【精选】爬虫 |
您所在的位置:网站首页 › 快递查询链接怎么弄 › 【精选】爬虫 |
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。![]()
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 scrapy class 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): passresponse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 scrapy from AdiCrawler.items import AdicrawlerItem class 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 scrapy class 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 scrapy from scrapy_dangdang.items import ScrapyDangdangItem class 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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |