scrapy框架原理
scrapy异步框架核心原理
同步异步
同步:下一个方法依赖于上一个方法的结果
异步:下一个方法不依赖于上一个方法的结果
同步爬虫程序的问题:href_s = [url1, url2, url3…]
for href in href_s:
response = urlopen(href).read()
# 处理response
url1访问成功后才能进行url2访问…时间浪费在了向服务器发送请求和等待服务器回应上
scrapy
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)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下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下:
引擎从调度器中取出一个链接(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
下载器把资源下载下来,并封装成应答包(Response)
爬虫解析Response
解析出实体(Item),则交给实体管道进行进一步的处理
解析出的是链接(URL),则把URL交给调度器等待抓取
scrapy项目创建和配置
pip install scrapy
- 创建项目
scrapy startproject【项目名称】- 进入项目
cd【项目名称】- 创建爬虫文件
scrapy genspider【爬虫名字】“【HOST地址】”- 运行爬虫文件
scrapy crawl【爬虫名字】
Setting常用配置
配置 | 解释 |
---|---|
USER_AGENT=" " | User-Agent |
ROBOTSTXT_OBEY = True | 是否遵守机器人协议,有些网站不允许爬虫,遵守机器人协议就爬不到 |
DEFAULT_REQUEST | HEADERS={} |
CONCURRENT_REQUESTS = 16 | 设置最大并发请求 |
DOWNLOAD_DELAY = 3 | 下载延迟,当访问到服务器时等待一段时间,可以模拟用户访问 |
SPIDER_MIDDLEWARES = {} | Spider中间件,spider向调度器发送请求时经过的中间件 |
DOWNLOADER_MIDDLEWARES = {} | Downloader中间件,从调度器拿到请求队列给下载器的时候经过的中间件,从下载器到spider也需要经过这个中间件 |
ITEM_PIPELINES = {} | 管道文件 |
Spider中的属性和方法:
配置 | 解释 |
---|---|
name=‘spider1’ | spider的名称,要求唯一 |
allowed_domains=[’ edu.csdn.net '] | 允许的域名,限制爬虫的范围,如果URL中的HOST不属于其中,则过滤该请求 |
start_urls=[‘http://edu.csdn.net/’] | 初始urls,项目启动时访问的地址 |
def parse(self,response) | 用来解析网页内容,访问start_urls得到响应后调用的方法 |
def start_requests(self) | 生成初始的requests,爬虫开始,执行的方法,相当于start_urls |
setting 中开启中间件:
DOWNLOADER_MIDDLEWARES = {
'myscrapy1.middlewares.Myscrapy1DownloaderMiddleware': 543,
}
middleware中间件:
def process_request(self, request, spider):
request.headers = Headers(
{
'User-Agent':user_agent.get_user_agent_pc(),
'Cookie':'·············'
}
)
print('#'*50)
print('http://'+ur.urlopen('http://api.ip.data5u.com/dynamic/get.html?order=d108e22b5d1598e529f62c6ba1a5bb6f&sep=4').read().decode('utf-8').strip())
request.meta['proxy']='http://'+ur.urlopen('http://api.ip.data5u.com/dynamic/get.html?order=d108e22b5d1598e529f62c6ba1a5bb6f&sep=4').read().decode('utf-8').strip()
return None
spider1爬虫文件:
import scrapy
class Spider1Spider(scrapy.Spider):
name = 'spider1'
allowed_domains = ['blog.csdn.net']
# start_urls = ['http://blog.csdn.net/']
#
def parse(self, response):
print('-'*20)
print(response.xpath('//div[contains(@class,"nav_com")]/ul/li/a/text()').extract())#extract相当于read
print('-' * 20)
def start_requests(self):# 相当于start_urls并指明回调方法
yield scrapy.Request(
url='http://blog.csdn.net/',
callback=self.parse
)
start文件:
from scrapy import cmdline
cmdline.execute('scrapy crawl spider1'.split())
Pipline管道文件
为了分工明确,pipline专门用于数据IO存储,获取到数据后交给管道文件,管道文件负责数据IO存储
srtting中开启管道文件
ITEM_PIPELINES = {
'myscrapy1.pipelines.Myscrapy1Pipeline': 300,
}
spider1:
def parse(self, response):
data = response.xpath('//div[contains(@class,"nav_com")]/ul/li/a/text()').extract()
item={}
item['data']=data
yield item # yield 如果后面是request对象就会交给schedule调度器,yield后面是字典就会将对象交给管道文件
pipline管道文件:
class Myscrapy1Pipeline(object):
def process_item(self, item, spider):
print(item)
data = item['data']
save_data = ','.join(data)
with open('data.txt','w',encoding='utf-8') as f:
f.write(save_data)
return item