爬虫---scrapy爬虫框架（详细+实战）

​

活动地址：CSDN21天学习挑战赛

爬虫---scrapy爬虫框架

• 爬虫---scrapy爬虫框架
• • 一、简介
  • • 1、基本功能
    • 2、架构
    • 3、scrapy项目的结构
  • 二、scrapy环境搭建
  • 三、如何开始
  • • 1、新建项目 ：新建一个新的爬虫项目
    • 2、明确目标 （items.py）：明确你想要抓取的目标
    • 3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
    • 4、存储内容 （pipelines.py）：设计管道存储爬取内容
    • 5、运行爬虫
  • 四、项目实战

爬虫—scrapy爬虫框架

一、简介

1、基本功能

Scrapy是一个适用爬取网站数据、提取结构性数据的应用程序框架，它可以应用在广泛领域：Scrapy 常应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。通常我们可以很简单的通过 Scrapy 框架实现一个爬虫，抓取指定网站的内容或图片。

2、架构

• 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）：一个可以自定义扩展下载功能的组件。
• Spider Middlewares（Spider中间件）：一个可以自定扩展和操作引擎和Spider中间通信的功能组件。
  

3、scrapy项目的结构

项目名字    项目的名字        spiders文件夹（存储的是爬虫文件）            init            自定义的爬虫文件        核心功能文件        init        items           定义数据结构的地方 爬虫的数据都包含哪些        middleware      中间件 代理        pipelines       管道  用来处理下载的数据        settings        配置文件 robots协议 ua定义等

二、scrapy环境搭建

三、如何开始

1、新建项目 ：新建一个新的爬虫项目

 打开cmd，输入scrapy startproject 项目的名字 (默认是在C:\Users\...这个目录下，你可以自行切换到对应的 文件下） 注意：项目的名字不允许使用数字开头 也不能包含中文

2、明确目标 （items.py）：明确你想要抓取的目标

选择你需要爬取的内容，例如作者名字、小说名、封面图片等在items.py文件中定义

import scrapyclass AdicrawlerItem(scrapy.Item):    author = scrapy.Field()    theme = scrapy.Field()    # 以上定义了两个变量 分别是作者名、主题。

3、制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页

创建爬虫文件

要在spiders文件在去创建爬虫文件     cd 项目的名字\项目的名字\spiders     eg : cd scrapy_baidu\scrapy_baidu\spiders    创建爬虫文件     scrapy genspider 爬虫文件的名字 要爬的网页     eg : scrapy genspider baidu www.baidu.com      一般情况下不需要添加http协议      因为start_urls的值是根据allowed_domains修改的

爬虫文件的解释：

import scrapyclass BaiduSpider(scrapy.Spider):    # 爬虫的名字 一般运行爬虫的时候 使用的值    name = 'baidu'    # 允许访问的域名    allowed_domains = ['www.baidu.com']    # 起始的url地址  指的是第一次要访问的域名    # start_urls   是在allowed_domains的前面添加一个http：//    #              是在allowed_domains的后面添加一个/    # 如果以html结尾 就不用加/ 否则网站进不去  报错    start_urls = ['http://www.baidu.com/']    # 是执行了start_urls之后  执行的方法    # 方法中的response  就是返回的那个对象    # 相当于 response = urllib.request.urlopen()    #       response = requests.get()    def parse(self, response):        pass

response的属性和方法

• response.text
  获取的是响应的字符串
• response.body
  获取的是二进制数据
• response.xpath
  可以直接使用xpath方法来解析response中的内容
• response.extract()
  提取seletor对象的data属性值
• response.extract_first()
  提取的seletor列表的第一个数据

import scrapyfrom AdiCrawler.items import AdicrawlerItemclass ThousandpicSpider(scrapy.Spider):    name = 'thousandpic'    allowed_domains = ['www.58pic.com']    start_urls = ['http://www.58pic.com/c/']    def parse(self, response):        author = response.xpath('//div[@class="wrap-list fl"]//span[@class="fl info-h1"]/text()').extract()        theme = response.xpath('//div[@class="wrap-list fl"]//span[@class="usernameColor"]/text()').extract()        item = AdicrawlerItem(author=author,theme=theme)        yield item

4、存储内容 （pipelines.py）：设计管道存储爬取内容

如果想使用管道的话 那么就必须在settings中开启管道

ITEM_PIPELINES = {    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高   'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,}    # 将在settings.py中这段话取消注释，则打开了通道。

然后去pippelines.py中设计管道：

方法一：

class ScrapyDangdangPipeline:def process_item(self, item, spider):        # 以下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁        # write方法必须要写一个字符串 而不能是其他的对象        # w模式 会每一个对象都打开一次文件 覆盖之前的内容        # 文件存储就不多讲啦with open('book.json','a',encoding='utf-8') as fp:fp.write(str(item))return item

