前面几篇博文,给大家从头到尾做了一个比较高效的爬虫,从这篇起来说说Python的爬虫框架Scrapy;
至于为什么要说框架呢?因为啊,框架可以帮我们处理一部分事情,比如下载模块不用我们自己写了,我们只需专注于提取数据就好了;
最重要的一点啊!框架使用了异步的模式;可以加快我们的下载速度,而不用自己去实现异步框架;毕竟实现异步爬虫是一件比较麻烦的事情。
不过啊!反爬虫这个坎还是要我们自己迈过去啊!这是后话,以后再说。我们先来让Scrapy能跑起来,并提取出我们需要的数据,再解决其它问题。
环境搭建:
关于这一点,对在Windows环境下使用的小伙伴来说,请务必使用我之前提到的 Anaconda 这个Python的发行版本,不然光环境的各种报错就能消磨掉你所有的学习兴趣!
下载地址在这儿:http://pan.baidu.com/s/1pLgySav
安装完成之后,在cmd中执行:conda install Scrapy (如果需要使用特定版本,请在Scrapy后面加上 ==XXXX XXXX代表你需要的版本号)
下面是安装示意图:
So Easy@@!环境搭建完成!是不是超简单?全程无痛啊!
下面开始踏上新的征程!Go Go Go!!
使用Scrapy第一步:创建项目;CMD进入你需要放置项目的目录 输入:
<div id="crayon-5dea590faff84858271558" class="crayon-syntax crayon-theme-github crayon-font-monaco crayon-os-pc print-yes notranslate crayon-wrapped" data-settings=" minimize scroll-mouseover wrap" style="margin-top: 12px; margin-bottom: 12px; float: left; font-size: 12px !important; line-height: 15px !important; height: auto;">
<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="Toggle Line Numbers"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-plain-button" title="Toggle Plain Code"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="Toggle Line Wrap"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-expand-button" title="Expand Code" style="display: none;"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-copy-button" title="Copy"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-popup-button" title="Open Code In New Window"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div></div></div>
<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">scrapy startproject XXXXX XXXXX代表你项目的名字</textarea></div>
<div class="crayon-main" style="position: relative; z-index: 1; overflow: hidden;">
<table class="crayon-table" style="">
<tbody><tr class="crayon-row">
<td class="crayon-nums " data-settings="show">
<div class="crayon-nums-content" style="font-size: 12px !important; line-height: 15px !important;"><div class="crayon-num" data-line="crayon-5dea590faff84858271558-1" style="height: 14px;">1</div></div>
</td>
<td class="crayon-code"><div class="crayon-pre" style="font-size: 12px !important; line-height: 15px !important; -moz-tab-size:4; -o-tab-size:4; -webkit-tab-size:4; tab-size:4;"><div class="crayon-line" id="crayon-5dea590faff84858271558-1"><span class="crayon-e">scrapy </span><span class="crayon-e">startproject </span><span class="crayon-e">XXXXX </span><span class="crayon-i">XXXXX</span>代表你项目的名字</div></div></td>
</tr>
</tbody></table>
</div>
</div>
OK项目创建完成。现在可以开始我们的爬取之旅了! 下面是目录中各个文件的作用
好了,目录我们认识完了,在开始之前给大家一个小技巧,Scrapy默认是不能在IDE中调试的,我们在根目录中新建一个py文件叫:entrypoint.py;在里面写入以下内容:
<div id="crayon-5dea590faff8e354521762" class="crayon-syntax crayon-theme-github crayon-font-monaco crayon-os-pc print-yes notranslate crayon-wrapped" data-settings=" minimize scroll-mouseover wrap" style="margin-top: 12px; margin-bottom: 12px; float: left; font-size: 12px !important; line-height: 15px !important; height: auto;">
<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="Toggle Line Numbers"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-plain-button" title="Toggle Plain Code"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="Toggle Line Wrap"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-expand-button" title="Expand Code" style="display: none;"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-copy-button" title="Copy"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-popup-button" title="Open Code In New Window"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><span class="crayon-language">Python</span></div></div>
<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">from scrapy.cmdline import execute
execute([‘scrapy’, ‘crawl’, ‘dingdian’])
1
2
|
from
scrapy
.
cmdline
import
execute
execute
(
[
‘scrapy’
,
‘crawl’
,
‘dingdian’
]
)
|
注意!第二行中代码中的前两个参数是不变的,第三个参数请使用自己的spider的名字。稍后我会讲到!!
