scrapy框架
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。它使用,Twisted这个异步网络库来处理网络通信,架构清晰,并且包含了各种中间件接口,可以灵活的完成各种需求。
scrapy原理
1. scrapy组件
- 引擎(Engine):用于处理整个系统的数据流,触发事件。
- 调度器(Scheduler):用来接受引擎发过来的请求,并压入队列中,当引擎再次请求的时候返回。相当于一个URL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。
- 爬虫(Spiders):用于从特定的网页中提取自己需要的信息,即所谓的实体。用户也可以从中提取出链接,让scrapy继续爬取下一个页面。
- 项目管道(Pipeline):处理爬虫从网页中提取的实体,主要功能是1)持久化实体;2)验证实体的有效性;3)清除不需要的信息。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数处理数据。
- 下载器中间件(Downloader Middlewares):位于引擎和下载器之间的框架,用于处理引擎和下载器之间的请求和响应。
- 爬虫中间件(Spider Middlewares):介于引擎和Spider之间的框架,主要工作是处理Spider的响应输入和请求输出。
- 调度中间件(Scheduler Middlewares):介于引擎和调度中间的中间件,从引擎发送到调度的请求响应。
2. 运行流程
- 引擎从调度器取出一个链接(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;
- 下载器吧资源下载下来,并封装成应答包(Response);
- 爬虫解析Response;
- 解析出实体,并交给实体管道进行进一步处理;
- 解析出的是链接(URL),这把URL交给调度器等待爬取;
3. 创建项目
1). Windows:打开cmd,进入要创建项目的目录,使用以下命令:scrapy startproject 项目名
2). 创建爬虫: scrapy genspider 爬虫名 网站域名
。要在创建的项目的目录下运行,创建完成后,文件在\weiboSpider\weiboSpider\spiders
目录下(weiboSpider是项目名)。
注意: 爬虫名不能和项目名相同;网站域名是允许爬虫采集的域名。
# weibo.py
# 导入scrapy
import scrapy
# 创建爬虫类,并且继承scrapy。Spider
class WeiboSpider(scrapy.Spider):
name = 'weibo' # 爬虫名字,必须唯一
allowed_domains = ['m.weibo.cn'] # 允许采集域名
start_urls = ['http://m.weibo.cn/'] # 开始采集的网站
# 解析响应数据,提取数据或者网址等;
# response:网页源码
def parse(self, response):
pass
注: 如果使用POST提交方法,start_urls = ['http://m.weibo.cn/']
可以不写,但是要重写start_requests()
方法。例如:
def start_requests(self):
# 重新指定url
url = "...."
# 请求的参数
data = {"k1":"v1", "k2": "v2"}
yield scrapy.FormRequest(
url=url,
formdata=data,
callback=self.parse # callback是回调函数,当请求的数据返回时,交给当前类下的parse()函数处理
)
3)文件目录
weibo.py
就是创建的爬虫,这里主要是解析网页
items.py
主要用于处理数据
4. Selector选择器
- scrapy提供了自己的数据解析方法,即Selector选择器;
- Selector选择器是基于lxml来构建的,支持xpath、CSS选择器以及正则表达式,功能全面,解析速度和准确度非常高。
(1)直接使用