Scrapy概述
框架:scrapy,pyspider
就是一个集成了各种功能且具有很强通用性(可以被应用在各种不同的需求中)的一个项目模板.
我们只需要学习框架中封装好的相关功能的使用即可.
scrapy集成了哪些功能:
高性能的数据解析操作,持久化存储操作,高性能的数据下载的操作.....
环境的安装
a. pip3 install wheel
b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
d. pip3 install pywin32
e. pip3 install scrapy
Scrapy使用
scrapy基本使用
- 创建一个工程:
scrapy startproject 工程名称
- 必须在spiders这个目录下创建一个爬虫文件
cd proName
scrapy genspider spiderName www.xxx.com
- 执行工程:
scrapy crawl spiderName
创建爬虫文件生成的模板
import scrapy
class FirstcrawlSpider(scrapy.Spider):
name = 'firstcrawl' # 创建的爬虫文件名称
# allowed_domains = ['www.xx.com'] # 允许访问的url
start_urls = ['http://www.xx.com/'] # 要访问的url列表
def parse(self, response):
pass
配置文件settings.py分析
是否遵从robots协议
# Obey robots.txt rules
ROBOTSTXT_OBEY = False # 默认为True,需要改成False
是否进行UA伪装
# 添加USER_AGENT配置
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
设定日志等级
LOG_LEVEL = 'ERROR'
# 默认打印到屏幕终端,配置LOG_FILE则将日志输出到文件中
LOG_FILE = './log.txt'
持久化存储
基于终端指令
特性:只可以将parse方法的返回值存储到本地的磁盘文件中
指令:scrapy crawl spiderName -o filePath
def parse(self, response):
div_list = response.xpath('//*[@id="content-left"]/div')
all_data = []
for div in div_list:
# author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
content = div.xpath('./a[1]/div/span//text()').extract()
content = ''.join(content)
dic = {
'author':author,
'content':content
}
all_data.append(dic)
return all_data
基于管道
实现流程:
1.数据解析
注意点:scrapy的xpath进行数据解析后返回的列表元素为Selector对象,然后必须通过extract或者extract_first这两个方法将Selector对象中的对应数据取出
2.在item类中定义相关的属性
配置items文件
class QiubaiproItem(scrapy.Item):
# define the fields for your item here like:
author = scrapy.Field()
#Field可以将其理解成是一个万能的数据类型
content = scrapy.Field()
3.将解析的数据存储或者封装到一个item类型的对象(items文件中对应类的对象)
# 将解析的数据存储到item对象
item = QiubaiproItem() # 对items文件中的类进行实例化
item['author'] = author
item['content'] = content
4.向管道提交item
数据存储到item对象中后,向管道提交item
# 将item提交给管道
yield item
注意点:item一定是提交给了优先级最高的管道类,再由该管道类传递给其它类
5.在管道文件的process_item方法中接收item进行持久化存储
配置pipelines文件
class QiubaiproPipeline(object):
fp = None
def open_spider(self,spider):
print('开始爬虫......')
self.fp = open('qiushibaike.txt','w',encoding='utf-8')
#该方法每接收一个item就会调用一次
def process_item(self, item, spider):
author = item['author']
content= item['content']
self.fp.write(author+':'+content+'\n')
return item #item是返回给了下一个即将被执行的管道类
def close_spider(self,spider):
print('结束爬虫!')
self.fp.close()
管道类中的process_item方法就是处理传进来的item对象,然后对该对象进行持久化存储,这个方法每次接收一个item对象都会调用一次,上面是写入到文件中,也可以存到数据库中,后面会有介绍。
而这里面的open_spider方法和close_spider方法分别是在爬虫执行之前和执行完成之后调用的。
6.在配置文件中开启管道
管道类写好后,必须要在配置文件中开启管道,否则不生效
ITEM_PIPELINES = {
'imgPro.pipelines.ImgproPipeline': 300,
}
可以开启多个管道,后面的数字是优先级,数字越小,优先级越高
将一份数据存储到不同的平台
比如可以将一份数据写入文件又可以存到不同的数据库中
分析:
1.管道文件中的一个管道类负责数据的一种形式的持久化存储
2.爬虫文件向管道提交的item只会提交给优先级最高的那一个管道类
而优先级最高的管道类中的process_item方法,会有一个return item,表示的是将
当前管道接收的item返回/提交给下一个即将被执行的管道类
结论:只要编写不同平台的管道类即可
存到mysql数据库
配合pymysql模块操作mysql数据库,对数据进行持久化存储
class MysqlPL(object):
conn = None
cursor = None
def open_spider(self,spider):
self.conn = pymysql.Connect(host='127.0.0.1',port=3306,user='root',password='123',db='spider',charset='utf8')
print(self.conn)
def process_item(self,item,spider):
author = item['author']
content = item['content']
sql = 'insert into qiubai values ("%s","%s")'%(author,content)
self.cursor = self.conn.cursor()
try:
self.cursor.execute(sql)
self.conn.commit()
except Exception as e:
print(e)
self.conn.rollback()
return item
def close_spider(self,spider):
self.cursor.close()
self.conn.close()
存到Redis数据库
使用redis模块操作Redis数据库对数据进行持久化存储
注意点:redis如何存入字典对象报错时,可以就换一个redis模块版本
pip install -U redis==2.10.6
class RedisPL(object):
conn = None
def open_spider(self,spider):
self.conn = Redis(host='127.0.0.1',port=6379)
print(self.conn)
def process_item(self,item,spider):
self.conn.lpush('all_data',item)
在Scrapy中手动发送请求
手动发送GET请求
scrapy自动发送的都是GET请求,会对start_urls的url依次发送GET请求
使用的场景:爬取多个页码对应的页面源码数据
yield scrapy.Request(url,callback)
# url为要访问的url
# callback为回调函数,对数据进行分析处理
手动发送POST请求
data = { #post请求的请求参数
'kw':'aaa'
}
yield scrapy.FormRequest(url,formdata=data,callback)
data为要发送的数据,如form表单中的用户名和密码
对start_urls中的url发POST请求,必须重写父类中的start_request方法
def start_requests(self):
for url in self.start_urls:
yield scrapy.FormRequest(url,formdata=data,callback=self.parse)
Scrapy五大核心组件
1.引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
2.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
3.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)
4.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
5.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。