现在整个目录看起来是这样:
基础工作准备完毕!我们来说说基本思路。
上面的准备工作完成之后,我们先不要着急开始工作,毕竟作为一个框架,还是很复杂的;贸然上手 开整,很容易陷入懵逼状态啊!一团浆糊,理不清思路,后面的事情做起来很很麻烦啦!
我们来看看下面这张图:
这就是整个Scrapy的架构图了;
Scrapy Engine: 这是引擎,负责Spiders、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等等!(像不像人的身体?)
Scheduler(调度器): 它负责接受引擎发送过来的requests请求,并按照一定的方式进行整理排列,入队、并等待Scrapy Engine(引擎)来请求时,交给引擎。
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Spiders来处理,
Spiders: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:它负责处理Spiders中获取到的Item,并进行处理,比如去重,持久化存储(存数据库,写入文件,总之就是保存数据用的)
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Spiders中间‘通信‘的功能组件(比如进入Spiders的Responses;和从Spiders出去的Requests)
数据在整个Scrapy的流向:
程序运行的时候,
引擎:Hi!Spider, 你要处理哪一个网站?
Spiders:我要处理23wx.com
引擎:你把第一个需要的处理的URL给我吧。
Spiders:给你第一个URL是XXXXXXX.com
引擎:Hi!调度器,我这有request你帮我排序入队一下。
调度器:好的,正在处理你等一下。
引擎:Hi!调度器,把你处理好的request给我,
调度器:给你,这是我处理好的request
引擎:Hi!下载器,你按照下载中间件的设置帮我下载一下这个request
下载器:好的!给你,这是下载好的东西。(如果失败:不好意思,这个request下载失败,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。)
引擎:Hi!Spiders,这是下载好的东西,并且已经按照Spider中间件处理过了,你处理一下(注意!这儿responses默认是交给def parse这个函数处理的)
Spiders:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,这是我需要跟进的URL,将它的responses交给函数 def xxxx(self, responses)处理。还有这是我获取到的Item。
引擎:Hi !Item Pipeline 我这儿有个item你帮我处理一下!调度器!这是我需要的URL你帮我处理下。然后从第四步开始循环,直到获取到你需要的信息,
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会重新下载。)
以上就是Scrapy整个流程了。
大家将就着看看。
建立一个项目之后:
第一件事情是在items.py文件中定义一些字段,这些字段用来临时存储你需要保存的数据。方便后面保存数据到其他地方,比如数据库 或者 本地文本之类的。
第二件事情在spiders文件夹中编写自己的爬虫
第三件事情在pipelines.py中存储自己的数据
还有一件事情,不是非做不可的,就settings.py文件 并不是一定要编辑的,只有有需要的时候才会编辑。
建议一点:在大家调试的时候建议大家在settings.py中取消下面几行的注释:
这几行注释的作用是,Scrapy会缓存你有的Requests!当你再次请求时,如果存在缓存文档则返回缓存文档,而不是去网站请求,这样既加快了本地调试速度,也减轻了 网站的压力。一举多得
第一步定义字段:
好了,我们来做 第一步 定义一些字段;那具体我们要定义那些字段呢?
这个根据自己需要的提取的内容来定义。
比如:我们爬取小说站点都需要提取些什么数据啊?
