目录
-
1. Scrapy介绍
- 1.1. Scrapy框架
- 1.2. Scrapy运行流程
- 1.3. 制作Srapy爬虫的四部曲
- 1.4. 文件目录
- 2. Scrapy全部流程
- 3. 写爬虫主要文件
1.1. Scrapy框架
Scrapy是用纯Python实现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，用途非常广泛。
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，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，Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，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)，Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（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。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中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）
1.2. Scrapy运行流程
引擎：Hi！Spider, 你要处理哪一个网站？
Spider：老大要我处理
xxxx.com。引擎：你把第一个需要处理的URL给我吧。
Spider：给你，第一个URL是
xxxxxxx.com。引擎：Hi！调度器，我这有request请求你帮我排序入队一下。
调度器：好的，正在处理你等一下。
引擎：Hi！调度器，把你处理好的request请求给我。
调度器：给你，这是我处理好的request
引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）
引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）
Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
管道``调度器：好的，现在就做！
1.3. 制作Srapy爬虫的四部曲
- 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
- 明确目标 （编写items.py）：明确你想要抓取的目标
- 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
- 存储内容 （pipelines.py）：设计管道存储爬取内容
1.4. 文件目录
插入scrapy01.png
- scrapy.cfg ：项目的配置文件
[settings]
default = mySpider.settings
[deploy]
#url = http://localhost:6800/
project = mySpider- mySpider/ ：项目的Python模块，将会从这里引用代码
-
__init__: 必须的文件
- mySpider/items.py ：项目的目标文件
import scrapy
class MyspiderItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# age = scrapy.Field()
pass
- mySpider/Middlewares.py ：
- mySpider/pipelines.py ：项目的管道文件
class MyspiderPipeline(object):
def process_item(self, item, spider):
return item- mySpider/settings.py ：项目的设置文件
# 你的爬虫名字
BOT_NAME = 'mySpider'
# 你的爬虫的位置
SPIDER_MODULES = ['mySpider.spiders']
NEWSPIDER_MODULE = 'mySpider.spiders'
# 是否遵循robust协议
ROBOTSTXT_OBEY = True
# 爬虫并发量
#CONCURRENT_REQUESTS = 32
# 下载延迟
#DOWNLOAD_DELAY = 3
# 下载延迟的额外设置：一般不用设置
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
# 是否使用cookie
#COOKIES_ENABLED = False
# 访问电话线设置
#TELNETCONSOLE_ENABLED = False
# 设置默认请求报头
#DEFAULT_REQUEST_HEADERS = {
# 'User-Agent': ''
# 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
# 'Accept-Language': 'en',
#}
# 爬虫中间键：一般不设置
#SPIDER_MIDDLEWARES = {
# 'mySpider.middlewares.MyspiderSpiderMiddleware': 543,
#}
# 下载中间键： 后面的值是优先级，越小越高
#DOWNLOADER_MIDDLEWARES = {
# 'mySpider.middlewares.MyspiderDownloaderMiddleware': 543,
#}
# 延展，没什么用
#EXTENSIONS = {
# 'scrapy.extensions.telnet.TelnetConsole': None,
#}
# 管道文件---经常使用的，用于指定优先级
#
#ITEM_PIPELINES = {
# 'mySpider.pipelines.MyspiderPipeline': 300,
#}我们打算抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息。
- 创建项目
- 编写items.py文件：设置需要保存的数据字段
- 创建爬虫模板
- 在spiders/文件夹下面运行
scrapy genspider spidername "startURL"
- 在spiders/文件夹下面运行
- 进入xxx/spiders： 编写爬虫文件，文件里的name就是爬虫名
- 写管道文件
- 设置文件保存的形式和写入文件
- 在setting中设置优先级(默认自动设置)
- 添加User-Agent到setting中
- 设置文件保存的形式和写入文件
- 运行：
-scrapy crawl itcastscrapy crawl itcast -o json/csv/xml/
- 数据处理
- 数据：交给管道文件处理
yield item - 请求：重新发送给调度器入、出队列，交给下载器下载
yield scrapy.Request(url, callback = self.parse)
- 数据：交给管道文件处理
要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。
name = ""：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。allow_domains = []是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。start_urls = ()：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。-
parse(self, response)：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：- 负责解析返回的网页数据
(response.body)，提取结构化数据(生成item) - 生成需要下一页的URL请求。
- 负责解析返回的网页数据
