学习心得:html
人生苦短,我用python,爬虫深海,我选scrapy。!!python
在学习scrapy的时候真的很累,不少时候看着都会困,由于基础不牢固,看着会感受有点累。。遇到问题一点点的查资料才能填补上,反复的看wusir的视频来学习。每次看都会学到新的东西就比如每次看python核心编程都能学到更多,补充本身不牢固,不知道的知识,总的来讲学习无捷径,只能经过本身认真的努力才能学到更多。别人帮你的始终都是有限的linux
爬虫框架 ---scrapyredis
什么是scrapy? 编程
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。 能够应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。windows
其最初是为了 页面抓取 (更确切来讲, 网络抓取 )所设计的, 也能够应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。api
scrapy的执行流程网络
Scrapy主要包括了如下组件:框架
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. 能够想像成一个URL(抓取网页的网址或者说是连接)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下载器是创建在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本身须要的信息, 即所谓的实体(Item)。用户也能够从中提取出连接,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、验证明体的有效性、清除不须要的信息。当页面被爬虫解析后,将被发送到项目管道,并通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,主要工做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。
流程异步
从调度列表中取出一个URL,抓取而且分析
把url封装成请求传给下载器
下载器把资源下载下来,封装成response
爬虫解析response
解析数据(item)而后交给管道进行持久化处理
scrapy的项目结构:
items.py 负责数据模型的创建,相似于实体类。
middlewares.py 本身定义的中间件。
pipelines.py 负责对spider返回数据的处理。
settings.py 负责对整个爬虫的配置。
spiders目录 负责存放继承自scrapy的爬虫类。
scrapy.cfg scrapy基础配置
Scrapy简单使用
1.安装
linux:
pip/pip3 install scrapy
windows:
pip install pywin32
pip install wheel
pip install twisted.whl#windows不能直接安装须要下载whl文件
pip install scrapy
2.建立项目
scrapy project project_name #建立项目
cd project_name
scrapy genspider 爬虫名字 爬虫网站#建立spider
scrapy crawl 爬虫名字 #运行 --nolog 不带日志
3.解析网页
Scrapy提取数据有本身的一套机制。它们被称做选择器(seletors),由于他们经过特定的 XPath 或者 CSS 表达式来“选择” HTML文件中的某个部分。
XPath 是一门用来在XML文件中选择节点的语言,也能够用在HTML上。 CSS 是一门将HTML文档样式化的语言。选择器由它定义,并与特定的HTML元素的样式相关连。
Scrapy选择器构建于 lxml 库之上,这意味着它们在速度和解析准确性上很是类似。
response.xpath('//div[@id="content-list"]/div[@class="item"]')
具体选择器使用 :http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/selectors.html#topics-selectors-ref
4.pipelines
from scrapy.exceptions importDropItemclassPipeline(object):def __init__(self,path):
self.f=None
self.path=path
@classmethoddeffrom_crawler(cls, crawler):
print('File.from_crawler')
path= crawler.settings.get('HREF_FILE_PATH')returncls(path)defopen_spider(self,spider):print('File.open_spider')
self.f= open(self.path,'a+')defprocess_item(self, item, spider):
print('File',item['href'])
self.f.write(item['href']+'\n')
raise DropItem()#后续的 pipeline的process_item方法再也不执行
defclose_spider(self,spider):
print('File.close_spider')
self.f.close()
调用pipelines须要在settings文件里找到ITEM_PIPELINES取消注释~
5.去重规则
1.将访问过的url标识保存到内存(redis)中
2.若是访问过则返回True,不然访问并把标识加入列表中
3.编写类
from scrapy.dupefilter importBaseDupeFilterfrom scrapy.utils.request importrequest_fingerprintclassDupeFilter(BaseDupeFilter):def __init__(self):
self.visited_fd=set()
@classmethoddeffrom_settings(cls, settings):returncls()defrequest_seen(self, request):
fd= request_fingerprint(request=request)if fd inself.visited_fd:returnTrue
self.visited_fd.add(fd)def open(self): #can return deferred
print('开始')def close(self, reason): #can return a deferred
print('结束')
4.在配置文件替换默认去重记录
#修改默认的去重规则#DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'
DUPEFILTER_CLASS = 'xdb.dupefilters.XdbDupeFilter'