小说名字、作者、小说地址、连载状态、连载字数、文章类别
就像下面这样:
这样我们第一步就完成啦!是不是So Easy?ヾ(´▽‘)ノ ; 下面开始重点了哦!编写spider(就是我们用来提取数据的爬虫了)
第二步编写Spider:
在spiders文件中新建一个dingdian.py文件
并导入我们需用的模块
PS:Scrapy中Response可以直接使用Xpath来解析数据;不过大家也可以使用自己习惯的包,比如我导入的BS4 、re ;当然也可以使其他比如pyquery之类的。这个并没有什么限制
另外或许个别小伙伴会遇到 from dingdian.items import DingdianItem这个导入失败的情况;可以试试把项目文件移动到根目录。
Request这个模块可以用来重写单独请求一个URL,用于我们后面跟进URL。
好了开整;首先我们需要什么?
我们需要从一个地址入手开始爬取,我在顶点小说上没有发现有全站小说地址,但是我找到每个分类地址全部小说:
玄幻魔幻:http://www.23wx.com/class/1_1.html
武侠修真:http://www.23wx.com/class/2_1.html
都市言情:http://www.23wx.com/class/3_1.html
历史军事:http://www.23wx.com/class/4_1.html
侦探推理:http://www.23wx.com/class/5_1.html
网游动漫:http://www.23wx.com/class/6_1.html
科幻小说:http://www.23wx.com/class/7_1.html
恐怖灵异:http://www.23wx.com/class/8_1.html
散文诗词:http://www.23wx.com/class/9_1.html
其他:http://www.23wx.com/class/10_1.html
全本:http://www.23wx.com/quanben/1
好啦!入口地址我们找到了,现在开始写第一部分代码:
当然对于上面的地址,我们是可以直接全使用Start_urls这种列表全部请求,不过并不太美观,我需要把其中,有规律的部分,单独其他方式实现,比如字典之类的:
第十行:首先我们创建一个类 Myspider;这个类继承自scrapy.Spider(当然还有一些其他父类,继承各个父类后能实现的功能不一样);
第十二行:我们定义name:dingdian (请注意,这name就是我们在entrypoint.py文件中的第三个参数!)!!!!请务必注意:此Name的!名字!在整个项目中有且只能有一个、名字不可重复!!!!
第十一行:我们定义了一个allowed_domains;这个不是必须的;但是在某写情况下需要用得到,比如使用爬取规则的时候就需要了;它的作用是只会跟进存在于allowed_domains中的URL。不存在的URL会被忽略。
第十七行到第十九行:我们使用字符串拼接的方式实现了我们上面发现的全部URL。
第二十行和二十一行:我们使用了导入的Request包,来跟进我们的URL(并将返回的response作为参数传递给self.parse, 嗯!这个叫回调函数!)
第二十三行:使用parse函数接受上面request获取到的response。(请务必注意:不要轻易改写parse函数(意思就是不要把parse函数用作它用);因为这样request的回调函数被你用了,就没谁接受request返回的response啦!如果你非要用作它用,则需要自己给request一个回调函数哦!)
