前言
Python現在非常火,語法簡單而且功能強大,很多同學都想學Python!所以小的給各位看官們準備了高價值Python學習視頻教程及相關電子版書籍,都放在了文章結尾,歡迎前來領取!
Scrapy是一個爲了爬取網站數據,提取結構性數據而編寫的應用框架。 其可以應用在數據挖掘,信息處理或存儲歷史數據等一系列的程序中。其最初是爲了頁面抓取 (更確切來說, 網絡抓取 )所設計的, 也可以應用在獲取API所返回的數據(例如 Amazon Associates Web Services ) 或者通用的網絡爬蟲。Scrapy用途廣泛,可以用於數據挖掘、監測和自動化測試。
Scrapy 使用了 Twisted異步網絡庫來處理網絡通訊。整體架構大致如下
Scrapy主要包括了以下組件:
引擎(Scrapy)
用來處理整個系統的數據流, 觸發事務(框架核心)
調度器(Scheduler)
用來接受引擎發過來的請求, 壓入隊列中, 並在引擎再次請求的時候返回. 可以想像成一個URL(抓取網頁的網址或者說是鏈接)的優先隊列, 由它來決定下一個要抓取的網址是什麼, 同時去除重複的網址
下載器(Downloader)
用於下載網頁內容, 並將網頁內容返回給蜘蛛(Scrapy下載器是建立在twisted這個高效的異步模型上的)
爬蟲(Spiders)
爬蟲是主要幹活的, 用於從特定的網頁中提取自己需要的信息, 即所謂的實體(Item)。用戶也可以從中提取出鏈接,讓Scrapy繼續抓取下一個頁面
項目管道(Pipeline)
負責處理爬蟲從網頁中抽取的實體,主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。當頁面被爬蟲解析後,將被髮送到項目管道,並經過幾個特定的次序處理數據。
下載器中間件(Downloader Middlewares)
位於Scrapy引擎和下載器之間的框架,主要是處理Scrapy引擎與下載器之間的請求及響應。
爬蟲中間件(Spider Middlewares)
介於Scrapy引擎和爬蟲之間的框架,主要工作是處理蜘蛛的響應輸入和請求輸出。
調度中間件(Scheduler Middewares)
介於Scrapy引擎和調度之間的中間件,從Scrapy引擎發送到調度的請求和響應。
Scrapy運行流程大概如下:
1、安裝wheel
pip install wheel
2、安裝lxml
https://pypi.python.org/pypi/lxml/4.1.0
3、安裝pyopenssl
https://pypi.python.org/pypi/pyOpenSSL/17.5.0
4、安裝Twisted
https://www.lfd.uci.edu/~gohlke/pythonlibs/
5、安裝pywin32
https://sourceforge.net/projects/pywin32/files/
6、安裝scrapy
pip install scrapy
一、安裝
注:windows平臺需要依賴pywin32,請根據自己系統32/64位選擇下載安裝,https://sourceforge.net/projects/pywin32/
二、爬蟲舉例
入門篇:美劇天堂前100最新(http://www.meijutt.com/new100.html)
1、創建工程
scrapy startproject movie
2、創建爬蟲程序
cd movie
scrapy genspider meiju meijutt.com
3、自動創建目錄及文件
4、文件說明:
scrapy.cfg 項目的配置信息,主要爲Scrapy命令行工具提供一個基礎的配置信息。(真正爬蟲相關的配置信息在settings.py文件中)
items.py 設置數據存儲模板,用於結構化數據,如:Django的Model
pipelines 數據處理行爲,如:一般結構化的數據持久化
settings.py 配置文件,如:遞歸的層數、併發數,延遲下載等
spiders 爬蟲目錄,如:創建文件,編寫爬蟲規則
注意:一般創建爬蟲文件時,以網站域名命名
5、設置數據存儲模板
items.py
import scrapy
class MovieItem(scrapy.Item):
define the fields for your item here like:
# name = scrapy.Field()
name = scrapy.Field()
6、編寫爬蟲
meiju.py
-- coding: utf-8 --
import scrapy
from movie.items import MovieItem
class MeijuSpider(scrapy.Spider):
name = "meiju"
allowed_domains = ["meijutt.com"]
start_urls = ['http://www.meijutt.com/new100.html']
def parse(self, response):
movies = response.xpath('//ul[@class="top-list fn-clear"]/li')
for each_movie in movies:
item = MovieItem()
item['name'] = each_movie.xpath('./h5/a/@title').extract()[0]
yield item
7、設置配置文件
settings.py增加如下內容
ITEM_PIPELINES = {'movie.pipelines.MoviePipeline':100}
8、編寫數據處理腳本
pipelines.py
class MoviePipeline(object):
def process_item(self, item, spider):
with open("my_meiju.txt",'a') as fp:
fp.write(item['name'].encode("utf8") + '\n')
9、執行爬蟲
cd movie
scrapy crawl meiju --nolog
10、結果
進階篇:爬取校花網(http://www.xiaohuar.com/list-1-1.html)
