Scrapy：简单使用、xpath语法

简单使用

简介

Scrapy 是一个为了爬取网站信息，提取结构性数据而编写的应用框架，可以用于数据挖掘、检测和自动化测试。

架构

• 组件

  • ·引擎，指挥其他组件协同工作
  • 调度器 ，接收引擎发过来的请求，按照先后顺序，压入队列中，同时去除重复的请求
  • 下载器，用于下载网页内容，并将网页内容返回给爬虫
  • 爬虫，用于从特定网页中提取需要的信息
  • 项目管道，负责处理爬虫从网页中抽取的实体，主要的功能是持久化、验证实体的有效性、清除不需要的信息
  • 下载器中间件，介于引擎和下载器之间，主要处理Scrapy引擎与下载器之间的请求及响应
  • 爬虫中间件，介于引擎和爬虫之间，主要工作是处理爬虫的响应输入和请求输出

• 数据流

简单使用

爬取 起点中文网月票榜 的小说名称、作者、类型

安装

pip install scrapy

创建项目

scrapy startproject qidian_yuepiao

目录结构

实现
在spiders目录下创建爬虫源文件qidian_yuepiao_spider.py

scrapy genspider dingdian_xuanhuan https://www.xiaoshuopu.com/

其中scrapy genspider创建爬虫的命令，dingdian_xuanhuan爬虫名称，https://www.xiaoshuopu.com/要爬取的网站

想爬取起点的，但是有反爬，改成爬取 https://www.xiaoshuopu.com/class_1/

import scrapy


class DingdianXuanhuanSpider(scrapy.Spider):
    # 爬虫名称
    name = "dingdian_xuanhuan"
    # 允许的域名
    allowed_domains = ["www.xiaoshuopu.com"]
    # 起始URL列表
    start_urls = ["https://www.xiaoshuopu.com/class_1/"]

    def parse(self, response):
        # 小说列表
        novel_list = response.xpath("//table/tr[@bgcolor='#FFFFFF']")
        print("小说数量是：", len(novel_list))
        # 循环获取小说名称、最新章节、作者、字数、更新、状态
        for novel in novel_list:
            # 小说名称
            name = novel.xpath("./td[1]/a[2]/text()").extract_first()
            # 最新章节
            new_chapter = novel.xpath("./td[2]/a/text()").extract_first()
            # 作者
            author = novel.xpath("./td[3]/text()").extract_first()
            # 字数
            word_count = novel.xpath("./td[4]/text()").extract_first()
            # 更新
            update_time = novel.xpath("./td[5]/text()").extract_first()
            # 状态
            status = novel.xpath("./td[6]/text()").extract_first()
            
            # 将小说内容保存到字典中
            novel_info = {
                "name": name,
                "new_chapter": new_chapter,
                "author": author,
                "word_count": word_count,
                "update_time": update_time,
                "status": status
            }
            print("小说信息：",novel_info)
            
            # 使用yield返回数据
            yield novel_info
            

scrapy crawl dingdian_xuanhuan -o 玄幻.json

scrapy crawl爬虫的运行命令，dingdian_xuanhuan爬虫的名称，-o 玄幻.json输出格式，这个可以省略

支持的输出格式有：'json', 'jsonlines', 'jsonl', 'jl', 'csv', 'xml', 'marshal', 'pickle'

为什么使用yield返回数据

• 内存效率
  • 节省内存：当处理大量数据时，如果直接将所有数据存储在列表或其他容器中再一次性返回，可能会消耗大量的内存。而使用 yield 可以逐个生成和处理数据项，这样可以大大减少内存的占用。
  • 按需生成：生成器只在需要的时候生成下一个值，这使得程序更加高效，尤其是在处理大数据集时。
• 并发性和异步处理
  • 非阻塞：Scrapy 是基于 Twisted 异步网络库构建的，支持并发请求。使用 yield 可以使爬虫在等待某个请求响应时去处理其他任务，从而提高抓取效率。
  • 事件驱动：Scrapy 使用事件循环来管理多个请求和响应，yield 语句可以暂停当前函数的执行，让出控制权给事件循环，这样可以实现高效的异步操作。
• 数据流处理
• 管道化处理：在 Scrapy 中，你可以通过 yield 将数据传递到 Item Pipeline 进行进一步处理（如清洗、验证、存储等）。这种方式使得数据处理流程更加模块化和灵活。

xpath语法

简介

xpath 是一门在xml文档中查找信息的语言。html与xml结构类似，因此也可以用在html中

常用路径表达式

表达式	描述	示例
节点名称	选取此节点的所有子节点	div，p，h1
/	从根节点选取（描述绝对路径）	/html
//	不考虑位置，选取页面中所有子孙节点	//div
.	选取当前节点	./div
..	选取当前节点的父节点	h1/…/
@属性名	选取属性的值	@href
text()	获取元素中的文本节点	//h1/text()

示例

获取html元素

xpath("/html")

获取网页编码格式

xpath("//meta/@charset")

获取div的id属性值

xpath("//div/@id")

获取属性id为abc的div元素

xpath("//div[@id='abc']")

获取所有带有class属性的div元素

xpath("//div[@class]")

获取div节点中第一个p元素的文本

xpath("//div/p[1]/text()")

获取div节点中最后一个p元素的文本

xpath("//div/p[last()]/text()")