<div id="crayon-5dea590faff96208426263" class="crayon-syntax crayon-theme-github crayon-font-monaco crayon-os-pc print-yes notranslate crayon-wrapped" data-settings=" minimize scroll-mouseover wrap" style="margin-top: 12px; margin-bottom: 12px; float: left; font-size: 12px !important; line-height: 15px !important; height: auto;">
<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="Toggle Line Numbers"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-plain-button" title="Toggle Plain Code"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="Toggle Line Wrap"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-expand-button" title="Expand Code" style="display: none;"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-copy-button" title="Copy"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-popup-button" title="Open Code In New Window"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><span class="crayon-language">Python</span></div></div>
<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">import re
import scrapy #导入scrapy包
from bs4 import BeautifulSoup
from scrapy.http import Request ##一个单独的request的模块,需要跟进URL的时候,需要用它
from dingdian.items import DingdianItem ##这是我定义的需要保存的字段,(导入dingdian项目中,items文件中的DingdianItem类)
class Myspider(scrapy.Spider):
name = 'dingdian'
allowed_domains = ['23wx.com']
bash_url = 'http://www.23wx.com/class/'
bashurl = '.html'
def start_requests(self):
for i in range(1, 11):
url = self.bash_url + str(i) + '_1' + self.bashurl
yield Request(url, self.parse)
yield Request('http://www.23wx.com/quanben/1', self.parse)
def parse(self, response):
print(response.text)</textarea></div>
<div class="crayon-main" style="position: relative; z-index: 1; overflow: hidden;">
<table class="crayon-table" style="">
<tbody><tr class="crayon-row">
<td class="crayon-nums " data-settings="show">
<div class="crayon-nums-content" style="font-size: 12px !important; line-height: 15px !important;"><div class="crayon-num" data-line="crayon-5dea590faff96208426263-1" style="height: 14px;">1</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-2" style="height: 14px;">2</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-3" style="height: 14px;">3</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-4" style="height: 14px;">4</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-5" style="height: 29px;">5</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-6" style="height: 14px;">6</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-7" style="height: 14px;">7</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-8" style="height: 14px;">8</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-9" style="height: 14px;">9</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-10" style="height: 14px;">10</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-11" style="height: 14px;">11</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-12" style="height: 14px;">12</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-13" style="height: 14px;">13</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-14" style="height: 14px;">14</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-15" style="height: 14px;">15</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-16" style="height: 14px;">16</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-17" style="height: 14px;">17</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-18" style="height: 14px;">18</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-19" style="height: 14px;">19</div><div class="crayon-num crayon-striped-num" data-line="crayon-5dea590faff96208426263-20" style="height: 14px;">20</div><div class="crayon-num" data-line="crayon-5dea590faff96208426263-21" style="height: 14px;">21</div></div>
</td>
<td class="crayon-code"><div class="crayon-pre" style="font-size: 12px !important; line-height: 15px !important; -moz-tab-size:4; -o-tab-size:4; -webkit-tab-size:4; tab-size:4;"><div class="crayon-line" id="crayon-5dea590faff96208426263-1"><span class="crayon-r">import</span><span class="crayon-h"> </span><span class="crayon-k ">re</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-2"><span class="crayon-r">import</span><span class="crayon-h"> </span><span class="crayon-v">scrapy</span><span class="crayon-h"> </span><span class="crayon-c">#导入scrapy包</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-3"><span class="crayon-st">from</span><span class="crayon-h"> </span><span class="crayon-e">bs4 </span><span class="crayon-r">import</span><span class="crayon-h"> </span><span class="crayon-e">BeautifulSoup</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-4"><span class="crayon-st">from</span><span class="crayon-h"> </span><span class="crayon-v">scrapy</span><span class="crayon-sy">.</span><span class="crayon-e">http </span><span class="crayon-r">import</span><span class="crayon-h"> </span><span class="crayon-v">Request</span><span class="crayon-h"> </span><span class="crayon-c">##一个单独的request的模块,需要跟进URL的时候,需要用它</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-5"><span class="crayon-st">from</span><span class="crayon-h"> </span><span class="crayon-v">dingdian</span><span class="crayon-sy">.