scrapy介绍、安装及架构
1.安装
**Windows平台**
1、pip3 install wheel
安装后,便支持通过wheel文件安装软件,wheel文件官网:https://www.lfd.uci.edu/~gohlke/pythonlibs
3、pip3 install lxml
4、pip3 install pyopenssl
5、下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/pywin32/
6、下载twisted的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
7、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
8、pip3 install scrapy (可以直接执行此命令,如报错再执行1-7)
2.scrapy架构
1.引擎(EGINE):引擎负责控制系统所有组件之间的数据流,并在某些动作发生时触发事件。大总管,负责整个爬虫数据的流动
2.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的优先级队列, 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
3.下载器(DOWLOADER) 用于下载网页内容, 并将网页内容返回给EGINE,下载器是建立在twisted这个高效的异步模型上的(效率很高,同时可以发送特别多请求出出)
4.爬虫(SPIDERS) SPIDERS是开发人员自定义的类,用来解析responses,并且提取items,或者发送新的请求
5.项目管道(ITEM PIPLINES) 在items被提取后负责处理它们,主要包括清理、验证、持久化(比如存到数据库)等操作
6.下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间,主要用来处理从EGINE传到DOWLOADER的请求request,已经从DOWNLOADER传到EGINE的响应response,你可用该中间件做以下几件事
7.爬虫中间件(Spider Middlewares)位于EGINE和SPIDERS之间,主要工作是处理SPIDERS的输入(即responses)和输出(即requests)
3.使用命令创建scrapy项目
Windows + R 启动 cmd 窗口
scrapy startproject maomaofirst_scrapy
创建爬虫项目
# 例如:www.cnblogs.com;爬取博客园
scrapy genspider cnblogs www.cnblogs.com
启动爬虫
scrapy crawl cnblogs
4.scrapy项目目录结构
mysfirstscrapy # 项目名
mysfirstscrapy # 包
spiders # 包,里面放了自定义的爬虫,类似于app
__init__.py
baidu.py # 百度爬虫
cnblogs.py#cnblogs爬虫
items.py #类似于django的 models表模型,一个个模型类
middlewares.py # 中间件
pipelines.py #管道---》写持久化
settings.py #项目配置文件
scrapy.cfg # 项目上线配置
5.scrapy解析数据
import scrapy
class CnblogsSpider(scrapy.Spider):
# 爬虫名字
name = "cnblogs"
# 允许爬取的域
allowed_domains = ["www.cnblogs.com"]
# 开始爬取的地址
start_urls = ["https://www.cnblogs.com"]
# 解析方法
def parse(self, response):
# 将HTTP响应包装成了response
print(response.text)
# 命令
# 启动项目打印日志
# scrapy crawl cnblogs
# 启动项目不打印日志
# scrapy crawl cnblogs --nolog
# 点击右键运行爬虫项目:
1.在spiders包下新建启动文件:run.py
2.在启动文件中写代码
3.右键启动run.py
from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'cnblogs', '--nolog'])
5.1 css选择器解析数据(错的)
import scrapy
class CnblogsSpider(scrapy.Spider):
# 爬虫名字
name = "cnblogs"
# 允许爬取的域
allowed_domains = ["www.cnblogs.com"]
# 开始爬取的地址
start_urls = ["https://www.cnblogs.com"]
# css选择器解析方法
def parse(self, response):
# 将HTTP响应包装成了response
# print(response.text)
# css选择器
# 解析所有文章
article_lst = response.css('article.post-item')
# 解析文章详情:文章标题,文章摘要,作者图片,作者名字,文章详情地址
for article in article_lst:
# 文章标题
title = article.css('section>div>a.post-item-title::text').extract_first()
# 文章摘要
# 取文章摘要时可能会出现文章摘要取不到值,是由于有些文章摘要换行,所以应该判断第一行是否有值,如果有值直接取第一行,如果没有值取第二行
# 文章摘要:['\n , '\n 摘要\n']
desc = article.css('p.post-item-summary::text').extract()
# 将换行和空字符串替换成空
real_desc = desc[0].replace('\n', '').replace('', '')
if real_desc:
desc = real_desc
real_desc = desc[1].replace('\n', '')
desc = real_desc
# 文章图片
author_img = article.css('p.post-item-summary img::attr(src)').extract_first()
# 作者名
author_name = article.css('footer.post-item-foot span::text').extract_first()
# 文章详情
url = article.css('div.post-item-text a::attr(href)').extract_first()
print('''
文章名字:%s
文章摘要:%s
作者图片:%s
作者名字:%s
文章地址:%s
''' % (title, desc, author_img, author_name, url))
5.2 XPath解析数据
def parse(self, response):
article_list = response.xpath('//article[contains(@class,"post-item")]') # 列表中放对象
print(len(article_list))
for article in article_list:
