Python网络爬虫（八）：Scrapy框架的使用

最新推荐文章于 2024-06-22 16:33:22 发布

图书馆的恶魔

最新推荐文章于 2024-06-22 16:33:22 发布

阅读量580

点赞数

分类专栏： Python

本文链接：https://blog.csdn.net/qq_21445981/article/details/78407912

版权

Python 专栏收录该内容

11 篇文章 1 订阅

订阅专栏

1.什么是Scrapy？

Scrapy，Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。
Scrap，是碎片的意思，这个Python的爬虫框架叫Scrapy。

以上来自百度百科，我们可以总结出这么一句话：Scrapy是一个爬虫框架。
对于框架，我的理解是一种固定的组织结构。平时我们写爬虫，无非分为这么几步:请求网页资源、分析数据、保存数据，一般的情况下，这些部分的代码都是混乱地堆砌在一个程序中；而Scrapy则提供了一种固定的框架，将爬虫分隔成了几个固定的模块，我们只需要按功能填入固定的代码即可。
Scrapy框架的好处是，使代码的逻辑更清晰，便于修改和管理，这一点对于复杂一点的爬虫来说甚为重要。

2.Scrapy的结构

这里写图片描述
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并将他们入队，以便之后引擎请求他们时提供给引擎。

下载器(Downloader)
下载器负责获取页面数据并提供给引擎，而后提供给spider。

Spiders
Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。每个spider负责处理一个特定(或一些)网站。更多内容请看 Spiders 。

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(例如存取到数据库中)。更多内容查看 Item Pipeline 。

下载器中间件(Downloader middlewares)
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。更多内容请看下载器中间件(Downloader Middleware) 。

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。更多内容请看 Spider中间件(Middleware) 。

数据流(Data flow)
Scrapy中的数据流由执行引擎控制，其过程如下:

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)。
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。
引擎向调度器请求下一个要爬取的URL。
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)。
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。
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。
Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
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。
(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。

3.如何使用Scrapy开发爬虫？

用Scrapy开发爬虫大致分为以下几步：

创建一个Scrapy项目
定义提取的Item
编写爬取网站的 spider 并提取 Item
编写 Item Pipeline 来存储提取到的Item(即数据)

首先，win + R , 进入您打算存储代码的目录中(cd 路径)，运行下列命令:
scrapy startproject tutorial
其中tutorial为自定义的工程名。
建好的工程目录如下：

tutorial/
scrapy.cfg
tutorial/
    __init__.py
    items.py
    pipelines.py
    settings.py
    spiders/
        __init__.py
        ...

其中，需要添加代码的主要是这几个模块：

items.py: 项目中的item文件.
在这里定义所要提取的数据的变量名，item其实是一个字典，用于存储获得的信息。

import scrapy

class DmozItem(scrapy.Item):
    title = scrapy.Field()
    link = scrapy.Field()
    desc = scrapy.Field()

spiders: 放置spider代码的目录.
这里是项目的核心，爬虫模块。这里设置了要爬的网站urls，发出Request，并进行数据的解析。

import scrapy

class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]

    def parse(self, response):
        filename = response.url.split("/")[-2]
        with open(filename, 'wb') as f:
            f.write(response.body)