由于我们小组需要豆瓣影评的数据进行大模型微调,在工作开始前,我需要对scrapy爬虫框架进行大致的了解,至于细节可以编写程序边学习。
Scrapy是一个基于Python的开源网络爬虫框架,专门设计用于快速、高效地从网页中提取数据。它提供了强大的工具和机制,使得用户可以轻松地定义爬取流程、数据提取规则和数据存储方式。以下是Scrapy框架的一些关键特点和组成部分:
-
基于Twisted异步网络库:Scrapy使用Twisted异步网络库来处理网络请求和响应,从而能够并发地处理多个请求,提高爬取效率。
-
模块化设计:Scrapy框架采用了模块化设计,包括引擎(Engine)、调度器(Scheduler)、下载器(Downloader)、爬虫(Spider)和管道(Pipeline)等组件,各组件之间通过信号和槽(Signal and Slot)进行通信,使得用户可以灵活地定制和扩展爬取流程。
-
灵活的选择器:Scrapy提供了强大的选择器,如XPath和CSS选择器,用于定位和提取网页中的数据。
-
自动限速和重试:Scrapy框架支持自动限速和重试功能,可以避免对目标网站造成过大的压力,并在网络异常时自动重试请求,提高爬取成功率。
-
数据存储:Scrapy提供了多种数据存储方式,包括将数据保存到本地文件、数据库(如MySQL、MongoDB等)以及导出到各种格式(如JSON、CSV、XML等)。
-
丰富的中间件支持:Scrapy框架提供了丰富的中间件支持,用户可以通过编写中间件来修改请
我参考了文章从原理到实战,一份详实的 Scrapy 爬虫教程-CSDN博客 来进行scrapy环境的安装。
第一种:在命令行模式下使用pip命令即可安装:
$ pip install scrapy
第二种:首先下载,然后再安装:
-
$ pip download scrapy -d ./
-
# 通过指定国内镜像源下载
-
$pip download -i https://pypi.tuna.tsinghua.edu.cn/simple scrapy -d ./
进入下载目录后执行下面命令安装:
使用大概分为下面四步
1 创建一个scrapy项目
scrapy startproject mySpider
2 生成一个爬虫
scrapy genspider demo "demo.cn"
3 提取数据
完善spider 使用xpath等
4 保存数据
pipeline中保存数据