</span><span class="crayon-e">items </span><span class="crayon-r">import</span><span class="crayon-h"> </span><span class="crayon-v">DingdianItem</span><span class="crayon-h"> </span><span class="crayon-c">##这是我定义的需要保存的字段,(导入dingdian项目中,items文件中的DingdianItem类)</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-6"> </div><div class="crayon-line" id="crayon-5dea590faff96208426263-7"><span class="crayon-t">class</span><span class="crayon-h"> </span><span class="crayon-e">Myspider</span><span class="crayon-sy">(</span><span class="crayon-v">scrapy</span><span class="crayon-sy">.</span><span class="crayon-v">Spider</span><span class="crayon-sy">)</span><span class="crayon-o">:</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-8"> </div><div class="crayon-line" id="crayon-5dea590faff96208426263-9"><span class="crayon-h"> </span><span class="crayon-v">name</span><span class="crayon-h"> </span><span class="crayon-o">=</span><span class="crayon-h"> </span><span class="crayon-s">'dingdian'</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-10"><span class="crayon-h"> </span><span class="crayon-v">allowed_domains</span><span class="crayon-h"> </span><span class="crayon-o">=</span><span class="crayon-h"> </span><span class="crayon-sy">[</span><span class="crayon-s">'23wx.com'</span><span class="crayon-sy">]</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-11"><span class="crayon-h"> </span><span class="crayon-v">bash_url</span><span class="crayon-h"> </span><span class="crayon-o">=</span><span class="crayon-h"> </span><span class="crayon-s">'http://www.23wx.com/class/'</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-12"><span class="crayon-h"> </span><span class="crayon-v">bashurl</span><span class="crayon-h"> </span><span class="crayon-o">=</span><span class="crayon-h"> </span><span class="crayon-s">'.html'</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-13"> </div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-14"><span class="crayon-h"> </span><span class="crayon-r">def</span><span class="crayon-h"> </span><span class="crayon-e">start_requests</span><span class="crayon-sy">(</span><span class="crayon-r">self</span><span class="crayon-sy">)</span><span class="crayon-o">:</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-15"><span class="crayon-h"> </span><span class="crayon-st">for</span><span class="crayon-h"> </span><span class="crayon-i">i</span><span class="crayon-h"> </span><span class="crayon-st">in</span><span class="crayon-h"> </span><span class="crayon-k ">range</span><span class="crayon-sy">(</span><span class="crayon-cn">1</span><span class="crayon-sy">,</span><span class="crayon-h"> </span><span class="crayon-cn">11</span><span class="crayon-sy">)</span><span class="crayon-o">:</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-16"><span class="crayon-h"> </span><span class="crayon-v">url</span><span class="crayon-h"> </span><span class="crayon-o">=</span><span class="crayon-h"> </span><span class="crayon-r">self</span><span class="crayon-sy">.</span><span class="crayon-v">bash_url</span><span class="crayon-h"> </span><span class="crayon-o">+</span><span class="crayon-h"> </span><span class="crayon-k ">str</span><span class="crayon-sy">(</span><span class="crayon-v">i</span><span class="crayon-sy">)</span><span class="crayon-h"> </span><span class="crayon-o">+</span><span class="crayon-h"> </span><span class="crayon-s">'_1'</span><span class="crayon-h"> </span><span class="crayon-o">+</span><span class="crayon-h"> </span><span class="crayon-r">self</span><span class="crayon-sy">.</span><span class="crayon-e">bashurl</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-17"><span class="crayon-e"> </span><span class="crayon-r">yield</span><span class="crayon-h"> </span><span class="crayon-e">Request</span><span class="crayon-sy">(</span><span class="crayon-v">url</span><span class="crayon-sy">,</span><span class="crayon-h"> </span><span class="crayon-r">self</span><span class="crayon-sy">.</span><span class="crayon-v">parse</span><span class="crayon-sy">)</span></div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-18"><span class="crayon-h"> </span><span class="crayon-r">yield</span><span class="crayon-h"> </span><span class="crayon-e">Request</span><span class="crayon-sy">(</span><span class="crayon-s">'http://www.23wx.com/quanben/1'</span><span class="crayon-sy">,</span><span class="crayon-h"> </span><span class="crayon-r">self</span><span class="crayon-sy">.</span><span class="crayon-v">parse</span><span class="crayon-sy">)</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-19"> </div><div class="crayon-line crayon-striped-line" id="crayon-5dea590faff96208426263-20"><span class="crayon-h"> </span><span class="crayon-r">def</span><span class="crayon-h"> </span><span class="crayon-e">parse</span><span class="crayon-sy">(</span><span class="crayon-r">self</span><span class="crayon-sy">,</span><span class="crayon-h"> </span><span class="crayon-v">response</span><span class="crayon-sy">)</span><span class="crayon-o">:</span></div><div class="crayon-line" id="crayon-5dea590faff96208426263-21"><span class="crayon-h"> </span><span class="crayon-k ">print</span><span class="crayon-sy">(</span><span class="crayon-v">response</span><span class="crayon-sy">.</span><span class="crayon-v">text</span><span class="crayon-sy">)</span></div></div></td>
</tr>
</tbody></table>
</div>
</div>
我们测试一下是否正常工作:在IDE中运行我们之前创建的entrypoint.py文件(如果没有这个文件是不能在IDE中运行的哦!ヽ(=^・ω・^=)丿)
然后会像这样:
你会发现在红色状态报告之后,所有页面几乎是一瞬间出现的;那是因为Scrapy使用了异步啦!ヽ(°◇° )ノ
另外因为Scrapy遵循了robots规则,如果你想要获取的页面在robots中被禁止了,Scrapy是会忽略掉的哦!!ヾ(。 ̄□ ̄)ツ゜゜゜
请求就这么轻而易举的实现了啊!简直So Easy!
