『scrapy爬虫』01. 安装环境创建示例项目（保姆级图文）

---

欢迎关注 『scrapy爬虫』 专栏，持续更新中
欢迎关注 『scrapy爬虫』 专栏，持续更新中

框架结构

初学者一般从爬虫（Spider）开始,这里编写我们的爬虫代码.

Scrapy 框架的主要组成部分和结构：

• 引擎（Engine）：引擎负责处理整个系统的数据流控制，触发事件，以及执行整个爬虫流程。
• 调度器（Scheduler）：调度器负责接收引擎发送过来的请求，并按照一定策略将请求入队，等待引擎处理。
• 下载器（Downloader）：下载器负责下载网页内容，并将下载得到的页面数据返回给引擎，通常使用异步方式实现并支持多线程下载。
• 爬虫（Spider）：爬虫定义了如何爬取特定网站（或特定页面），包括如何从网页中提取结构化数据，Scrapy 中可以定义多个爬虫。
• 项目管道（Item Pipelines）：项目管道负责处理爬取的数据，可以进行数据清洗、验证、存储等操作，可以定义多个管道，数据会依次经过这些管道处理。
• 中间件（Middleware）：中间件是在引擎和下载器之间的钩子框架，可以在请求和响应的不同阶段对它们进行拦截和处理，比如可以用来添加自定义的 User-Agent、代理、重试机制等。
• 项目配置文件（Settings）：项目配置文件包含了 Scrapy 爬虫的各种配置选项，如爬取速度、并发数、延迟时间、日志级别等。

1. 安装库

• 建议用国内源,因为库包比较大,国外源下载慢.

pip install scrapy

• 检查版本号,看看一些常用命令

scrapy -version

• 常用命令如下:
  bench：用于运行快速基准测试，可以帮助你评估 Scrapy 的性能表现。

fetch：使用 Scrapy 下载器获取特定 URL 的内容，并将内容输出到标准输出或指定文件中。

genspider：根据预定义的模板生成新的爬虫文件，简化了创建新爬虫的过程。

runspider：运行一个独立的爬虫，无需创建一个完整的项目，适用于一次性的简单爬取任务。

settings：获取当前 Scrapy 项目的设置值，可以用来查看当前项目的配置信息。

shell：启动交互式的 Scrapy 控制台，方便开发者在其中测试和调试爬虫代码。

startproject：创建一个新的 Scrapy 项目，包括必要的目录结构和文件模板。

version：打印当前安装的 Scrapy 版本信息。

view：在浏览器中打开指定 URL，可以帮助开发者查看网页在 Scrapy 中的抓取结果。

---

2. 创建项目

• 如图所示创建项目成功,确保你找的到当前的文件夹,建议你cd到一个方便的文件夹后再进行下面的操作.

scrapy startproject 英文项目名
scrapy startproject myscrapy 

• 创建指定爬虫

根据前面的提示cd到我们刚刚新建的项目文件夹
cd myscrapy

然后新建指定网页的爬虫项目

scrapy genspider 爬虫文件名 爬虫的url
scrapy genspider baidu baidu.com

在myscrapy\myscrapy\spiders目录下可以看到我们刚刚新建的爬虫

其内容 start_urls = ["http://baidu.com/"]对应前面的url

import scrapy


class BaiduSpider(scrapy.Spider):
    name = "baidu"
    allowed_domains = ["baidu.com"]
    start_urls = ["http://baidu.com/"]

    def parse(self, response):
        pass

---

3. 项目结构与开发环境

在pycharm中打开项目,并新建venv的虚拟环境,虚拟环境中再次安装scrapy库,个人建议用虚拟环境可以保证项目的相对独立性.

最后的项目结构

scrapy.cfg
project/
    __init__.py
    items.py
    pipelines.py
    settings.py
    middlewares.py 
    spiders/
        __init__.py
        spider1.py
        spider2.py
        ...

import scrapy

class BaiduSpider(scrapy.Spider):
    name = "baidu"
    allowed_domains = ["baidu.com"]# 限制或允许访问的域名列表
    start_urls = ["http://baidu.com/"] # 起始url

    def parse(self, response):
        pass

---

总结

大家喜欢的话，给个👍，点个关注！给大家分享更多计算机专业学生的求学之路！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2024 mzh

Crated：2024-3-1

欢迎关注 『scrapy爬虫』 专栏，持续更新中
欢迎关注 『scrapy爬虫』 专栏，持续更新中
『未完待续』

---