1、 是什么?
是一个非常强大的爬虫框架,框架,已经为你实现了好多功能,你只需要将你的精力放到自己的业务逻辑中即可。多进程、多线程、去重队列,框架为你实现好了,你不用管。底层语言使用python实现的,所以你可尝试看源码学习它
2、安装:pip install scrapy
3、认识框架
引擎(engine)、调度器(scheduler)、爬虫(spiders)、管道(pipeline)、下载器(downloader)
4、工作原理
见百鸟朝凤图
5、使用
(1)新建工程
scrapy startproject xxx
(2)认识目录结构
firstbloodpro 总的工程目录
firstbloodpro 工程目录
pycache 缓存文件
spiders 爬虫核心目录
pycache 缓存文件
init.py 包的标记
lala.py 爬虫文件()
init.py 包的标记
items.py 定义数据结构的地方()
middlewares.py 中间件()
pipelines.py 管道文件()
settings.py 配置文件(*)
scrapy.cfg 工程配置文件,一般不用
(3)新建爬虫文件
cd firstbloodpro
scrapy genspider 爬虫名字 爬取域名
(4)认识爬虫文件
见代码
(5)启动爬虫
cd firstbloodpro/firstbloodpro/spiders
scrapy crawl 爬虫名字
修改settings.py文件,修改ua和robots.txt协议
(6)认识response对象
response.text 字符串格式内容
response.body 字节格式内容
response.url 请求的url
response.headers 响应头
response.status 状态码
(7)输出指定格式文件
scrapy crawl qiubai -o qiubai.json
scrapy crawl qiubai -o qiubai.xml
scrapy crawl qiubai -o qiubai.csv
输出csv中间有空行,自己网上搜一把
6、yield item和请求
首先定义数据结构
这种对象直接当作字典使用,而且可以通过dict快速的转化为字典
将item扔给管道进行处理
爬取其它页面数据
7、scrapy shell
是什么?是scrapy的一个终端调试工具,以后写xpath的步骤就是现在这下面调试好,然后再贴到代码中
如何使用?
再任意终端界面下,输入执行 scrapy shell url 即可
特殊情况,进不去的,新建一个工程,配置好之后,再scrapy shell url 进去
ret = response.xpath()
ret[0].extract() === ret.extract()[0] == ret.extract_first()
ret = response.css(选择器)
获取属性
ret = response.css(’#content-left > div > div > a > img::attr(src)’)
获取内容
ret = response.css(’#content-left > div h2::text’)
哪个效率高呢,xpath效率高
8、日志信息和错误等级
五个等级
CRITICAL
ERROR
WARNING
INFO
DEBUG
默认的级别是DEBUG
LOG_LEVEL = 'ERROR
LOG_FILE = ‘log.txt’
9、发送post请求
scrapy.FormRequest(url=url, formdata=xxx, callback=self.xxx)
如果向一上来就发送post,重写一个方法 start_requests