继续 继续!
我们需要历遍所有页面才能取得所有的小说页面连接:
每个页面的这个位置都是最后一个页面,我们提取出它,历遍就可以拼接出一个完整的URL了ヾ§  ̄▽)ゞ2333333
Go Go
第二十三行:def parse(self, response)这个函数接受来在二十一行返回的response,并处理。
第二十四行:我们使用BS4从response中获取到了最大页码。
第二十五行至二十七行:我们照例拼接了一个完整的URL(response.url:就是这个response的URL地址)
第二十八行:功能和第二十行一样,callback= 是指定回调函数,不过不写callback=也没有什么影响! 注意我只是说的callback=这个几个;不是后面的self.get_name.
看清楚了response是怎么用的没?ヾ§  ̄▽)ゞ2333333是不是So Easy?
如果不清楚那个拼接URL的小伙伴可以打印出来,看看哦··· 再去观察一下网页,就很明白啦
上面两个函数就彻底的把整个网站的所有小说的页面URL的提取出来了,并将每个页面的response交给了get_name函数处理哦!
现在我们的爬虫就开始处理具体的小说了哦:
瞅见没 我们需要的东西,快用F12工具看一下吧,在什么位置有什么标签,可以方便我们提取数据。还不知道怎么看的小伙伴,去看看妹子图那个教程,有教哦;实在不行百度一下也行!
过程忽略了,直接上代码(主要是懒癌来了):
前面三行不说了,
第三十七和三十八行:是我们的小说名字和URL
第三十九行和第四十行;大伙儿可能会发现,多了个一个meta这么一个字典,这是Scrapy中传递额外数据的方法。因我们还有一些其他内容需要在下一个页面中才能获取到。
这个页面就有很多我们需要的信息了:废话不说了代码上来:
第四十行:将我们导入的item文件进行实例化,用来存储我们的数据。
后面全部:将需要的数据,复制给item[key] (注意这儿的Key就是我们前面在item文件中定义的那些字段。)
注意!response.meta[key]:这个是提取从上一个函数传递下来的值。
return item 就是返回我们的字典了,然后Pipelines就可以开始对这些数据进行处理了。比如 存储之类的。
好啦,Spiders我们先编写到这个地方。(是不是有小伙伴发现我还有几个字段没有取值?当然留着你们自己试试了,哈哈哈ヽ(=^・ω・^=)丿)后面再继续。
对于基本的Pipeline存储方式,网上有很多教程了,今天我们做一个自定义的MySQL的Pipeline:
首先为了能好区分框架自带的Pipeline,我们把MySQL的Pipeline单独放到一个目录里面。
我们在项目中新建了一个mysqlpipelines的文件夹,我们所有的MySQL文件都放在这个目录。
init.py 这个文件不需要我说了吧,不知道做啥的小哥儿自己百度。
pipelines.py 这个是我们写存放数据的文件
sql.py 看名字就知道,需要的sql语句。
首先是需要的MySQL表,(MySQL都没有的小哥儿 自己百度装一个啊,我就不教了)
<div id="crayon-5dea5a7635e31006764127" class="crayon-syntax crayon-theme-github crayon-font-monaco crayon-os-pc print-yes notranslate crayon-wrapped" data-settings=" minimize scroll-mouseover wrap" style="margin-top: 12px; margin-bottom: 12px; float: left; font-size: 12px !important; line-height: 15px !important; height: auto;">
