目录
一、安装和文档:
- 安装:通过
pip install scrapy
即可安装。 - Scrapy官方文档:http://doc.scrapy.org/en/latest
- Scrapy中文文档:http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html
注意:
- 在
ubuntu
上安装scrapy
之前,需要先安装以下依赖:sudo apt-get install python3-dev build-essential python3-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
,然后再通过pip install scrapy
安装。- 如果在
windows
系统下,提示这个错误ModuleNotFoundError: No module named 'win32api'
,那么使用以下命令可以解决:pip install pypiwin32
。
二、快速入门:
1、创建项目:
要使用Scrapy
框架创建项目,需要通过命令来创建。首先进入到你想把这个项目存放的目录。然后使用以下命令创建:
scrapy startproject [项目名称]
2、目录结构介绍:
以下介绍下主要文件的作用:
- items.py:用来存放爬虫爬取下来数据的模型。
- middlewares.py:用来存放各种中间件的文件。
- 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(比如请求头、多久发送一次请求、ip代理池等)。
- scrapy.cfg:项目的配置文件。
- spiders包:以后所有的爬虫,都是存放到这个里面。
3、使用Scrapy框架爬取糗事百科段子:
使用命令创建一个爬虫:
进入到项目所在的路径,执行命令 scrapy genspider [爬虫名] [爬虫域名].注意, 爬虫名字不能和项目名称一致。
scrapy gensipder qsbk_spider "qiushibaike.com"
创建了一个名字叫做 qsbk_spider
的爬虫,并且能爬取的网页只会限制在 qiushibaike.com
这个域名下。
爬虫代码解析:
import scrapy
class QsbkSpiderSpider(scrapy.Spider):
name = 'qsbk_spider'
allowed_domains = ['qiushibaike.com']
start_urls = ['http://qiushibaike.com/']
def parse(self, response):
pass
其实这些代码我们完全可以自己手动去写,而不用命令。只不过是不用命令,自己写这些代码比较麻烦。
要创建一个Spider,那么必须自定义一个类,继承自scrapy.Spider
,然后在这个类中定义三个属性和一个方法。
- name:这个爬虫的名字,名字必须是唯一的。
- allow_domains:允许的域名。爬虫只会爬取这个域名下的网页,其他不是这个域名下的网页会被自动忽略。
- start_urls:爬虫从这个变量中的url开始。
- parse:引擎会把下载器下载回来的数据扔给爬虫解析,爬虫再把数据传给这个
parse
方法。这个是个固定的写法。这个方法的作用有两个,第一个是提取想要的数据。第二个是生成下一个请求的url。
修改settings.py
代码:
在做一个爬虫之前,一定要记得修改setttings.py
中的设置。两个地方是强烈建议设置的。
ROBOTSTXT_OBEY
设置为 False。默认是True。即遵守机器协议,那么在爬虫的时候,scrapy首先去找robots.txt文件,如果没有找到。则直接停止爬取。
DEFAULT_REQUEST_HEADERS
添加User-Agent
。这个也是告诉服务器,我这个请求是一个正常的请求,不是一个爬虫。
简单运行爬虫:
在项目根目录下执行命令来运行爬虫代码:scrapy crawl qsbk_spider
完成的爬虫代码:
-
爬虫部分代码:
import scrapy from scrapy.http.response.html import HtmlResponse from scrapy.selector.unified import SelectorList from qsbk.items import QsbkItem class QsbkSpiderSpider(scrapy.Spider): name = 'qsbk_spider' allowed_domains = ['qiushibaike.com'] start_urls = ['https://www.qiushibaike.com/text/page/1/'] def parse(self, response): # SelectorList duanziDivs = response.xpath("//div[@class='col1 old-style-col1']/div") for duanziDiv in duanziDivs: # duanziDiv 类型: Selector auther = duanziDiv.xpath(".//h2/text()").get().strip() content = duanziDiv.xpath(".//div[@class='content']//text()").getall() content = "".join(content).strip() item = QsbkItem(auther=auther, content=content) # duanzi = {"auther": auther, "content": content} # 方法将返回一个生成器 yield item
-
items.py部分代码:
import scrapy class QsbkItem(scrapy.Item): auther = scrapy.Field() content = scrapy.Field()
-
pipeline部分代码:
import json class QsbkPipeline: def __init__(self): self.fp = open("duanzi.json", "w", encoding="utf-8") def open_spider(self, spider): print("爬虫开始。。。。") def process_item(self, item, spider): item_json = json.dumps(dict(item), ensure_ascii=False) self.fp.write(item_json + "\n") return item def close_spider(self, spider): print("爬虫结束。。。") self.fp.close()
运行scrapy项目:
运行scrapy项目。需要在终端,进入项目所在的路径,然后scrapy crawl [爬虫名字]