1、創建一個工程
scrapy startproject pic
2、創建爬蟲程序
cd pic
scrapy genspider xh xiaohuar.com
3、自動創建目錄及文件
4、文件說明:
scrapy.cfg 項目的配置信息,主要爲Scrapy命令行工具提供一個基礎的配置信息。(真正爬蟲相關的配置信息在settings.py文件中)
items.py 設置數據存儲模板,用於結構化數據,如:Django的Model
pipelines 數據處理行爲,如:一般結構化的數據持久化
settings.py 配置文件,如:遞歸的層數、併發數,延遲下載等
spiders 爬蟲目錄,如:創建文件,編寫爬蟲規則
注意:一般創建爬蟲文件時,以網站域名命名
5、設置數據存儲模板
import scrapy
class PicItem(scrapy.Item):
define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field(
6、編寫爬蟲
-- coding: utf-8 --
import scrapy
import os
導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
爬蟲名稱,唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/list-1-1.html']
def parse(self, response):
# 獲取所有圖片的a標籤
allPics = response.xpath('//div[@class="img"]/a')
for pic in allPics:
# 分別處理每個圖片,取出名稱及地址
item = PicItem()
name = pic.xpath('./img/@alt').extract()[0]
addr = pic.xpath('./img/@src').extract()[0]
addr = 'http://www.xiaohuar.com'+addr
item['name'] = name
item['addr'] = addr
# 返回爬取到的數據
yield item
7、設置配置文件
設置處理返回數據的類及執行優先級
ITEM_PIPELINES = {'pic.pipelines.PicPipeline':100}
8、編寫數據處理腳本
import urllib2
import os
class PicPipeline(object):
def process_item(self, item, spider):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:52.0) Gecko/20100101 Firefox/52.0'}
req = urllib2.Request(url=item['addr'],headers=headers)
res = urllib2.urlopen(req)
file_name = os.path.join(r'D:\my\down_pic',item['name']+'.jpg')
with open(file_name,'wb') as fp:
fp.write(res.read())
9、執行爬蟲
cd pic
scrapy crawl xh --nolog
結果:
終極篇:我想要所有校花圖
註明:基於進階篇再修改爲終極篇
# xh.py
-- coding: utf-8 --
import scrapy
import os
from scrapy.http import Request
導入item中結構化數據模板
from pic.items import PicItem
class XhSpider(scrapy.Spider):
爬蟲名稱,唯一
name = "xh"
# 允許訪問的域
allowed_domains = ["xiaohuar.com"]
# 初始URL
start_urls = ['http://www.xiaohuar.com/hua/']
# 設置一個空集合
url_set = set()
def parse(self, response):
# 如果圖片地址以http://www.xiaohuar.com/list-開頭,我才取其名字及地址信息
if response.url.startswith("http://www.xiaohuar.com/list-"):
allPics = response.xpath('//div[@class="img"]/a')
for pic in allPics:
# 分別處理每個圖片,取出名稱及地址
item = PicItem()
name = pic.xpath('./img/@alt').extract()[0]
addr = pic.xpath('./img/@src').extract()[0]
addr = 'http://www.xiaohuar.com'+addr
item['name'] = name
item['addr'] = addr
# 返回爬取到的信息
yield item
# 獲取所有的地址鏈接
urls = response.xpath("//a/@href").extract()
for url in urls:
# 如果地址以http://www.xiaohuar.com/list-開頭且不在集合中,則獲取其信息
if url.startswith("http://www.xiaohuar.com/list-"):
if url in XhSpider.url_set:
pass
else:
XhSpider.url_set.add(url)
# 回調函數默認爲parse,也可以通過from scrapy.http import Request來指定回調函數
# from scrapy.http import Request
# Request(url,callback=self.parse)
yield self.make_requests_from_url(url)
else:
pass
文末福利
獲取方式:加python羣 839383765 即可獲取!