Python爬虫-scrapy
Scrapy是一个应用程序框架,用于对网站进行爬行和提取结构化数据,这些结构化数据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。
scrapy架构理解
结构解释
spiders(爬虫):负责处理Responses,从中提取出数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器)
Engine(引擎):负责spider、ItemPipeline、downloader、scheduler中间的通讯、信号、数据传递。
Scheduler(调度器):接收引擎发送来的request请求,并进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理。
ItemPipeline(管道):它负责处理Spider中获取到的Item,并进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。(代理、cokies等)。
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间
流程解释
①:SPIDERS的yeild函数将request发送给ENGINE
②:ENGINE对request不做任何处理发送给SCHEDULER
③:SCHEDULER( url调度器),将安排好的request交给ENGINE
④:ENGINE拿到request,通过MIDDLEWARE进行层层过滤发送给DOWNLOADER
⑤:DOWNLOADER在网上获取到response数据之后,又经过MIDDLEWARE进行层层过滤发送给ENGINE
⑥:ENGINE获取到response数据之后,返回给SPIDERS,SPIDERS的parse()方法对获取到的response数据进行处理,解析出items或者requests
⑦:将解析出来的items或者requests发送给ENGINE
⑧:ENGIN获取到items或者requests,将items发送给ITEMPIPELINES,将requests发送SCHEDULER。 注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
使用指南
安装scrapy库
pip(conda) install scrapy
创建新项目
首先进入需要保存项目的文件夹,本例:‘scrapy_test’
在终端中输入以下命令,创建初始项目,并命名为:maitian:
scrapy startproject maitian #项目名不区分大小写
回车执行后,会生成一个名为’maitian’的文件夹,里面包含初始文件。如下图所示:
其中:
-
items.py 设置数据存储模板,用于结构化数据,明确你想要抓取的目标
-
pipelines 数据处理行为,如:设计管道,存储爬取内容
-
settings.py 配置文件,如:递归的层数、并发数,延迟下载,数据库接口,等
-
spiders 爬虫目录,如:创建文件,编写爬虫规则
实施爬虫
定义Item文件
Item 是用来保存爬取到的数据的容器,将需要爬取的内容与Field()定义的属性对应。
import scrapy
class MaitianItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field() #标题
price = scrapy.Field() #价格
mianji = scrapy