即可运行指定的爬虫。如果不想每次都在命令行中运行,那么可以把这个命令写在一个文件中。以后就在pycharm中执行运行这个文件就可以了。比如现在新创建一个文件叫做start.py
,然后在这个文件中填入以下代码:
from scrapy import cmdline
# 下面是等价的
cmdline.execute(["scrapy", "crawl", "qsbk_spider"])
# cmdline.execute("scrapy crawl qsbk_spider".split())
Scrapy框架爬取糗事百科段子总结
1、response 是一个 scrapy.http.response.html.HtmlResponse 对象。可以执行 xpath 和 css 语法来提取数据。
2、提取出来的数据,是一个 Selector 或是一个 SelectorList 对象。如果想要获取其中的字符串,那么应该执行 getall 或者 get 方法
3、getall 方法 :获取 Selector 中所有的文本。返回的是一个列表
4、get 方法:获取的是 Selector 中的第一个文本。返回的是一个 str 类型。
5、如果数据解析回来,要传给 pipeline 处理,那么可以使用 yield 来返回。或者是收集所有的 item. 最后统一使用 return 返回。
6、item:建议在 items.py 中定义号模型,以后就不要使用字典。
7、pipeline: 这是一个专门用来保存数据的,其中三个方法是经常用到:
open_spoder(self, spider):当爬虫被打开时候执行。
process_spider(self, item, spider): 当爬虫有 item 传过来的时候会被调用。
close_spider(self, spider):当爬虫关闭的时候会被调用
注意:要激活 pipeline ,应该在 setting.py 中,设置 ITEM_PIPELINE。示例如下
# pipelines 和 优先级, 优先级值越小,越先运行
ITEM_PIPELINES = {
'qsbk.pipelines.QsbkPipeline': 300,
}
4、优化数据存储方式
JsonItemExporter 和 JsonLinesItemExporter
保存json 数据的时候,可以使用这个两个类,让操作变得更简单:
(1)JsonItemExporter
这个是每次把数据添加到内存中,最后统一写入到磁盘中。
好处是,存储的是一个满足json规则的数据。
坏处是,如果数据量比较大,那么比较耗内存
from scrapy.exporters import JsonItemExporter
class QsbkPipeline:
def __init__(self):
self.fp = open("duanzi.json", "wb")
self.exporter = JsonItemExporter(self.fp, encoding="utf-8", ensure_ascii=False )
def open_spider(self, spider):
print("爬虫开始。。。。")
self.exporter.start_exporting()
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
def close_spider(self, spider):
print("爬虫结束。。。")
self.exporter.finish_exporting()
self.fp.close()
(2)JsonLinesItemExporter
这个是每次调用 export_item 的时候把这个item 存储到硬盘中。
好处是,每次处理数据的时候,就直接存储到硬盘中,不会消耗内存,数据也比较安全
坏处是,每一个字典是一行,整个文件不是一个满足json格式的文件
from scrapy.exporters import JsonLinesItemExporter
class QsbkPipeline:
def __init__(self):
self.fp = open("duanzi.json", "wb")
self.exporter = JsonLinesItemExporter(self.fp, encoding="utf-8", ensure_ascii=False )
def open_spider(self, spider):
print("爬虫开始。。。。")
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
def close_spider(self, spider):
print("爬虫结束。。。")
self.fp.close()
5、抓取多个页面
import scrapy
from scrapy.http.response.html import HtmlResponse
from scrapy.selector.unified import SelectorList
from qsbk.items import QsbkItem
class QsbkSpiderSpider(scrapy.Spider):
name = 'qsbk_spider'
allowed_domains = ['qiushibaike.com']
start_urls = ['https://www.qiushibaike.com/text/page/1/']
base_domain = "https://www.qiushibaike.com"
def parse(self, response):
# SelectorList
duanziDivs = response.xpath("//div[@class='col1 old-style-col1']/div")
for duanziDiv in duanziDivs:
# duanziDiv 类型: Selector
auther = duanziDiv.xpath(".//h2/text()").get().strip()
content = duanziDiv.xpath(".//div[@class='content']//text()").getall()
content = "".join(content).strip()
item = QsbkItem(auther=auther, content=content)
# duanzi = {"auther": auther, "content": content}
# 方法将返回一个生成器
yield item
next_url = response.xpath("//ul[@class='pagination']/li[last()]/a/@href").get()
if not next_url:
return # 访问到最后一页没有“下一页”按钮,最后一个 li 没有 href
else:
# 重启创建一个请求,让调度器处理
yield scrapy.Request(self.base_domain + next_url, callback=self.parse)