方法二：（推荐）

class ScrapyDangdangPipeline:    def open_spider(self,spider):        self.fp = open('book.json','w',encoding='utf-8')    # item就是yield后面的对象    def process_item(self, item, spider):           self.fp.write(str(item))        return item    def close_spider(self,spider):        self.fp.close()

5、运行爬虫

一般在运行爬虫的时候仍然没有内容查询，则需要考虑将settings.py文件中的ROBOTSTXT_OBEY = True注释掉
robots协议 注释之后就不遵守协议了 他是君子协议 一般情况下我们不遵守 # BOTSTXT_OBEY = True

在cmd中输入：scrapy crawl 爬虫的名字  eg:scrapy crawl baidu

四、项目实战

• 打开cmd，创建项目

scrapy startproject scrapy_dangdang

• 创建爬虫文件

先到spiders文件下 :
cd scrapy_dangdang\scrapy_dangdang\spiders
然后创建爬虫文件 :
scrapy genspider dang category.dangdang.com

• 项目目录
  

• 确定需要下载的数据，去items.py文件中添加。这里我们准备存储图片、名字和价格

import scrapyclass ScrapyDangdangItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    # 通俗的说就是你要下载的数据都有什么    # 图片    src = scrapy.Field()    # 名字    name = scrapy.Field()    # 价格    price = scrapy.Field()

• 接下来我们就可以去爬虫文件中去爬取我们需要的内容了（这里是在dang.py文件中）

import scrapyfrom scrapy_dangdang.items import ScrapyDangdangItemclass DangSpider(scrapy.Spider):    # 爬虫的名字 一般运行爬虫的时候 使用的值    name = 'dang'    # 允许访问的域名    # 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名    allowed_domains = ['category.dangdang.com']    # 起始的url地址  指的是第一次要访问的域名    # start_urls   是在allowed_domains的前面添加一个http：//    #              是在allowed_domains的后面添加一个/    # 如果以html结尾 就不用加/    start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']    base_url = 'http://category.dangdang.com/pg'    page = 1    # 是执行了start_urls之后  执行的方法    # 方法中的response  就是返回的那个对象    # 相当于 response = urllib.request.urlopen()    #       response = requests.get()    def parse(self, response):        # pipelines     下载数据        # items         定义数据结构的        # src = //ul[@id="component_59"]/li//img/@src        # alt = //ul[@id="component_59"]/li//img/@alt        # price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()        # 所有的seletor的对象 都可以再次调用xpath方法        li_list = response.xpath('//ul[@id="component_59"]/li')        for li in li_list:        #  第一张图片和其他的图片的标签是属性是不一样的        #  第一张图片src是可以使用的 其他图片的地址data-original            src = li.xpath('.//img/@data-original').extract_first()            if src:               src = src            else:               src = li.xpath('.//img/@src').extract_first()            name = li.xpath('.//img/@alt').extract_first()            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()            book = ScrapyDangdangItem(src=src,name=name,price=price)            # 获取一个book就交给pipelines            yield book        # 每一页爬取的业务逻辑都是一样的        # 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了        if self.page < 100:            self.page = self.page + 1            url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'            # 怎么去调用parse方法            # scrapy.Request就是scrpay的get方法            # url就是请求地址            # callback是你要执行的那个函数 注意不需要加圆括号            yield scrapy.Request(url=url,callback=self.parse)

• 通过解析拿到数据之后，我们就可以去通道中添加保存的方法了（pippelines.py）
• 首先我们要去settings.py在打开通道和添加通道，完成之后进行下一步

ITEM_PIPELINES = {    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高   'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,   'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,}

• 通道打开后，在pippelines.py完成下列操作

import os# 如果想使用管道的话 那么就必须在settings中开启管道class ScrapyDangdangPipeline:    def open_spider(self,spider):        self.fp = open('book.json','w',encoding='utf-8')    # item就是yield后面的book对象    def process_item(self, item, spider):        # 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁        # # write方法必须要写一个字符串 而不能是其他的对象        # # w模式 会每一个对象都打开一次文件 覆盖之前的内容        # with open('book.json','a',encoding='utf-8') as fp:        #     fp.write(str(item))        self.fp.write(str(item))        return item    def close_spider(self,spider):        self.fp.close()# 多条管道开启    # 定义管道类    # 在settings中开启管道    # 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,import urllib.requestclass DangDangDownloadPiepline:    def process_item(self,item,spider):        url = 'http:' + item.get('src')        if not os.path.exists('./books/'):            os.mkdir('./books/')        filename = './books/' + item.get('name') + '.jpg'        urllib.request.urlretrieve(url=url,filename=filename)        return item

• 最后在cmd中输入：scrapy crawl dang
• 完成之后就开始下载了，全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据，则表示项目成功了。

​

来源地址：https://blog.csdn.net/lihaian/article/details/126104447