我家小花儿

这个屌丝很懒，什么也没留下！

热门标签

Scrapy简单入门及实例讲解_scrapy初学

作者：我家小花儿 | 2024-03-19 01:05:12

踩

scrapy初学

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

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, 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

一、安装

 
         pip install scrapy 
        

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、爬虫举例

入门篇：美剧天堂前100最新（http://www.meijutt.com/new100.html）

1、创建工程

 
         scrapy startproject movie 
        

2、创建爬虫程序

 
         cd movie 
        
         scrapy genspider meiju meijutt.com

3、自动创建目录及文件

4、文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

5、设置数据存储模板

　　items.py

 
         import scrapy 
        
         class  
         MovieItem(scrapy.Item): 
        
         # define the fields for your item here like: 
        
         # name = scrapy.Field() 
        
         name = scrapy.Field()

6、编写爬虫

　　meiju.py

 
         # -*- coding: utf-8 -*- 
        
         import scrapy 
        
         from  
         movie.items import MovieItem 
        
         class  
         MeijuSpider(scrapy.Spider): 
        
         name =  
         "meiju" 
        
         allowed_domains = [ 
         "meijutt.com" 
         ] 
        
         start_urls = [ 
         'http://www.meijutt.com/new100.html' 
         ] 
        
         def parse(self, response): 
        
         movies = response.xpath( 
         '//ul[@class="top-list  fn-clear"]/li' 
         ) 
        
         for  
         each_movie  
         in  
         movies: 
        
         item = MovieItem() 
        
         item[ 
         'name' 
         ] = each_movie.xpath( 
         './h5/a/@title' 
         ).extract()[0] 
        
         yield item

7、设置配置文件

　　settings.py增加如下内容

 
         ITEM_PIPELINES = { 
         'movie.pipelines.MoviePipeline' 
         :100} 
        

8、编写数据处理脚本

　　pipelines.py

 
         class  
         MoviePipeline( 
         object 
         ): 
        
 
              
         def process_item(self, item, spider): 
        
 
                  
         with open( 
         "my_meiju.txt" 
         , 
         'a' 
         )  
         as  
         fp: 
        
 
                      
         fp.write(item[ 
         'name' 
         ].encode( 
         "utf8" 
         ) +  
         '\n' 
         ) 
        

9、执行爬虫

 
         cd movie 
        
         scrapy crawl meiju --nolog

10、结果

进阶篇：爬取校花网（http://www.xiaohuar.com/list-1-1.html）

1、创建一个工程

 
         scrapy startproject pic 
        

2、创建爬虫程序

 
         cd pic 
        
         scrapy genspider xh xiaohuar.com

3、自动创建目录及文件

4、文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

5、设置数据存储模板

 
         import scrapy 
        
         class  
         PicItem(scrapy.Item): 
        
         # define the fields for your item here like: 
        
         # name = scrapy.Field() 
        
         addr = scrapy.Field() 
        
         name = scrapy.Field()

6、编写爬虫

 
         # -*- coding: utf-8 -*- 
        
         import scrapy 
        
         import os 
        
         # 导入item中结构化数据模板 
        
         from  
         pic.items import PicItem 
        
         class  
         XhSpider(scrapy.Spider): 
        
         # 爬虫名称，唯一 
        
         name =  
         "xh" 
        
         # 允许访问的域 
        
         allowed_domains = [ 
         "xiaohuar.com" 
         ] 
        
         # 初始URL 
        
         start_urls = [ 
         'http://www.xiaohuar.com/list-1-1.html' 
         ] 
        
         def parse(self, response): 
        
         # 获取所有图片的a标签 
        
         allPics = response.xpath( 
         '//div[@class="img"]/a' 
         ) 
        
         for  
         pic  
         in  
         allPics: 
        
