3、scrapy基本概念介绍

本篇介绍scrapy的命令行工具、重要组件和重要对象。

scrapy 命令行工具

• help：帮助信息（scrapy –help）
• version：版本信息，可以添加-v查看scrapy各个组件的信息（scrapy version -v）
• startproject：新建一个工程（scrapy startproject example）
• genspider：产生一个spider（scrapy genspider example example.com）
• list：查看本工程中包含的spiders
• view：在浏览器中打开网页，这个网页就是scrapy处理的网页（scrapy view http://example.com）
• parse：解析一个URL（使用对应的spider），打印结果
• shell：可交互的scrapy爬取控制台
• runspider：运行一个自包含的爬虫，即没有创建工程
• bench：基准测试

scrapy的重要组件

Spider

基本介绍

Spider是一个类，它定义了怎样爬取一个网站，包括怎样跟踪链接、怎样提取数据。

执行流程：
- 根据start_urls产生初始Requests
- 解析responce
- 使用selector
- 存储items

zaobao Spider

基类介绍(scrapy.Spider)

• 属性
  
  • name：spider的名称，同一工程中唯一
  • allowed_domains：允许的域名
  • start_urls：初始urls
  • custom_settings：个性化设置，覆盖全局设置（settings.py）
  • crawler：抓取器，spider将绑定到它上面
  • settings：配置实例，包含工程中所有的配置变量
  • logger：日志实例
• 方法
  
  • from_crawler(crawler, *args, **kwargs)：类方法，用于创建spiders
  • start_requests()：生成初始的requests
  • make_requests_from_url(url)：根据url生成一个request
  • parse(response)：解析网页内容
  • log(message[, level, component])：兼容老版本
  • self.logger.info(“log内容”)
  • closed(reason)：当spider关闭的时候调用的方法

子类介绍

CrawlerSpider

• 最常用的spider，用于抓取普通网页
• 和基类比较增加了两个成员
  
  • rules：定义了一些抓取规则（链接怎么跟踪、使用哪一个parse函数解析此链接）
  • parse_start_url(response)：解析初始url产生的response

示例

XMLFeedSpider

CSVFeedSpider

SitemapSpider

Selector

scrapy默认使用Selector作为网页解析工具

实例化

常用方法

1. xpath
2. css
3. re
4. extract
5. extract_first

Item

示例

import scrapy


class Product(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    stock = scrapy.Field()

Item Pipeline

作用

1. 清洗HTML数据
2. 验证抓取到的数据（检查是否有数据）
3. 检查是否重复（然后丢弃重复数据）
4. 存储数据到数据库中

示例

from scrapy.exceptions import DropItem


class PricePipeline(object):
    vat_factor = 1.15

    def process_item(self, item, spider):
        if item['price']:
            if item['price_excludes_vat']:
                item['price'] = item['price'] * self.vat_factor
                return item
        else:
            raise DropItem("Missing price in %s" % item)

激活pipeline

在settings.py里面设置

ITEM_PIPELINES = {
    'myproject.pipelines.PricePipeline': 300
}

优先级0-1000，越小越优先

Feed exports

存储抓取到的数据

• json
• json lines
• csv
• xml

scrapy的重要对象

Request

• scrapy.http.Request的初始化参数
  
  • url：必须
  • callback
  • method=‘GET’
  • headers
  • body
  • cookies
  • meta
  • encoding=’utf-8’
  • priority=0
  • don’t_filter=False
  • errback
• 其它属性
  
  • url
  • method
  • headers
  • body
  • cookies
  • meta
  • copy()
  • replace()

示例

- 子类
FormRequest实现登陆功能

class scrapy.http.FormRequest(url[, formdata…])

示例

Response

1. scrapy.http.Response的初始化参数
   
   • url：必须参数
   • status=200
   • headers
   • body
   • flags
2. 其他成员
   
   • url
   • status
   • headers
   • body
   • resquest
   • meta
   • flags
   • copy()
   • replace()
   • urljoin(url)
3. 子类
   
   • scrapy.http.TextResponse(它有两个子类)
   • scrapy.http.HtmlResponse
   • scrapy.http.XmlResponse