1.Scrapy框架
框架结构
引擎(Scrapy): 用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler): 用来接受引擎发过来的请求, 压入队列中, 并在引 擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接) 的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader): 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders): 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline): 负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares): 位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares): 介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares): 介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
执行流程
1.Spider的yield将requests发送给Engine
2.Engine对requests不做任何的处理就发送给Scheduler
3.Scheduler(url调度器),生成requests交给Engine
4.Engine拿到requests,通过middleware进行层层过滤发送给Downloader
5.downloader在网上获取到response数据之后,又经过middleware进行层层过滤发送给Engine
6.Engine获取到response之后,返回给Spider,Spider的parse()方法对获取到的response数据进行处理解析出items或者requests
7.将解析出来的items或者requests发送给Engine
8.Engine获取到items或者requests,将items发送给ITEMPIPELINES,将requests发送给Scheduler
各器件间的流转
其流程可以描述如下:
1.爬虫中起始的url构造成request对象–>爬虫中间件–>引擎–>调度器
2.调度器把request–>引擎–>下载中间件—>下载器
3.下载器发送请求,获取response响应---->下载中间件---->引擎—>爬虫中间件—>爬虫
4.爬虫提取url地址,组装成request对象---->爬虫中间件—>引擎—>调度器,重复步骤2
5.爬虫提取数据—>引擎—>管道处理和保存数据
初步使用步骤
1.安装
ubuntu
sudo apt-get update
sudo apt-get install python-pip python-lxml python-crypto python-cssselect python-openssl python-w3lib
python-twisted python-dev libxml2-dev libxsltl-dev zliblg-dev libffi-dev libssl-dev
sudo python -m pip install scrapy
sudo python -m pip install --upgrade scrapy
sudo python3 -m pip install Scrapy
//数据保存
sudo python3 -m pip isntall scrapy-redis
//抓取动态数据
sudo python3 -m pip isntall scrapy-splash
//地址伪装
sduo python3 -m pip install fake-useragent
2.Scrapy shell的使用
sudo scrapy shell -s USER_AGENT=“Mozilla/5.0”
sudo scrapy shell -pdb http://www.baidu.com
scrapy shell http://www.baidu.com
response.body[:50]
response.xpath('//h1/text()').extract()
response.xpath('//h1').extract()
response.xpath('//-*[itemprop="price"]').extract
response.xpath('//-*[itemprop="price"][1]/text()').re('[.0-9]+')
response.xpath('.')
response.css('.ad-price')
response.css('.ad-price').xpath('text()')
注意
对于scrapy.selector.unified.SelectorList对象
get() == extract_first()
返回的是一个list,里面包含了多个string,如果只有一个string,则返回['我很孤独']这样的形式
getall() == extract()
返回的是string,list里面第一个string
3.项目建立
sudo scrapy satrtproject <proname>
cd <proname>
tree
创建爬虫
scarpy genspider basic <webname>
爬虫运行
scrapy parse --spider=basic <webname>
保存
scarpy crawl name -o items.json
运行
scrapy crawl fang
scrapy check basic
response.css('.ad-price').xpath('text()').re('[.0-9]+')