<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="Toggle Line Numbers"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-plain-button" title="Toggle Plain Code"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="Toggle Line Wrap"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-expand-button" title="Expand Code" style="display: none;"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-copy-button" title="Copy"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-popup-button" title="Open Code In New Window"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><span class="crayon-language">MySQL</span></div></div>
<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">DROP TABLE IF EXISTS `dd_name`;
CREATE TABLE dd_name
(
id
int(11) NOT NULL AUTO_INCREMENT,
xs_name
varchar(255) DEFAULT NULL,
xs_author
varchar(255) DEFAULT NULL,
category
varchar(255) DEFAULT NULL,
name_id
varchar(255) DEFAULT NULL,
PRIMARY KEY (id
)
) ENGINE=InnoDB AUTO_INCREMENT=38 DEFAULT CHARSET=utf8mb4;
1
2
3
4
5
6
7
8
9
|
DROP
TABLE
IF EXISTS
dd_name ;
CREATE
TABLE
dd_name
(
id
int(11)
NOT NULL
AUTO_INCREMENT,
xs_name
varchar(255)
DEFAULT
NULL,
xs_author
varchar(255)
DEFAULT
NULL,
category
varchar(255)
DEFAULT
NULL,
name_id
varchar(255)
DEFAULT
NULL,
PRIMARY KEY
(
id )
)
ENGINE
=
InnoDB
AUTO_INCREMENT
=38
DEFAULT
CHARSET
=utf8mb4;
|
首先我们再settings.py文件中定义好MySQL的配置文件(当然你也可以直接定义在sql.py文件中):
PS :注意MySQL的默认端口是 3306;我自己的MySQL改成了3389。这儿各位酌情自己更改。
在开始写sql.py之前,我们需要安装一个Python操作MySQL的包,来自MySQL官方的一个包:点我下载
下载完成后解压出来,从CMD进入该目录的绝对路径,然后 Python setup.py install ;即可完成安装
下面是我们的sql.py文件:
第一行至第二行分别导入了:我的MySQL操作包,settings配置文件
第四行至第八行 : 从settings配置文件中获取到了,我们的MySQL配置文件
第十行至第十一行: 初始化了一个MySQL的操作游标
第十三行: 定义了一个Sql的类
第十六行至第二十五行:定义了一个函数,将函数中的四个变量写入数据库(这四个变量就是我们后面传进来的需要存储的数据。)
关于@classmethod这个是一个修饰符;作用是我们不需要初始化类就可以直接调用类中的函数使用(具体说起来麻烦,知道作用就好啦)
好了第一部分写完了,我们还需要一个能够去重的:
这一段代码会查找name_id这个字段,如果存在则会返回 1 不存在则会返回0
Nice!sqi.py这一部分我们完成,来开始写pipeline吧:
第一行至第二行:我们导入了之前编写的sql.py中的Sql类,和我们建立的item
第六行:建立了一个DingdianPipeline的类(别忘了一定要继承object这个类啊,这是做啥的不用多了解,说多了你们头晕,我也懒)
第八行:我们定义了一个process_item函数并有,item和spider这两个参数(请注意啊!这两玩意儿 务必!!!要加上!!千万不能少!!!!务必!!!务必!!!)
