Scrapy框架

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，我们只需要实现少量的代码，就能够快速的抓取

scrapy的爬虫流程

[外链图片转存失败(img-UW77YZJa-1562765760037)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\流程.jpg)]

scrapy 入门

1. 创建一个爬虫项目——scrapy starproject mySpider
2. 生成一个爬虫—— scrapy genspider baidu baidu.com (前面为爬虫名，后面为爬取范围)
3. 提取数据——完善spider，使用xpath等方法
4. 保存数据——pipeline中保存数据

创建一个爬虫项目

scrapy startproject +<项目名字>
scrapy startproject myspider

[外链图片转存失败(img-tsQRnUdB-1562765760042)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\项目.jpg)]

生成一个爬虫

scrapy genspider  +<爬虫名字> + <允许爬取的域名>
scrapy genspider itcast “itcast.cn”

[外链图片转存失败(img-VcGKHSA8-1562765760062)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\爬虫2.jpg)]

完善spider

[外链图片转存失败(img-Zm6hzj1M-1562765760067)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\完善spider.jpg)]

• 从选择器中提取数据：
  • extract()：返回一个包含字符串数据的列表
  • extract_first()：返回列表中的第一个字符串
• 注意：
  • spider中的parse方法名不可以修改
  • 需要爬取的url地址必须属于allow_domain 下的链接
  • response.xpath() 返回的是一个含有 selector 对象的列表

spider的数据传到pipeline

[外链图片转存失败(img-m4U9Tdbr-1562765760071)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\数据传输.jpg)]

• yield 可以让整个函数变成一个生成器，每次遍历的时候挨个读到内存中，不会占用太多内存

pipeline的使用

[外链图片转存失败(img-L2eowSWk-1562765760072)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\pipeline.jpg)]

• 写完pipeline后，还需在setting中打开

  [外链图片转存失败(img-U6dpO7Xw-1562765760076)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\pipeline2.jpg)]

简单设置LOG

• 为了方便在终端观察，可以在setting中添加一行LOG_LEVEL = "WARNING”来设置log显示的级别
• 普通项目中设置log
  • import logging
  • logg.basicConfig(...) ==>设置日志输出的样式，格式
  • 实例化一个logger = logging.getLogger(__name__)
  • 在任何py文件中调用logger即可

实现翻页请求

• 提取下一页地址

  next_url = '....'
  if next_url != '...'  # 判断是否有下一页
  	yield scrapy.Request(next_url,callback=self.parse)
  	# scrapy.Request能构建一个request，同时指定提取数据的callback函数
  

• url解码：urllib.parse 中的 unquote模块

• scrapy.Request(url[,callback,method='GET',hedders,body,cookies,meta，dont_filter=False])
  

  callback：指定传入的url交给哪个解析函数去处理

  meta：实现不同解析函数中传递数据，默认会携带部分信息

  dont_filter：让scrapy的去重不会过滤当前url，scrapy默认有url去重

Item的使用

• 整个类可以理解为一个字典

• 可以定义多字典存不同的数据

• 在把数据交给pipeline的时候，可以通过isintance(item.xxxItem),来判断数据是属于哪个item，进行不同的处理

• item

  class YangguangItem(scrapy.Item):
      title = scrapy.Field()
      href = scrapy.Field()
      publish_date = scrapy.Field()
      content_img = scrapy.Field()
      content = scrapy.Field()
  

• Spider

  from yangguang.items import YangguangItem
  item = YangguangItem() # 实例化一个自定义的item item的操作和字典一样
  

Scrapy shell

• scrapy shell 是一个交互终端，可以调试代码，测试xpath表达式

• 进入shell：scrapy shell url

• 使用：

  response.url	当前响应的url地址
  response.request.url	当前响应对应的请求的url地址
  response.headers	响应头
  response.body	响应体，也就是html代码，默认是byte类型
  response.requests.headers	当前响应的请求头

• xpath使用：response.xpath()

注意

• Scrapy中是多线程的，所以在传数据时，在不同网页抓取的数据会覆盖之前的数据，这时，在传递保存数据的字典或其它时，可以先将该字典深拷贝下(deecopy(item)),这样就不会影响之前的数据结果

CrawlScrapy

• 可以更为方便的提取url地址

• 生成crwalspider： scrapy genspider –t crawl csdn “csdn.cn”

  相比于生成一个普通的spider，就多了 `-t crawl

• [外链图片转存失败(img-FU2hws6J-1562765760081)(C:\Users\acer\Documents\GitHub\FXHao.github.io\images\posts\scrapy\crawlspider.jpg)]

  LinkExtractor：连接提取器，提取url地址

  callback ：提取出来的url交给callback 处理，不需处理也可以不指定

下载中间件

• 使用方法：

  • 编写一个Downloader Middlewares和我们编写一个pipeline一样，定义一个类，然后在setting中开启

  • Downloader Middlewares默认的方法：

    • process_request(self,request, spider)：当每个request通过下载中间件时，该方法被调用。
    • process_response(self,request, response, spider)：当下载器完成http请求，传递响应给引擎的时候调用

    class RandomUserAgent(object):
    	def process_request(self,request,spider):
          useragent = random.choice(USER_AGENTS)
          request.headers["User-Agent"] = useragent
          # ===>添加自定义的UA，给request的headers赋值即可
    

    class ProxyMiddleware(object):
       def process_request(selfs,request,spider):
          request.meta["proxy"] = 'http://xxxxxxxx'
          # ===>添加代理，需要request的meta信息中添加proxy字段