一、scrapy爬虫框架——概念作用和工作流程 scrapy的入门使用
scrapy的概念和流程
學習目標：
1. scrapy的概念
Scrapy是一個Python編寫的開源網絡爬蟲框架。它是一個被設計用于爬取網絡數據、提取結構性數據的框架。
Scrapy 使用了Twisted['tw?st?d]異步網絡框架，可以加快我們的下載速度。
Scrapy文檔地址：http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html
2. scrapy框架的作用
少量的代碼，就能夠快速的抓取
3. scrapy的工作流程
3.1 回顧之前的爬蟲流程
3.2 上面的流程可以改寫為
3.3 scrapy的流程
其流程可以描述如下：
注意：
- 圖中中文是為了方便理解后加上去的
- 圖中綠色線條的表示數據的傳遞
- 注意圖中中間件的位置，決定了其作用
- 注意其中引擎的位置，所有的模塊之前相互獨立，只和引擎進行交互
3.4 scrapy的三個內置對象
- request請求對象：由url method post_data headers等構成
- response響應對象：由url body status headers等構成
- item數據對象：本質是個字典
3.5 scrapy中每個模塊的具體作用
注意：
- 爬蟲中間件和下載中間件只是運行邏輯的位置不同，作用是重復的：如替換UA等
小結
引擎(engine)：負責數據和信號在不腰痛模塊間的傳遞
調度器(scheduler)：實現一個隊列，存放引擎發過來的request請求對象
下載器(downloader)：發送引擎發過來的request請求，獲取響應，并將響應交給引擎
爬蟲(spider)：處理引擎發過來的response，提取數據，提取url，并交給引擎
管道(pipeline)：處理引擎傳遞過來的數據，比如存儲
下載中間件(downloader middleware)：可以自定義的下載擴展，比如設置代理ip
爬蟲中間件(spider middleware)：可以自定義request請求和進行response過濾，與下載中間件作用重復
二、scrapy的入門使用
學習目標：
1 安裝scrapy
命令:
????sudo apt-get install scrapy
或者：
????pip/pip3 install scrapy
2 scrapy項目開發流程
????scrapy startproject mySpider
????scrapy genspider itcast itcast.cn
????根據網站結構在spider中實現數據采集相關內容
????使用pipeline進行數據后續處理和保存
3. 創建項目
通過命令將scrapy項目的的文件生成出來，后續步驟都是在項目文件中進行相關操作，下面以抓取傳智師資庫來學習scrapy的入門使用：http://www.itcast.cn/channel/teacher.shtml
創建scrapy項目的命令：
????scrapy startproject <項目名字>
示例：
????scrapy startproject myspider
生成的目錄和文件結果如下：
4. 創建爬蟲
通過命令創建出爬蟲文件，爬蟲文件為主要的代碼作業文件，通常一個網站的爬取動作都會在爬蟲文件中進行編寫。
命令：
????在項目路徑下執行:
????scrapy genspider <爬蟲名字> <允許爬取的域名>
爬蟲名字: 作為爬蟲運行時的參數
允許爬取的域名: 為對于爬蟲設置的爬取范圍，設置之后用于過濾要爬取的url，如果爬取的url與允許的域不通則被過濾掉。
示例：
cd myspiderscrapy genspider itcast itcast.cn生成的目錄和文件結果如下：
5. 完善爬蟲
在上一步生成出來的爬蟲文件中編寫指定網站的數據采集操作，實現數據提取
5.1 在/myspider/myspider/spiders/itcast.py中修改內容如下:
import scrapyclass ItcastSpider(scrapy.Spider): # 繼承scrapy.spider# 爬蟲名字 name = 'itcast' # 允許爬取的范圍allowed_domains = ['itcast.cn'] # 開始爬取的url地址start_urls = ['http://www.itcast.cn/channel/teacher.shtml']# 數據提取的方法，接受下載中間件傳過來的responsedef parse(self, response): # scrapy的response對象可以直接進行xpathnames = response.xpath('//div[@class="tea_con"]//li/div/h3/text()') print(names)# 獲取具體數據文本的方式如下# 分組li_list = response.xpath('//div[@class="tea_con"]//li') for li in li_list:# 創建一個數據字典item = {}# 利用scrapy封裝好的xpath選擇器定位元素，并通過extract()或extract_first()來獲取結果item['name'] = li.xpath('.//h3/text()').extract_first() # 老師的名字item['level'] = li.xpath('.//h4/text()').extract_first() # 老師的級別item['text'] = li.xpath('.//p/text()').extract_first() # 老師的介紹print(item)注意：
- scrapy.Spider爬蟲類中必須有名為parse的解析
- 如果網站結構層次比較復雜，也可以自定義其他解析函數
- 在解析函數中提取的url地址如果要發送請求，則必須屬于allowed_domains范圍內，但是start_urls中的url地址不受這個限制，我們會在后續的課程中學習如何在解析函數中構造發送請求
- 啟動爬蟲的時候注意啟動的位置，是在項目路徑下啟動
- parse()函數中使用yield返回數據，注意：解析函數中的yield能夠傳遞的對象只能是：BaseItem, Request, dict, None
5.2 定位元素以及提取數據、屬性值的方法
解析并獲取scrapy爬蟲中的數據: 利用xpath規則字符串進行定位和提取
5.3 response響應對象的常用屬性
- response.url：當前響應的url地址
- response.request.url：當前響應對應的請求的url地址
- response.headers：響應頭
- response.requests.headers：當前響應的請求頭
- response.body：響應體，也就是html代碼，byte類型
- response.status：響應狀態碼
6 保存數據
利用管道pipeline來處理(保存)數據
6.1 在pipelines.py文件中定義對數據的操作
6.2 在settings.py配置啟用管道
ITEM_PIPELINES = {'myspider.pipelines.ItcastPipeline': 400 }配置項中鍵為使用的管道類，管道類使用.進行分割，第一個為項目目錄，第二個為文件，第三個為定義的管道類。
配置項中值為管道的使用順序，設置的數值約小越優先執行，該值一般設置為1000以內。
7. 運行scrapy
命令：在項目目錄下執行scrapy crawl <爬蟲名字>
示例：scrapy crawl itcast
小結
總結
以上是生活随笔為你收集整理的一、scrapy爬虫框架——概念作用和工作流程 scrapy的入门使用的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 七、matplotlib的使用
- 下一篇： React中的CSS——styled-c