Scrapy框架介绍及基础示例
scrapy :
是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
特点:快速,简单,可扩展
Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下:
组件:
引擎(Scrapy)
用来处理整个系统的数据流, 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。
运行流程大概如下:
引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来,并封装成应答包(Response)
爬虫解析Response
解析出实体(Item),则交给实体管道进行进一步的处理
解析出的是链接(URL),则把URL交给调度器等待抓取
示例:
新建项目:
scrapy startproject xiaohua
cd xiaohua
scrapy genspider xiaohua xiaohuar.com
项目目录:
pro_name_dir/
scrapy.cfg # 部署配置文件
pro_name/ # project's Python module, you'll import your code from here
__init__.py
items.py # 设置数据存储模板,用于结构化数据,如:Django的Model
middlewares.py # 中间件文件
pipelines.py # 数据处理行为,如:一般结构化的数据持久化
settings.py # 项目配置文件
spiders/ # 爬虫目录,如:创建文件,编写爬虫规则
__init__.py
xiaohua.py
items.py
import scrapy
class XiaohuaPicItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field()
setttings.py
ITEM_PIPELINES = {
'xiaohua_pic.pipelines.XiaohuaPicPipeline': 100,
}
pipelins.py
import urllib
import os
class XiaohuaPicPipeline(object):
def process_item(self, item, spider):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}
req = urllib.request.Request(url=item['addr'], headers=headers)
# Python3.3之后urllib与urllib2合并,只能使用urllib.request/response代替urllib2
res = urllib.request.urlopen(req)
# 确保pic_dir目录真实存在
file_name = os.path.join(r'E:\python_project_dir\xiaohua_pic\pic_dir', item['name'] + '.jpg')
with open(file_name, 'wb') as fp:
fp.write(res.read())
xiaohua.py
# -*- coding: utf-8 -*-
import scrapy
import os
from scrapy.http import Request
from xiaohua_pic.items import XiaohuaPicItem
class XiaohuaSpider(scrapy.Spider):
name = 'xiaohua'
allowed_domains = ['xiaohuar.com']
start_urls = ['http://www.xiaohuar.com/hua/']
url_set = set()
def parse(self, response):
# 获取所有图片的a标签
if response.url.startswith("http://www.xiaohuar.com/list-"):
allPics = response.xpath('//div[@class="img"]/a')
for pic in allPics:
# 分别处理每个图片,取出名称及地址
item = XiaohuaPicItem()
name = pic.xpath('./img/@alt').extract()[0] # 提取获取名称
addr = pic.xpath('./img/@src').extract()[0] # 提取获取img的src
addr = 'http://www.xiaohuar.com' + addr
item['name'] = name
item['addr'] = addr
yield item # 返回爬到的信息
# 获取所有链接地址
urls = response.xpath("//a/@href").extract()
for url in urls:
# 筛选href为http://www.xiaohuar.com/list-的分页url,
if url.startswith("http://www.xiaohuar.com/list-"):
if url in XiaohuaSpider.url_set:
pass
else:
XiaohuaSpider.url_set.add(url)
yield self.make_requests_from_url(url) # 回调parse,将新url传入
# 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数
# from scrapy.http import Request
# Request(url,callback=self.parse)
else:
pass
运行:
scrapy crawl xiaohua
或cd spider
scrapy runspider xiaohua.py