第十行:你这样理解如果在 item中存在DingdianItem;就执行下面的。
第十一行:从item中取出 name_id的值。
第十二行:调用Sql中的select_name函数获得返回值
第十三行:判断ret是否等于1 ,是的话证明已经存了
第二十行:调用Sql中的 insert_dd_name函数,存储上面几个值。
搞完!下面我们启用这个Pipeline在settings中作如下设置:
PS: dingdian(项目目录).mysqlpipelines(自己建立的MySQL目录).pipelines(自己建立的pipelines文件).DingdianPipeline(其中定义的类) 后面的 1 是优先级程度(1-1000随意设置,数值越低,组件的优先级越高)
好!我们来运行一下试试!!Go Go Go!
Nice!!完美!!我之前运行过了 所以提示已经存在。
首先我们在item中新定义一些需要获取内容的字段:
代码不解释了哦!(懒癌来了,写不下去了)
继续编写Spider文件:
请注意我图中画红框的的地方,这个地方返回item是不能用return的哦!用了就结束了,程序就不会继续下去了,得用yield(你知道就行,这玩意儿说起来麻烦。)
第五十八行: num这个变量的作用是 因为Scrapy是异步的方式运作,你采集到的章节顺序都是混乱的,需要给它有序的序列,我们按照这个排序就能得到正确的章节顺序啦
请注意在顶部导入定义的第二个item类!
下面我们来写存储这部分spider的Pipeline:
数据表:
<div id="crayon-5dea5ab83afe4853724687" class="crayon-syntax crayon-theme-github crayon-font-monaco crayon-os-pc print-yes notranslate crayon-wrapped" data-settings=" minimize scroll-mouseover wrap" style="margin-top: 12px; margin-bottom: 12px; float: left; font-size: 12px !important; line-height: 15px !important; height: auto;">
<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="Toggle Line Numbers"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-plain-button" title="Toggle Plain Code"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="Toggle Line Wrap"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-expand-button" title="Expand Code" style="display: none;"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-copy-button" title="Copy"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><div class="crayon-button crayon-popup-button" title="Open Code In New Window"><div class="crayon-button-icon" style="background-size: 48px 128px; background-image: url("https://cuiqingcai.com/wp-content/plugins/crayon-syntax-highlighter/css/images/toolbar/buttons@2x.png");"></div></div><span class="crayon-language">MySQL</span></div></div>
<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">DROP TABLE IF EXISTS `dd_chaptername`;
CREATE TABLE dd_chaptername
(
id
int(11) NOT NULL AUTO_INCREMENT,
xs_chaptername
varchar(255) DEFAULT NULL,
xs_content
text,
id_name
int(11) DEFAULT NULL,
num_id
int(11) DEFAULT NULL,
url
varchar(255) DEFAULT NULL,
PRIMARY KEY (id
)
) ENGINE=InnoDB AUTO_INCREMENT=2726 DEFAULT CHARSET=gb18030;
SET FOREIGN_KEY_CHECKS=1;
1
2
3
4
5
6
7
8
9
10
11
|
DROP
TABLE
IF EXISTS
dd_chaptername ;
CREATE
TABLE
dd_chaptername
(
id
int(11)
NOT NULL
AUTO_INCREMENT,
xs_chaptername
varchar(255)
DEFAULT
NULL,
xs_content
text,
id_name
int(11)
DEFAULT
NULL,
num_id
int(11)
DEFAULT
NULL,
url
varchar(255)
DEFAULT
NULL,
PRIMARY KEY
(
id )
)
ENGINE
=
InnoDB
AUTO_INCREMENT
=2726
DEFAULT
CHARSET
=gb18030;
SET
FOREIGN_KEY_CHECKS
=1;
|
Sql.py:
不解释了哦!
下面是Pipeline:
有小伙伴注意,这儿比上面一个Pipeline少一个判断,因为我把判断移动到Spider中去了,这样就可以减少一次Request,减轻服务器压力。
改变后的Spider长这样:
别忘了在spider中导入Sql哦!ヾ(。 ̄□ ̄)ツ゜゜゜
到此收工!!!!
至于小说图片,因为Scrapy的图片下载管道,是自动以md5命名,而且感觉不爽··· 后面单独写一个异步下载的脚本···