Scrapy初步

Scrapy基于Twisted設(shè)計實現(xiàn)，Twisted的特殊特性是以事件驅(qū)動，并且對于異步的支持性很好，集成了高性能的異步下載，隊列，分布式，持久化等。

Scrapy的安裝

在Linux中可以直接在命令行中輸入：pip install scrapy

在windows中：

　　- pip3 install wheel

　　- 下載twisted，http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

　　　　- 下載的Twisted一定要和自己當(dāng)前python解釋器的版本相匹配，不然不會報這個錯誤：

　　　　　　Twisted-18.9.0-cp37-cp37m-win_amd64.whl is not a supported wheel on this platform.

　　-?進入下載目錄，執(zhí)行 pip3 install Twisted?17.1.0?cp35?cp35m?win_amd64.whl

　　- pip3 install pywin32

　　- pip3 install scrapy

Scrapy的目錄結(jié)構(gòu)

使用 scrapy startproject projectname? 啟動項目。

　　- scrapy.cfg　　scrapy項目的基礎(chǔ)配置

　　- items.py　　設(shè)置數(shù)據(jù)存儲模板，用于結(jié)構(gòu)化數(shù)據(jù)，如Django的Model

　　- middlewares.py　　自己定義的中間件

　　- piplines　　數(shù)據(jù)的持久化處理

　　- settings.py　　配置文件，如：遞歸的層數(shù)、并發(fā)數(shù)、延遲下載等

　　- spiders　　爬蟲目錄，創(chuàng)建文件，編寫解析規(guī)則等

創(chuàng)建爬蟲應(yīng)用程序：

　　- 進入項目目錄

　　- scrapy genspider 應(yīng)用名稱? 爬取網(wǎng)頁的起始url　　（例如: scrapy genspider test_1 www.baidu.com）

　　- 會出現(xiàn)一個appname.py的文件，文件內(nèi)容如下

import scrapyclass Test1Spider(scrapy.Spider):name = 'test_1'　　#應(yīng)用名allowed_domains = ['www.baidu.com']　　#允許爬取的域名，如果非該域名的則跳過start_urls = ['http://www.baidu.com/']　　#起始爬取的url#訪問起始url并獲取結(jié)果后的回調(diào)函數(shù)，該函數(shù)的response參數(shù)就是向起始的url發(fā)送請求后，獲取的相應(yīng)對象，
　　該函數(shù)的返回值必須為可迭代對象獲知NULL

def parse(self, response):pass　　#response.text　　獲取字符串類型的相應(yīng)內(nèi)容
　　　　　　　　　#reponse.body　　獲取字節(jié)類型的相應(yīng)內(nèi)容

程序執(zhí)行：

　　- scrapy crawl? 爬蟲名稱

　　- scrapy crawl --nolog　　#不顯示執(zhí)行的日志信息

?

案例一

修改settings.py文件

USER_AGENT="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360EE"
ROBOTSTXT_OBEY=False    #忽略君子協(xié)議

打開sprider文件

import scrapyclass QiuSprider(scrapy.Sprider):name="qiusp"allowed_domains=['https://www.qiushibaike.com/']start_urls=['https://www.qiushibaike.com/']def parse(self,response):#xpath為response函數(shù)的方法odiv=response.xpath('//div[@id="content-left"]/div')content_list=[]    #存儲解析數(shù)據(jù)for div in odiv:#xpath函數(shù)返回列表，列表中的數(shù)據(jù)為selector類型，需要調(diào)用extract()函數(shù)取出數(shù)據(jù)
　　　　　　　author = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].extract()
　　　　　　　content=div.xpath('.//div[@class="content"]/span/text()')[0].extract() 
　　　　　　　#將解析內(nèi)容封裝到字典中
　　　　　　　dic={ '作者':author, '內(nèi)容':content }
　　　　　　　#將數(shù)據(jù)存到content_list中
　　　　　　　content_list.append(dic)
　　　　　return content_list

?

案例二

spider

import scrapyfrom bossPro.items import BossproItem
class BossSpider(scrapy.Spider):name = 'boss'# allowed_domains = ['www.xxx.com']start_urls = ['https://www.zhipin.com/job_detail/?query=python%E7%88%AC%E8%99%AB&scity=101010100&industry=&position=']url = 'https://www.zhipin.com/c101010100/?query=python爬蟲&page=%d&ka=page-2'page = 1#解析+管道持久化存儲def parse(self, response):li_list = response.xpath('//div[@class="job-list"]/ul/li')for li in li_list:job_name = li.xpath('.//div[@class="info-primary"]/h3/a/div/text()').extract_first()salary = li.xpath('.//div[@class="info-primary"]/h3/a/span/text()').extract_first()company = li.xpath('.//div[@class="company-text"]/h3/a/text()').extract_first()#實例化一個item對象item = BossproItem()#將解析到的數(shù)據(jù)全部封裝到item對象中item['job_name'] = job_nameitem['salary'] = salaryitem['company'] = company#將item提交給管道yield itemif self.page <= 3:print('if 執(zhí)行!!!')self.page += 1new_url = format(self.url%self.page)print(new_url)#手動請求發(fā)送yield scrapy.Request(url=new_url,callback=self.parse)

items.py

items.py存放的是我們要爬取數(shù)據(jù)的字段信息，我們要爬取的是工作名，薪資，公司名。

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.htmlimport scrapyclass BossproItem(scrapy.Item):# define the fields for your item here like:job_name = scrapy.Field()salary = scrapy.Field()company = scrapy.Field()

pipelines.py

pipelines.py主要是對spiders中爬蟲返回的數(shù)據(jù)進行處理的，在這里我們讓其寫入redis和寫入文件，

pipeline可以隨意定義，但是它是有順序的，所以我們要在settings.py設(shè)置權(quán)重，數(shù)字越小，優(yōu)先級越高。

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.htmlfrom redis import Redis
class BossproPipeline(object):fp = Nonedef open_spider(self, spider):print('開始爬蟲......')self.fp = open('./boss.txt','w',encoding='utf-8')def close_spider(self, spider):print('結(jié)束爬蟲......')self.fp.close()#爬蟲文件每向管道提交一次item,則該方法就會被調(diào)用一次.#參數(shù):item 就是管道接收到的item類型對象def process_item(self, item, spider):#print(item)self.fp.write(item['job_name']+':'+item['salary']+':'+item['company']+'\n')return item #返回給下一個即將被執(zhí)行的管道類class redisPileLine(object):conn = Nonedef open_spider(self,spider):self.conn = Redis(host='127.0.0.1',port=6379)print(self.conn)def process_item(self, item, spider):# print(item)dic = {'name':item['job_name'],'salary':item['salary'],'company':item['company']}self.conn.lpush('boss',dic)

settings.py

USER_AGENT="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360EE"
ROBOTSTXT_OBEY=False    #忽略君子協(xié)議

ITEM_PIPELINES = {'bossPro.pipelines.BossproPipeline': 300,'bossPro.pipelines.redisPileLine': 301,
}

?

?

?

?

轉(zhuǎn)載于:https://www.cnblogs.com/cuiyuanzhang/p/9493496.html

總結(jié)

以上是生活随笔為你收集整理的爬虫之Scrapy的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。