Python-Scrapy框架入门及基本使用

Scrapy基础知识

1、简介

官网简介：
Scrapy 是一个用于抓取网站和提取结构化数据的应用程序框架，可用于各种有用的应用程序，如数据挖掘、信息处理或历史存档

简而言之就是一个稳定、高效的爬虫框架，提高爬取效率，大型的爬虫项目都需要用到它。拓展性好，使用Twisted异步网络框架，极大的提升了下载速度。

2、五大组件

五大核心组件：

爬虫(Spider): 解析响应数据, 提取URL, 提取数据
引擎(Engine): 调度各个模块, 实现数据(请求,响应,数据)在各个模块间传递
调度器(Scheduler): 缓存请求, 请求去重
下载器(Downloader): 发送请求, 获取响应数据
管道(ItemPipline): 处理数据(爬虫提取的数据) , 比如保存数据

两个中间件：

下载器中间件(Downloader Middlewares): 在引擎 和 下载器之间, 作用:反反爬(对请求和响应处理)
爬虫中间件(Spider Middlewares): 在引擎 和 爬虫之间, 对请求和响应进行过滤的!

Scrapy内部基本流程：
1爬虫文件把请求（url）交给引擎，
2引擎把请求再交给调度器，调度器进行排序类似队列，
3调度器把请求再交给引擎，
4引擎把请求给下载器进行下载，
5下载器下载完把响应交给引擎，
6引擎把响应交给爬虫文件进行数据分析，
7爬虫文件把处理好的响应再交给引擎，
8引擎把响应给管道文件进行存储。

scrapy框架创建

1、创建scrapy项目

scrapy startproject 项目名称

scrapy genspider 文件名称 【域名】

使用pycharm打开终端操作

创建了一个名为“firstBlood”的scarpy项目

和一个名为“first”的爬虫文件

创建成功后;

2、简单入门

在first文件中已自动生成框架

import scrapy


class FirstSpider(scrapy.Spider):
    # 爬虫文件名称
    # 源文件的唯一标识，不可重复
    name = 'first'
    # 允许爬取的start_urls中的域名
    allowed_domains = ['www.xxx.com']
    # 想要爬取的url列表
    # 列表中url会被scrapy自动发送请求
    start_urls = ['https://www.baidu.com/', 'https://www.sogou.com/']

    # 进行数据解析，response参数表示的是请求成功后对应的响应对象
    def parse(self, response):
        print(response)

运行代码：

scrapy crawl first

结果

2021-06-09 15:35:51 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: firstBlood)
2021-06-09 15:35:51 [scrapy.utils.log] INFO: Versions: lxml 4.6.3.0, libxml2 2.9.5, cssselect 1.1.0, parsel 1.6.0, w3l
ib 1.22.0, Twisted 21.2.0, Python 3.8.5 (tags/v3.8.5:580fbb0, Jul 20 2020, 15:57:54) [MSC v.1924 64 bit (AMD64)], pyOp
enSSL 20.0.1 (OpenSSL 1.1.1k  25 Mar 2021), cryptography 3.4.7, Platform Windows-10-10.0.19041-SP0
2021-06-09 15:35:51 [scrapy.utils.log] DEBUG: Using reactor: twisted.internet.selectreactor.SelectReactor
2021-06-09 15:35:51 [scrapy.crawler] INFO: Overridden settings:
{'BOT_NAME': 'firstBlood',
 'NEWSPIDER_MODULE': 'firstBlood.spiders',
 'ROBOTSTXT_OBEY': True,
 'SPIDER_MODULES': ['firstBlood.spiders']}
2021-06-09 15:35:51 [scrapy.extensions.telnet] INFO: Telnet Password: 7c686a6d257d0ace
2021-06-09 15:35:52 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
 'scrapy.extensions.telnet.TelnetConsole',
 'scrapy.extensions.logstats.LogStats']
2021-06-09 15:35:52 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware',
 'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
 'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
 'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
 'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware',
 'scrapy.downloadermiddlewares.retry.RetryMiddleware',
 'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
 'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
 'scrapy.downloadermiddlewares.cookies.CookiesMiddleware',
 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
 'scrapy.downloadermiddlewares.stats.DownloaderStats']
2021-06-09 15:35:52 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
 'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
 'scrapy.spidermiddlewares.referer.RefererMiddleware',
 'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
 'scrapy.spidermiddlewares.depth.DepthMiddleware']
2021-06-09 15:35:52 [scrapy.middleware] INFO: Enabled item pipelines:
[]
2021-06-09 15:35:52 [scrapy.core.engine] INFO: Spider opened
2021-06-09 15:35:52 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/m
in)
2021-06-09 15:35:52 [scrapy.extensions.telnet] INFO: Telnet console listening on 127.0.0.1:6023
2021-06-09 15:35:52 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.baidu.com/robots.txt> (referer: None)
2021-06-09 15:35:52 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://www.baidu.co
m/>
2021-06-09 15:35:53 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.sogou.com/robots.txt> (referer: None)
2021-06-09 15:35:53 [scrapy.downloadermiddlewares.robotstxt] DEBUG: Forbidden by robots.txt: <GET https://www.sogou.co
m/>
2021-06-09 15:35:53 [scrapy.core.engine] INFO: Closing spider (finished)
2021-06-09 15:35:53 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'downloader/exception_count': 2,
 'downloader/exception_type_count/scrapy.exceptions.IgnoreRequest': 2,
 'downloader/request_bytes': 446,
 'downloader/request_count': 2,
 'downloader/request_method_count/GET': 2,
 'downloader/response_bytes': 1909,
 'downloader/response_count': 2,
 'downloader/response_status_count/200': 2,
 'elapsed_time_seconds': 1.56094,
 'finish_reason': 'finished',
 'finish_time': datetime.datetime(2021, 6, 9, 7, 35, 53, 982346),
 'httpcompression/response_bytes': 13288,
 'httpcompression/response_count': 2,
 'log_count/DEBUG': 4,
 'log_count/INFO': 10,
 'response_received_count': 2,
 'robotstxt/forbidden': 2,
 'robotstxt/request_count': 2,
 'robotstxt/response_count': 2,
 'robotstxt/response_status_count/200': 2,
 'scheduler/dequeued': 2,
 'scheduler/dequeued/memory': 2,
 'scheduler/enqueued': 2,
 'scheduler/enqueued/memory': 2,
 'start_time': datetime.datetime(2021, 6, 9, 7, 35, 52, 421406)}
2021-06-09 15:35:53 [scrapy.core.engine] INFO: Spider closed (finished)

没成功，因为权限被设置了，遵循了robot协议，要去配置中关掉

ROBOTSTXT_OBEY = False

不遵循协议

LOG_LEVEL = 'ERROR'

只显示错误提醒，和运行结果