今天將帶大家簡單了解Scrapy爬蟲框架，并用一個真實案例來演示代碼的編寫和爬取過程。

一、scrapy簡介

1. 什么是Scrapy

Scrapy是一個為了爬取網站數據，提取結構性數據而編寫的應用框架，我們只需要實現少量的代碼，就能夠快速的抓取

Scrapy使用了Twisted異步網絡框架，可以加快我們的下載速度

http://scrapy-chs.readthedocs.io/zh_CN/1.0/intro/overview.html

異步和非阻塞的區別

異步：調用在發出之后，這個調用就直接返回，不管有無結果

非阻塞：關注的是程序在等待調用結果時的狀態，指在不能立刻得到結果之前，該調用不會阻塞當前線程

2. Scrapy工作流程

另一種爬蟲方式

Scrapy工作流程

Scrapy engine(引擎)總指揮:負責數據和信號的在不同模塊間的傳遞scrapy已經實現

Scheduler(調度器)	一個隊列,存放引擎發過來的request請求	scrapy已經實現
Downloader(下載器)	下載把引擎發過來的requests請求,并返回給引擎	scrapy已經實現
Spider(爬蟲)	處理引擎發來的response,提取數據,提取url,并交給引擎	需要手寫
Item Pipline(管道)	處理引擎傳過來的數據,比如存儲	需要手寫
Downloader Middlewares(下載中間件)	可以自定義的下載擴展，比如設置代理	一般不用手寫
Spider Middlewares(中間件)	可以自定義requests請求和進行response過濾	一般不用手寫

3. Scrapy入門

#1?創建一個scrapy項目 scrapy?startproject?mySpider#2?生成一個爬蟲 scrapy?genspider?demo?"demo.cn"#3?提取數據 完善spider?使用xpath等#4?保存數據 pipeline中保存數據

在命令中運行爬蟲

scrapy?crawl?qb?????#?qb爬蟲的名字

在pycharm中運行爬蟲

from?scrapy?import?cmdlinecmdline.execute("scrapy?crawl?qb".split())

4. pipline使用

從pipeline的字典形可以看出來，pipeline可以有多個，而且確實pipeline能夠定義多個

為什么需要多個pipeline：

1 可能會有多個spider，不同的pipeline處理不同的item的內容

2 一個spider的內容可以要做不同的操作，比如存入不同的數據庫中

注意：

1 pipeline的權重越小優先級越高

2 pipeline中process_item方法名不能修改為其他的名稱

5. 文件目錄結構

文件配置：

setting：

SPIDER_MODULES?=?['st.spiders'] NEWSPIDER_MODULE?=?'st.spiders' LOG_LEVEL?=?'WARNING'?#?這樣設置可以在運行的時候不打印日志文件 ... #?Obey?robots.txt?rules ROBOTSTXT_OBEY?=?False?#?調整為false, ... #?Override?the?default?request?headers:?#?頭部信息,反爬 DEFAULT_REQUEST_HEADERS?=?{'user-agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/88.0.4324.96?Safari/537.36','Accept':?'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8','Accept-Language':?'en', } ... ITEM_PIPELINES?=?{?#?打開管道'st.pipelines.StPipeline':?300, }

為了運行文件方便：新建start.py(和settings在同一目錄下)，

from?scrapy?import?cmdline cmdline.execute('scrapy?crawl?stsp'.split())?#?這里爬蟲項目名為stsp

目前是這樣，后面提取數據的時候修改對應文件 .

二、頁面分析

第一頁url：https://699pic.com/video-sousuo-0-18-0-0-0-1-4-popular-0-0-0-0-0-0.html

url規律：

url?=?'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(i)

通過分析頁面知道視頻數據在li里面，如圖所示.現在問題就簡單了。

二、解析數據

def?parse(self,?response):#?global?count#?count?+=?1#?print(response)liList?=?response.xpath('//li')?#?獲取所有的li,后面提取有用的print(len(liList))?#?76(然后分析可知,第11個到第70個是我們需要的數據)newfolderName?=?'page{}'.format(count)?#?文件夾的名字page1,page2,....#?步驟二?創建一個新的文件夾?保存每頁的視頻if?not?os.path.exists(newfolderName):os.mkdir(newfolderName)for?li?in?liList[10:-6]:video_link?=?li.xpath("./a/div/video/@data-original").extract_first()videoLink?=?'https:'?+?video_link?#?url拼接title?=?li.xpath("./a[2]/h3/text()").extract_first()#?下載數據:res?=?requests.get(videoLink,headers=headers)data?=?res.contenttry:with?open(newfolderName?+?'/'?+?title?+?'.mp4','wb')?as?f:f.write(data)print('%s下載成功'%title)except:break

三、文件配置

items:

import?scrapy class?StItem(scrapy.Item):#?define?the?fields?for?your?item?here?like:#?和兩個對應前面的數據videoLink?=?scrapy.Field()title?=?scrapy.Field()#?pass

設置好items文件后需要在爬蟲文件(stsp.py)頭部添加如下代碼：

from?st.items?import?StItem?#?這個要設置根目錄文件即st

然后調整stsp文件：

item?=?StItem(videoLink=videoLink,title=title)yield?item?#?這里必須使用yield,如果使用return最后在管道中只能得到一個文件

piplines：

#?前面的注釋代碼 from?itemadapter?import?ItemAdapter import?csvclass?StPipeline:def?__init__(self):#?打開文件，指定方式為寫，利用第3個參數把csv寫數據時產生的空行消除self.f?=?open('Sp.csv','w',encoding='utf-8',newline='')#?設置文件第一行的字段名，注意要跟spider傳過來的字典key名稱相同self.file_name?=?['title',?'videoLink']#?指定文件的寫入方式為csv字典寫入，參數1為指定具體文件，參數2為指定字段名self.writer?=?csv.DictWriter(self.f,?fieldnames=self.file_name)#?寫入第一行字段名，因為只要寫入一次，所以文件放在__init__里面self.writer.writeheader()def?process_item(self,?item,?spider):#?寫入spider傳過來的具體數值self.writer.writerow(dict(item))?#?這里的item是上面創建出來的實例對象,需要轉換成dict#?寫入完返回return?itemdef?close_spider(self,spider):self.f.close()

四、批量爬取

next_url?=?'https://699pic.com/video-sousuo-0-18-0-0-0-{}-4-popular-0-0-0-0-0-0.html'.format(count)?#?這里的count是初始化的全局變量count,每次執行數據解析,就讓他+1 request?=?scrapy.Request(next_url) yield?request

最后運行程序：

csv文件：

page2.mp4文件：

代碼下載

Scrapy 爬取視頻源碼

鏈接：https://pan.baidu.com/s/1hmNBwdfNWd7gM795x5ivfg 提取碼：kxpy

推薦閱讀

Pandas處理數據太慢，來試試Polars吧！

懶人必備！只需一行代碼，就能導入所有的Python庫

絕！關于pip的15個使用小技巧

介紹10個常用的Python內置函數，99.99%的人都在用！

可能是全網最完整的 Python 操作 Excel庫總結！

總結

以上是生活随笔為你收集整理的如何用 Python + Scrapy 爬取视频？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。