python爬虫程序框架的理论是什么_Python网络爬虫(scrapy框架简介和基础应用)

一、什么是Scrapy？

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，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能(高性能异步下载，队列，分布式，解析，持久化等)的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

二、安装scrapy

Linux操作系统：

pip3 install scrapy

Windows操作系统：

a. pip3 install wheel

b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

d. pip3 install pywin32

e. pip3 install scrapy

三、scrapy基础使用

3.1 创建项目：

scrapy startproject 项目名称

scrapy.cfg 项目的主配置信息。(真正爬虫相关的配置信息在settings.py文件中)

items.py 设置数据存储模板，用于结构化数据，如：Django的Model

pipelines 数据持久化处理

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders 爬虫目录，如：创建文件，编写爬虫解析规则

项目目录结构：

项目结构：

project_name/scrapy.cfg：

project_name/

__init__.py

items.py

pipelines.py

settings.py

spiders/

__init__.py

3. 2 创建爬虫应用程序：

cd project_name(进入项目目录)

scrapy genspider 应用名称 爬取网页的起始url (例如：scrapy genspider qiubai www.qiushibaike.com)

3. 3 编写爬虫文件:

在步骤2执行完毕后，会在项目的spiders中生成一个应用名的py爬虫文件，文件源码如下：

importscrapyclassQiubaiSpider(scrapy.Spider):

name= 'qiubai' #应用名称

#允许爬取的域名(如果遇到非该域名的url则爬取不到数据)

allowed_domains = ['https://www.qiushibaike.com/']#起始爬取的url

start_urls = ['https://www.qiushibaike.com/']#访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll

defparse(self, response):print(response.text) #获取字符串类型的响应内容

print(response.body)#获取字节类型的相应内容

3.4 设置修改settings.py配置文件相关配置:

#修改内容及其结果如下：

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36' #伪装请求载体身份

ROBOTSTXT_OBEY= False #可以忽略或者不遵守robots协议

3.5 执行爬虫程序：

scrapy crawl  应用名称

#-*- coding: utf-8 -*-

importscrapyclassQiubaiSpider(scrapy.Spider):

name= 'qiubai'allowed_domains= ['https://www.qiushibaike.com/']

start_urls= ['https://www.qiushibaike.com/']defparse(self, response):#xpath为response中的方法，可以将xpath表达式直接作用于该函数中

odiv = response.xpath('//div[@id="content-left"]/div')

content_list= [] #用于存储解析到的数据

for div inodiv:#xpath函数返回的为列表，列表中存放的数据为Selector类型的数据。我们解析到的内容被封装在了Selector对象中，需要调用extract()函数将解析的内容从Selecor中取出。

author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()

content=div.xpath('.//div[@class="content"]/span/text()')[0].extract()#将解析到的内容封装到字典中

dic={'作者':author,'内容':content

}#将数据存储到content_list这个列表中

content_list.append(dic)return content_list

注意：

scrapy crawl 爬虫名称 ：该种执行形式会显示执行的日志信息

scrapy crawl 爬虫名称 --nolog：该种执行形式不会显示执行的日志信息