Scrapy框架介紹及基礎示例
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。
特點:快速,簡單,可擴展
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:
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。
運行流程大概如下:
引擎從調度器中取出一個鏈接(URL)用於接下來的抓取
引擎把URL封裝成一個請求(Request)傳給下載器
下載器把資源下載下來,並封裝成應答包(Response)
爬蟲解析Response
解析出實體(Item),則交給實體管道進行進一步的處理
解析出的是鏈接(URL),則把URL交給調度器等待抓取
示例:
新建項目:
scrapy startproject xiaohua
cd xiaohua
scrapy genspider xiaohua xiaohuar.com
項目目錄:
pro_name_dir/
scrapy.cfg # 部署配置文件
pro_name/ # project's Python module, you'll import your code from here
__init__.py
items.py # 設置數據存儲模板,用於結構化數據,如:Django的Model
middlewares.py # 中間件文件
pipelines.py # 數據處理行爲,如:一般結構化的數據持久化
settings.py # 項目配置文件
spiders/ # 爬蟲目錄,如:創建文件,編寫爬蟲規則
__init__.py
xiaohua.py
import scrapy
class XiaohuaPicItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
addr = scrapy.Field()
name = scrapy.Field()
ITEM_PIPELINES = {
'xiaohua_pic.pipelines.XiaohuaPicPipeline': 100,
}
import urllib
import os
class XiaohuaPicPipeline(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 = urllib.request.Request(url=item['addr'], headers=headers)
# Python3.3之後urllib與urllib2合併,只能使用urllib.request/response代替urllib2
res = urllib.request.urlopen(req)
# 確保pic_dir目錄真實存在
file_name = os.path.join(r'E:\python_project_dir\xiaohua_pic\pic_dir', item['name'] + '.jpg')
with open(file_name, 'wb') as fp:
fp.write(res.read())
# -*- coding: utf-8 -*-
import scrapy
import os
from scrapy.http import Request
from xiaohua_pic.items import XiaohuaPicItem
class XiaohuaSpider(scrapy.Spider):
name = 'xiaohua'
allowed_domains = ['xiaohuar.com']
start_urls = ['http://www.xiaohuar.com/hua/']
url_set = set()
def parse(self, response):
# 獲取所有圖片的a標籤
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 = XiaohuaPicItem()
name = pic.xpath('./img/@alt').extract()[0] # 提取獲取名稱
addr = pic.xpath('./img/@src').extract()[0] # 提取獲取img的src
addr = 'http://www.xiaohuar.com' + addr
item['name'] = name
item['addr'] = addr
yield item # 返回爬到的信息
# 獲取所有鏈接地址
urls = response.xpath("//a/@href").extract()
for url in urls:
# 篩選href爲http://www.xiaohuar.com/list-的分頁url,
if url.startswith("http://www.xiaohuar.com/list-"):
if url in XiaohuaSpider.url_set:
pass
else:
XiaohuaSpider.url_set.add(url)
yield self.make_requests_from_url(url) # 回調parse,將新url傳入
# 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)
else:
pass
運行:
scrapy crawl xiaohua
或cd spider
scrapy runspider xiaohua.py