一、scrapy简介
Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛
框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便
中文文档:https://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html
二、scrapy流程图
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)
三、scrapy框架创建
安装:通过python包管理器 pip install scrapy即可安装
注意:如果在windows系统下,提示错误:ModuleNotFoundError:No module named ‘win32api’,那么使用以下命令可以解决:pip install pypiwin32
创建项目:
使用scrapy框架创建项目需要通过命令来创建
scrapy startproject 【项目名称】
默认生成的目录结构:
items.py:用来存放爬虫爬取下来的数据模型
middlewares.py:用来存放各种中间件文件
pipelines.py:用来将items的模型存储到本地磁盘中
settings.py:本爬虫的一些配置信息
scrapy.cfg:项目配置文件
spiders包:存放所有的爬虫
四、scrapy框架入门
1、Basic Spider
使用命令创建一个基本的爬虫,进入项目所在路径
scrapy genspider 【爬虫名】【爬取的网站域名】
例子:
scrapy genspider qsbkspider “qiushibaike.com”
运行爬虫:
scrapy crawl qsbk_spider
注意:可以新建一个start.py文件来运行爬虫
from scrapy import cmdline
cmdline.execute(“scrapy crawl 【爬虫名】”.split())
2、CrawlSpider
使用命令创建一个crawl爬虫
scrapy genspider -t crawl 【爬虫名】【爬取的网站域名】
五、Scrapy Shell
scrapy shell 用来方便测试规则
workon crawler-env 位于项目所在路径 进入虚拟环境 scrapy shell 【链接】
2020-07-12 16:54:02 [scrapy.core.engine] DEBUG: Crawled (200) <GET http://www
.wxapp-union.com/article-6101-1.html> (referer: None)
[s] Available Scrapy objects:
[s] scrapy scrapy module (contains scrapy.Request, scrapy.Selector, etc
)
[s] crawler <scrapy.crawler.Crawler object at 0x000002948A7877C0>
[s] item {}
[s] request <GET http://www.wxapp-union.com/article-6101-1.html>
[s] response <200 http://www.wxapp-union.com/article-6101-1.html>
[s] settings <scrapy.settings.Settings object at 0x000002948A7875E0>
[s] spider <WxappSpiderSpider 'wxapp_spider' at 0x2948aadf4c0>
[s] Useful shortcuts:
[s] fetch(url[, redirect=True]) Fetch URL and update local objects (by defa
ult, redirects are followed)
[s] fetch(req) Fetch a scrapy.Request and update local obj
ects
[s] shelp() Shell help (print this help)
[s] view(response) View response in a browser
>>> title = response.xpath("//h1[@class='ph']/text()").get()
>>> title
'最新反编译任何微信小程序,以及独立分包、插件的处理方式 ... '
>>>
六、Request和Response对象
七、下载文件和图片
传统方法下载图片:
使用scrapy框架自带的Image Pipline: