#1、架构介绍
#Engine。引擎,处理整个系统的数据流、触发事务,是整个框架的核心
#item。项目,它定义了爬取结果的数据结构,爬取的数据会被赋值成Item对象
#Scheduler。调度器,接受引擎发过来的请求并将其加入队列中,在引擎再次请求时将请求提供给引擎
#Downloader。下载器,下载网页内容,并将网页内容返回给蜘蛛
#Spiders。蜘蛛,其内容定义了爬取的逻辑和网页的解析规则,它主要负责解析响应内容并生产提取结果和新的请求
#Item Pipeline 项目管道,负责处理由蜘蛛从网页中抽取的项目,它的主要任务是清洗、验证和存储数据。
#Downloader Middlewaress. 下载器中间件,位于引擎和蜘蛛之间的钩子框架,主要处理引擎与下载器之间的请求及响应
#Spider Middlewares 蜘蛛中间件,位于引擎和蜘蛛之间的钩子框架,主要处理向蜘蛛输入的响应和输出结果及新的请求
# Scrapy 入门
#在cmd中进入一个文件夹,然后输入 scrapy startproject tutorial,这个命令会创建一个tutorial的文件夹,文件夹结构如下:
'''
scrapy.cfg #Scrapy 部署时的配置文件,定义了项目的配置文件,部署相关信息等内容
tutorial #项目的模块,需要从这里引入
_init_.py
items.py #Item的定义,定义爬取的数据结构
middlewares.py #Middlewares的定义,定义爬取时的中间件
pipelines.py #piplines的定义,定义数据管道
settings.py #配置文件
spiders #放置Spiders的文件夹
_init_.py
'''
#创建Spider
#spider是自己定义的类,Scrapy用它来从网页里爬取内容,并解析抓取的结果。不过这个类必须继承Scrapy提供的Spider类scrapy.Spider,还要定义Spider的名称和起始请求,以及怎样处理爬取后的结果的方法
#也可以使用命令行来创建一个Spider。比如,要生成Quotes这个Spider,可以执行如下命令:
#cd tutorial
#scrapy genspider qutotes qutotes.toscrape.com
#进入刚创建的tutorial文件夹,执行genspider命令,第一个参数是Spider的名称,第二个参数是网站域名,执行完毕后spiders文件夹中多了一个quotes.py文件,内容如下:
'''
# -*- coding: utf-8 -*-
import scrapy
class QuotesSpider(scrapy.Spider):
name = 'quotes'
allowed_domains = ['quotes.toscrape.com']
start_urls = ['http://quotes.toscrape.com/']
def parse(self, response):
pass
'''
#这里有三个属性—name、allowed_domins、start_urls 还有一个方法parse
#name:每个项目唯一的名字,用来区分不同的Spider
#allowed_domains:它是允许爬取的域名,如果初始或后续的的请求连接不是这个域名下的,则请求连接会被过滤掉
#start_urls,它包含了Spider在启动时爬取的爬取的url列表,初始请求是用它来定义的
#parse,它是spider的一个方法,负责解析返回的响应、提取数据或者进一步生成要处理的请求
#创建item
#Item是保存数据的容器,它使用的方法与字典类似,,不过Item添加了额外的保护机制,可以避免拼写或者定义字段错误
#创建Item类需要继承自scrapy.Item类,并且定义类型为scrapy.Field的字段。观察目标网站,发现能提取的内容有text,author,tags
# 定义Item,此时将item修改如下:
'''
import scrapy
class TutorialItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
text = scrapy.Field()
author = scrapy.Field()
tags = scrapy.Field()
pass
'''
#解析Response
#前面我们看到,parse()方法的参数response是stat_urls里面的连接爬取后的结果。所以在pars()方法中,我们可以直接对response变量包含的内容进行解析,比如说浏览器请求结果的源代码,或者进一步分析源代码内容,或者找出结果中的连接而得到下一个请求
#首先看网页结构,每一页都有多个class为quote的区块,每个区块内都包含text、author、tags。那么我们先找出所有的quote,然后提取每一个quote中的内容,这里讲parse()方法内容修改如下
'''
def parse(self,response):
quotes = response.css('.quote')
for quote in quotes:
text = quote.css('.text::text').extract_first()
author = quote.css('.author::text').extract_first()
tags = quote.css('.tags .tag::text').extract()
'''
#使用Item
# 上文定义了Item,Item可以理解为一个字典,不过在声明时需要实例化。然后依次用刚才解析的结果赋值Item的每一个字段,最后将Item返回即可
#QuotesSpider改写如下:
'''
# -*- coding: utf-8 -*-
import scrapy
from tutorial.items import TutorialItem
class QuotesSpider(scrapy.Spider):
name = 'quotes'
al
python3 学习 Scrapy框架的使用
最新推荐文章于 2024-06-22 16:33:22 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)