解析
Scrapy架构
组件(Scrapy Engine)
引擎负责控制数据流在系统中所有组件中流动,并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。
调度器(Scheduler)
调度器从引擎接受request并将它们入队,以便之后引擎请求它们时提供给引擎
下载器(Downloader)
下载器负责获取页面数据兵器同给引擎,而后提供给spider
Spider
spider是scrapy用户编写用于分析response并提供给item或额外跟进的URL类。每个spider负责处理一个特定(或一些)网站。更多内容请看spider
Item Pipeline
item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化(如存取到数据库中)
下载器中间件
下载器中间件是在引擎及下载器之间的特定钩子(specific hook),处理Downloader传递给引擎的response。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
Spider中间件(Spider middlewares)
Spider中间件是在引擎及Spider之间的特定钩子(specific hook),处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制,通过插入自定义代码来扩展Scrapy功能。
数据流(Data flow)
Scrapy中的数据流由执行引擎控制,其过程如下:
1、引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2、引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3、引擎向调度器请求下一个要爬取的URL。
4、调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5、一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
6、引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7、Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8、引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
9、(从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。
环境搭建
创建一个爬虫项目
使用scrapy框架创建一个爬虫项目
scrapy startproject ITcast
我们使用tree查看项目中的文件
我们发现有生成的如下几个文件
- init.py
- items.py
- pipelines.py
- settings.py
- scrapy.cfg
在这几个文件中init.py 和scrapy.cfg这两个文件是用不到的。这里我们先不说
items.py
这里我们用gedit打开这个文件
gedit items.py
import scrapy
class ITcastItem(scrapy.Item):
# define the fields for your item here like:
#
# name = scrapy.Filed()
pass
我们可以看的出来这个文件是用来对相关的字段进行定义。那我们要抓取一个人的相关信息 我们可以这样写这个文件
import scrapy
class ITcastItem(scrapy.Item):
name = scrapy.Filed()
sex = scrapy.Filed()
speciaity.Filed()
可以看得出来这个文件只是定义了一个实体类
setting,py
这个文件是项目的配置文件。gedit settings.py 打开这个文件
BOT_NAME = 'ITcast'
SPIDER_MODULES = ['ITcast.spiders']
NEWSPIDER_MODULE = 'ITcast.spider'
# Obey robots.txt rules
ROBORSTXT_OBEY = True
因为我们写的是定向爬虫,前面三个按默认即可,我们不去管他。看第四项,注释里说这个配置项的意思是是否遵守robots.txt,那么robots.txt是个什么东西呢?
通俗来说,robots.txt是遵循Robot协议的一个文件,它保存在网站的服务器中,它的作用是,告诉搜索引擎爬虫,可以使用什么爬虫进行爬去、哪些目录下的网页不希望你进行爬取收录。在Scrapy启动后,会在第一时间访问网站的robots.txt文件,然后决定该网站的爬取范围。
当然,我们并不是在做搜索引擎,而且在某些情况下我们想要获取的内容恰恰是被robots.txt所禁止访问的。所以,我们就将此配置项设置为False,拒绝遵守Robot协议!
pipelines.py
打开这个文件 (gedit pipelines.py)
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
class ItcastPipeline(object):
def process_item(self, item, spider):
return item
以上这些都是Scrapy框架自动生成的,那么接下来我们就写一个爬虫
这里我们爬去的是这个http://www.itcast.cn/channel/teacher.shtml#ajavaee页面
首先看一下要实现的效果
1、分析一下目标网页的结构
发现这三个节点分别在h3、h4、p标签之下
然后使用xpath helper验证一下
关于xpath语法的使用请自行百度
2、我们在items中定义三个字段
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class ItcastItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
#老师的姓名
name =scrapy.Field()
#老师的职称
title=scrapy.Field()
#老师的信息
info=scrapy.Field()
3、使用模板创建一个爬虫
scrapy genspider itcast “域名”这里的域名为目标网址
使用gedit打开爬虫并修改如下
# -*- coding: utf-8 -*-
import scrapy
class ItcastSpider(scrapy.Spider):
name = 'itcast'
allowed_domains = ['http://www.itcast.cn' //这一个允许的域名
start_urls = ['http://www.itcast.cn/'] //这个是要爬取的域名
def parse(self, response):
print response.body //
当然这段代码只是讲整个html页面下载下来,并没有其他的功能
接下来我们要对下载完成的html代码进行修改
4、对prase这个方法做如下修改
def parse(self,response):
node_list=response.xpath["//div[@class='li_txt'"]
#拿到这个父节点 然后通过递归查找子节点
for node in node_list:
#extract ()这个方法的作用是 将字符串对象转换成字符串数组
name=node.xpath["./h3.text()"].extrace()
title-node.xpath["./h4.text()"].extracet()
info=node.xpath["./p.text()"].extract()
#然后取索引
print name[0]
print title[[0]
print info[0]
5、接下来我们指定生成一个csv 格式的文件
scrapy crawl itcast -o teacher.csv
要注意的一点是爬虫名为 name中的值。本篇文章中爬虫名称为itcast
刚开始使用Scrapy框架,有不道处还望读者指正。
联系方式gwisdoms@163.com