title = article.xpath('.//a/text()').extract_first()
desc = article.xpath('.//p[contains(@class,"post-item-summary")]/text()').extract()
real_desc = desc[0].replace('\n', '').replace(' ', '')
if real_desc:
desc = real_desc
else:
real_desc = desc[1].replace('\n', '').replace(' ', '')
desc = real_desc
author_img = article.xpath('.//p//img/@src').extract_first()
author_name = article.xpath('.//footer//span/text()').extract_first()
url = article.xpath('.//div[contains(@class,"post-item-text")]//a/@href').extract_first()
print('''
文章名字:%s
文章摘要:%s
作者图片:%s
作者名字:%s
文章地址:%s
''' % (title, desc, author_img, author_name, url))
6.settings配置文件介绍
# 日志级别
LOG_LEVEL = 'ERROR'
# 整个爬虫名字项目名字
BOT_NAME = "maomaofirst_scrapy"
# 爬虫存放位置
SPIDER_MODULES = ["maomaofirst_scrapy.spiders"]
NEWSPIDER_MODULE = "maomaofirst_scrapy.spiders"
# 是否遵循爬虫协议 一般都设为False
ROBOTSTXT_OBEY = True
# 默认scrapy开启的并发线程
# CONCURRENT_REQUESTS = 32
# DOWNLOAD_DELAY = 3
# CONCURRENT_REQUESTS_PER_DOMAIN = 16
# CONCURRENT_REQUESTS_PER_IP = 16
# COOKIES_ENABLED = False
# TELNETCONSOLE_ENABLED = False
# 默认请求头
# DEFAULT_REQUEST_HEADERS = {
# "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
# "Accept-Language": "en",
# }
# 爬虫中间件
# SPIDER_MIDDLEWARES = {
# "maomaofirst_scrapy.middlewares.MaomaofirstScrapySpiderMiddleware": 543,
# }
# 下载中间件
# DOWNLOADER_MIDDLEWARES = {
# "maomaofirst_scrapy.middlewares.MaomaofirstScrapyDownloaderMiddleware": 543,
# }
# EXTENSIONS = {
# "scrapy.extensions.telnet.TelnetConsole": None,
# }
# 持久化配置
# ITEM_PIPELINES = {
# "maomaofirst_scrapy.pipelines.MaomaofirstScrapyPipeline": 300,
# }
# AUTOTHROTTLE_ENABLED = True
# AUTOTHROTTLE_START_DELAY = 5
# AUTOTHROTTLE_MAX_DELAY = 60
# AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# AUTOTHROTTLE_DEBUG = False
# HTTPCACHE_ENABLED = True
# HTTPCACHE_EXPIRATION_SECS = 0
# HTTPCACHE_DIR = "httpcache"
# HTTPCACHE_IGNORE_HTTP_CODES = []
# HTTPCACHE_STORAGE = "scrapy.extensions.httpcache.FilesystemCacheStorage"
REQUEST_FINGERPRINTER_IMPLEMENTATION = "2.7"
TWISTED_REACTOR = "twisted.internet.asyncioreactor.AsyncioSelectorReactor"
FEED_EXPORT_ENCODING = "utf-8"
6.1 基础配置
#1 了解
BOT_NAME = "firstscrapy" #项目名字,整个爬虫名字
#2 爬虫存放位置 了解
SPIDER_MODULES = ["firstscrapy.spiders"]
NEWSPIDER_MODULE = "firstscrapy.spiders"
#3 记住 是否遵循爬虫协议,一般都设为False
ROBOTSTXT_OBEY = False
# 4 记住
USER_AGENT = "firstscrapy (+http://www.yourdomain.com)"
#5 记住 日志级别
LOG_LEVEL='ERROR'
#6 记住 DEFAULT_REQUEST_HEADERS 默认请求头
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
#7 记住 后面学 SPIDER_MIDDLEWARES 爬虫中间件
SPIDER_MIDDLEWARES = {
'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
}
#8 后面学 DOWNLOADER_MIDDLEWARES 下载中间件
DOWNLOADER_MIDDLEWARES = {
'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
}
#9 后面学 ITEM_PIPELINES 持久化配置
ITEM_PIPELINES = {
'cnblogs.pipelines.CnblogsPipeline': 300,
}
6.2 高级配置
#1 增加并发:默认16
默认scrapy开启的并发线程为32个,可以适当进行增加。在settings配置文件中修改
CONCURRENT_REQUESTS = 100
值为100,并发设置成了为100。
#2 降低日志级别:
在运行scrapy时,会有大量日志信息的输出,为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写:
LOG_LEVEL = 'INFO'
# 3 禁止cookie:
如果不是真的需要cookie,则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率,提升爬取效率。在配置文件中编写:
COOKIES_ENABLED = False
# 4 禁止重试:
对失败的HTTP进行重新请求(重试)会减慢爬取速度,因此可以禁止重试。在配置文件中编写:
RETRY_ENABLED = False
# 5 减少下载超时:
如果对一个非常慢的链接进行爬取,减少下载超时可以能让卡住的链接快速被放弃,从而提升效率。在配置文件中进行编写:
DOWNLOAD_TIMEOUT = 10 超时时间为10s