         # 分别处理每个图片，取出名称及地址 
        
         item = PicItem() 
        
         name = pic.xpath( 
         './img/@alt' 
         ).extract()[0] 
        
         addr = pic.xpath( 
         './img/@src' 
         ).extract()[0] 
        
         addr =  
         'http://www.xiaohuar.com' 
         +addr 
        
         item[ 
         'name' 
         ] = name 
        
         item[ 
         'addr' 
         ] = addr 
        
         # 返回爬取到的数据 
        
         yield item

7、设置配置文件

 
         # 设置处理返回数据的类及执行优先级 
        
         ITEM_PIPELINES = { 
         'pic.pipelines.PicPipeline' 
         :100}

8、编写数据处理脚本

 
         import urllib2 
        
         import os 
        
         class  
         PicPipeline( 
         object 
         ): 
        
         def process_item(self, item, spider): 
        
         headers = { 
         'User-Agent' 
         :  
         'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0' 
         } 
        
         req = urllib2.Request(url=item[ 
         'addr' 
         ],headers=headers) 
        
         res = urllib2.urlopen(req) 
        
         file_name = os.path. 
         join 
         (r 
         'D:\my\down_pic' 
         ,item[ 
         'name' 
         ]+ 
         '.jpg' 
         ) 
        
         with open(file_name, 
         'wb' 
         )  
         as  
         fp: 
        
         fp.write(res.read())

9、执行爬虫

 
         cd pic 
        
         scrapy crawl xh --nolog

结果：

终极篇：我想要所有校花图

注明：基于进阶篇再修改为终极篇

#　　xh.py

 
         # -*- coding: utf-8 -*- 
        
         import scrapy 
        
         import os 
        
         from  
         scrapy.http import Request 
        
         # 导入item中结构化数据模板 
        
         from  
         pic.items import PicItem 
        
         class  
         XhSpider(scrapy.Spider): 
        
         # 爬虫名称，唯一 
        
         name =  
         "xh" 
        
         # 允许访问的域 
        
         allowed_domains = [ 
         "xiaohuar.com" 
         ] 
        
         # 初始URL 
        
         start_urls = [ 
         'http://www.xiaohuar.com/hua/' 
         ] 
        
         # 设置一个空集合 
        
         url_set =  
         set 
         () 
        
         def parse(self, response): 
        
         # 如果图片地址以http://www.xiaohuar.com/list-开头，我才取其名字及地址信息 
        
         if  
         response.url.startswith( 
         "http://www.xiaohuar.com/list-" 
         ): 
        
         allPics = response.xpath( 
         '//div[@class="img"]/a' 
         ) 
        
         for  
         pic  
         in  
         allPics: 
        
         # 分别处理每个图片，取出名称及地址 
        
         item = PicItem() 
        
         name = pic.xpath( 
         './img/@alt' 
         ).extract()[0] 
        
         addr = pic.xpath( 
         './img/@src' 
         ).extract()[0] 
        
         addr =  
         'http://www.xiaohuar.com' 
         +addr 
        
         item[ 
         'name' 
         ] = name 
        
         item[ 
         'addr' 
         ] = addr 
        
         # 返回爬取到的信息 
        
         yield item 
        
         # 获取所有的地址链接 
        
         urls = response.xpath( 
         "//a/@href" 
         ).extract() 
        
         for  
         url  
         in  
         urls: 
        
         # 如果地址以http://www.xiaohuar.com/list-开头且不在集合中，则获取其信息 
        
         if  
         url.startswith( 
         "http://www.xiaohuar.com/list-" 
         ): 
        
         if  
         url  
         in  
         XhSpider.url_set: 
        
         pass 
        
         else 
         : 
        
         XhSpider.url_set.add(url) 
        
         # 回调函数默认为parse,也可以通过from scrapy.http import Request来指定回调函数 
        
         # from scrapy.http import Request 
        
         # Request(url,callback=self.parse) 
        
         yield self.make_requests_from_url(url) 
        
         else 
         : 
        
         pass

本文转载孔扎根https://www.cnblogs.com/kongzhagen/p/6549053.html

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家小花儿/article/detail/266510?site