scrapy爬取数据的基本流程及url地址拼接

 

说明：初学者，整理后方便能及时完善，冗余之处请多提建议，感谢！

 

了解内容：

Scrapy ：抓取数据的爬虫框架

 

 

异步与非阻塞的区别

 

异步：指的是整个过程，中间如果是非阻塞的，那就是异步过程；

非阻塞：关注拿到结果之前的状态 （如果拿到结果前在等待，是阻塞，反之，是非阻塞）

 

 

理解：

Scrapy 基本工作流程（简单--->复杂）

                            

            

                 每个模块间不通讯，模块之间通过引擎进行数据传输

 

   

 基本使用

 

一、创建spider

 

scrapy项目流程

---创建项目

    ---scrapy startproject  xxxx

---创建爬虫

    ---cd 项目目录下

    ---scrapy genspider   aaa    allowed_domains"”

        scrapy genspider  first_spider  jpdd.com

    　　first_spider   爬虫名字

   　　 jpdd.com     限制爬取数据的范围

--完善spider

    ---提取数据，提取url地址构成request对象

        xpath  extract_first()\extract()   response.meta      yield  scrapy.Requeest       

--完善管道 

--运行爬虫

    --- cd  项目目录   

    ---scrapy  crawl   first_spider

 

注意：避免爬虫名和项目名重复 ；

           不管在终端还是pycharm 都要切换到当前目录下 cd myspider

            allowed_domains : 限定爬取的范围

           

二、完善spider 

 

    ----  对数据的提取

    1、 Scray 中的parse 做什么用途？ 

            ---处理start_urls 中的url地址的响应

 

    2 、yiele 生成器的使用

             好处：遍历函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高

             通过yield传递数据给管道，（类似转发）

             yield能够传递的对象只能是：BaseItem, Request, dict, None

    

    3 、使用.extract()把response.xpath()提取的数据转化为字符串列表

            .extract()    返回一个含有字符串的列表，没有返回空列表

            .extract_first()   提取列表中的第一个字符串，如果不存在，返回None

 

----例：

yield的使用：使用多个yield 来传递需要的数据

 

 

上面的代码应该改成：yield item

 

4、 根据Response返回的url地址，对next_url的url地址进行拼接，构造请求,有5种方式

 

        第1种：手动字符串相加

        第2种：urllib.parse.urljoin(baseurl,url)  后面的url会根据baseurl进行url地址的拼接

        第3种：response.follow(url ,callback)   能够根据response的地址把url拼接完整，构造成Request对象，

                                                                      但这个方法在python 1.0后的版本中才有

        第4种(推荐)：response.urljoin(next_url)    更简洁、好用

        第5种：scrapy.Request(url,callback,meta,dont_filter)

 

---例：

# 第一种：手动拼接下一页url

 

#主站链接 用来拼接
    base_site = 'https://www.jpdd.com'

def parse(self,response):
    book_urls = response.xpath('//table[@class="p-list"]//a/@href').extract()

    for book_url in book_urls:
         url = self.base_site + book_url
         yield scrapy.Request(url, callback=self.getInfo)    

    #获取下一页
    next_page_url = self.base_site + response.xpath(
            '//table[@class="p-name"]//a[contains(text(),"下一页")]/@href'
            ).extract()[0]

    yield scrapy.Request(next_page_url, callback=self.parse)

 

使用urllib实现url地址拼接的原理：

        

 

 

三、完善管道 

       

  管道的设置也是以键值的形式

 

      

数据保存：可以是具体的item，也可以保存在文件中，如下2种方式

 

 第一种：

        

 

第二种：

  ------数字越小，表示离引擎越近，数据越先经过处理，反之 。

  -------使用多个管道时，前面的管道中要记得return  xx  不然后面的管道接收不到前面的数据，会返回none

 

四、item的使用

        

        为什么要单独定义item？

            定义item即提前规划好哪些字段需要抓取，scrapy.Field()仅仅是提前占坑，通过item.py能够让别人清楚自己的爬虫是在抓取什么数据；

　　     同时来提示哪些字段是需要抓取的，没有定义的字段不能使用，防止手误；

　　　 item不能直接存入mongodb中，需要转化为字典后再存储。

 

    　　Item使用之前需要先导入并且实例化，之后的使用方法和使用字典相同

1 2	from yanguan.items import YanguanItem item = YanguanItem() #实例化

　　

补充：

构造翻页请求

        meta 自身是个字典

          Scrapy.Request() ===>相当于构造了一个requests对象

 

scrapy.Request(url[,callback,method="GET",headers,body,cookies,meta,dont_filter=False])

参数说明：
括号中的参数为可选参数
callback：表示当前的url的响应交给哪个函数去处理
meta：实现数据在不同的解析函数中传递，meta默认带有部分数据，比如下载延迟，请求深度等
dont_filter:默认会过滤请求的url地址，即请求过的url地址不会继续被请求，对需要重复请求的url地址可以把它设置为Ture，比如贴吧的翻页请求，页面的数据总是在变化;start_urls中的地址会被反复请求，否则程序不会启动