始爬取之前,我们首先要创建一个scrapy项目,在命令行输入一下命令即可创建
#创建项目
scrapy startproject xicidaili
cd xicidaili
#创建爬虫
scrapy genspider scrapy001 xicidaili.com
创建成功
Created spider 'scrapy001' using template 'basic' in module:
xicidaili.spiders.scrapy001
编写爬虫
# -*- coding: utf-8 -*-
import scrapy
# 创建爬虫类 并且继承自scrapy.Spider --> 最基础的类,另外几个类都是继承自这个类
class Scrapy001Spider(scrapy.Spider):
name = 'scrapy001'# 爬虫名字 -->必须唯一
allowed_domains = ['xicidaili.com']
#start_urls = [f'https://www.xicidaili.com/nt/{page}' for page in range(1,2)]
start_urls = ['https://www.xicidaili.com/nt/7']
# 解析响应 提取数据 或者网址等 response 就是网页源码
def parse(self, response):
# 提取数据
# 提取IP PORT
selectors = response.xpath('//tr') # 选择所有的tr标签
for selector in selectors:
ip = selector.xpath('./td[2]/text()').get()
port = selector.xpath('./td[3]/text()').get()
print(ip,port)
# 翻页操作
next_page = response.xpath('//a[@class="next_page"]/@href').get()
if next_page:
print(next_page)
# 除零报错,防止爬太多被封
bb = '/nt/10'
if bb == next_page:
bbErr = 10*(1/0)
print(bbErr)
#拼接网址
next_url = response.urljoin(next_page)
# 发出请求 Request callback 是回调函数 就是将请求得到的响应交给自己处理
yield scrapy.Request(next_url,callback=self.parse) # 生成器
pass
运行爬虫
进入xicidaili项目
scrapy crawl scrapy001
Scrapy 常用命令
Scrapy 1.6.0 - project: xicidaili
Usage:
scrapy <command> [options] [args]
Available commands:
bench Run quick benchmark test
check Check spider contracts
crawl Run a spider
edit Edit spider
fetch Fetch a URL using the Scrapy downloader
genspider Generate new spider using pre-defined templates
list List available spiders
parse Parse URL (using its spider) and print the results
runspider Run a self-contained spider (without creating a project)
settings Get settings values
shell Interactive scraping console
startproject Create new project
version Print Scrapy version
view Open URL in browser, as seen by Scrapy
Use "scrapy <command> -h" to see more info about a command
注意,你创建爬虫项目后,运行scrapy项目才有 crawl
等命令。