Scrapy是一个快速且高效的网页抓取框架,用于抓取网站并从中提取结构化数据。它可用于多种用途,从数据挖掘到监控和自动化测试。
相比于自己通过requests等模块开发爬虫,scrapy能极大的提高开发效率,包括且不限于以下原因:
- 它是一个异步框架,并且能通过配置调节并发量,还可以针对域名或ip进行精准控制
- 内置了xpath等提取器,方便提取结构化数据
- 有爬虫中间件和下载中间件,可以轻松地添加、修改或删除请求和响应的处理逻辑,从而增强了框架的可扩展性
- 通过管道方式存储数据,更加方便快捷的开发各种数据储存方式
安装
conda:
conda install -c conda-forge scrapy
pip:
pip install Scrapy
架构
各个模块的功能介绍
-
引擎(Engine) :
- 负责控制整个爬取流程的核心模块。
- 将请求分配给下载器,并处理从下载器返回的响应。
- 负责调度器和下载器之间的协调工作,确保请求的顺利处理和数据的流通。
-
调度器(Scheduler) :
- 接受引擎发来的请求,并根据一定的策略(如FIFO、LIFO等)将这些请求放入队列中,以便后续的处理。
- 防止重复请求的生成,确保爬取过程的有效性。
-
下载器(Downloader) :
- 负责下载网页数据,发送HTTP请求并接收响应。
- 可配置代理、用户代理、cookies等信息,以模拟浏览器行为。
- 处理HTTP响应,将结果传递给引擎。
-
中间件(Middleware) :
- 拦截和处理引擎、调度器、下载器之间的请求和响应。
- 可以在请求发出前进行预处理,或在响应返回后进行后处理。
- 可以进行用户自定义的操作,例如添加代理、修改请求头等。
-
爬虫(Spider) :
- 用户编写的用于定义如何爬取特定网站的类。
- 包括起始URL、如何跟踪链接、如何提取数据等。
- 定义如何解析下载的页面并提取所需数据的规则。
-
项目管道(Item Pipeline) :
- 处理爬取到的数据,包括清洗、验证、存储等操作。
- 通过多个项目管道进行数据处理,可以灵活应对不同类型数据的处理需求。
-
调度器中间件(Scheduler Middleware) :
- 用于对请求的调度过程进行自定义的拦截和处理。
- 可以在请求入队列前或出队列后进行一些处理,例如动态修改优先级、过滤请求等。
-
扩展(Extensions) :
- 用于监听Scrapy的信号、修改配置、添加新命令等。
- 可以用于监控爬取过程、记录日志、实现定制化需求等。
以上是对Scrapy框架中各个模块的详细介绍,每个模块都有其独特的功能和作用,通过它们的协作,Scrapy能够完成从网页爬取到数据处理的整个流程,在接下来的文章中,也会有各个模块的开发教程
运行流程
-
配置爬虫(Spider)并启动引擎(Engine) :
- 用户编写具体的爬虫类,定义了如何爬取特定网站的规则。
- 用户通过命令行或代码方式启动Scrapy引擎,指定要运行的爬虫。
-
引擎调度请求到调度器(Scheduler) :
- 引擎将起始请求发送给调度器,调度器根据一定的策略将请求放入队列中,等待下载器处理。
- 调度器会控制请求的优先级、去重逻辑等。
-
下载器(Downloader)获取并处理请求:
- 下载器从调度器获取请求,然后发送HTTP请求到目标网站。
- 下载器接收目标网站的HTTP响应,将响应传递给引擎。
-
引擎将响应发送给Spider处理:
- 引擎接收到下载器返回的响应,然后将响应发送给对应的Spider进行处理。
- Spider根据预定义的规则解析响应,提取所需的数据,并生成新的请求或数据项。
-
处理数据项(Item) :
- 爬虫将从页面中提取的数据封装成数据项(Item),并将其发送给项目管道(Item Pipeline)进行处理。
- 项目管道可以负责数据的清洗、验证、存储等操作,用户可以自定义多个项目管道,以便处理不同类型的数据。
-
数据持久化:
- 经过项目管道处理后的数据项可以被持久化存储到数据库、文件等目的地。
-
循环执行直到完成:
- 整个爬取流程会循环执行,直到队列中没有新的请求,或者爬取任务被手动终止。
-
扩展和监控:
- 用户可以通过扩展(Extensions)来监听Scrapy的信号、修改配置、添加新命令等,以实现定制化需求。
- 可以使用日志和其他监控工具来监控爬取过程,确保爬虫正常运行。
总的来说,Scrapy运行模式是基于异步事件驱动的,各个模块之间通过事件和回调函数进行交互,整个爬取过程由引擎统一协调控制。这种模式使得Scrapy能够高效地处理大规模的爬取任务,并且具有良好的可扩展性和灵活性。
使用
使用下述命令创建第一个scrapy项目:scrapy startproject JuejinProject
其中JuejinProject是项目名,会得到如下结构:
各文件作用如下:
- scrapy.cfg: 项目的配置文件,可以把框架相关配置写入。
- JuejinProject/items.py: 定义结构化的数据模型。
- JuejinProject/pipelines.py: 用来持久化存储数据模型。
- JuejinProject/settings.py: 项目的设置文件。
- JuejinProject/spiders/: 爬虫存放目录。
使用下述命令创建爬虫:scrapy genspider toscrape quotes.toscrape.com/page/1/
格式为"scrapy genspider 爬虫名 起始url" 这时你会发现在spiders路径下多了一个toscrape.py文件,添加注释后内容如下:
import scrapy
class ToscrapeSpider(scrapy.Spider):
# 爬虫名
name = "toscrape"
# 允许的域名
allowed_domains = ["quotes.toscrape.com"]
# 起始url,第一个请求
start_urls = ["https://quotes.toscrape.com/page/1/"]
def parse(self, response):
"""
默认的解析方法,请求得到的response对象会传入此方法
:param response:
:return:
"""
pass
想使用xpath解析出指定字段需要使用xpath相关方法
import scrapy
class ToscrapeSpider(scrapy.Spider):
# 爬虫名
name = "toscrape"
# 允许的域名
allowed_domains = ["quotes.toscrape.com"]
# 起始url,第一个请求
start_urls = ["https://quotes.toscrape.com/page/1/"]
def parse(self, response):
"""
默认的解析方法,请求得到的response对象会传入此方法
:param response:
:return:
"""
quotes = response.xpath('//div[@class="quote"]')
for quote in quotes:
quote_text = quote.xpath('.//span[@class="text"]/text()').extract_first()
print(quote_text)
if __name__ == '__main__':
# 使用此方法可以对爬虫进行debug
from scrapy.cmdline import execute
execute('scrapy crawl toscrape'.split())
运行这段代码就可以得到页面上的人物发言了:
这只是最简单的一个例子,将数据输出到了控制台,在生产中,会有更复杂的问题需要解决,比如遇到反爬怎么处理?怎么把数据存入数据库?代码异常如何及时发现?网站有反爬怎么处理?在下边的章节,我将逐个解决遇到的问题,让scrapy更好的为你所用。
作者:炼数成金
链接:https://juejin.cn/post/7373507761127505971