什么是Scrapy

  • 基于Twisted的异步处理框架
  • 纯python实现的爬虫框架
  • 基本结构:5+2框架,5个组件,2个中间件

 爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

5个组件:

  • Scrapy Engine:引擎,负责其他部件通信 进行信号和数据传递;负责Scheduler、Downloader、Spiders、Item Pipeline中间的通讯信号和数据的传递,此组件相当于爬虫的“大脑”,是整个爬虫的调度中心
  • Scheduler:调度器,将request请求排列入队,当引擎需要交还给引擎,通过引擎将请求传递给Downloader;简单地说就是一个队列,负责接收引擎发送过来的 request请求,然后将请求排队,当引擎需要请求数据的时候,就将请求队列中的数据交给引擎。初始的爬取URL和后续在页面中获取的待爬取的URL将放入调度器中,等待爬取,同时调度器会自动去除重复的URL(如果特定的URL不需要去重也可以通过设置实现,如post请求的URL)
  • Downloader:下载器,将引擎engine发送的request进行接收,并将response结果交还给引擎engine,再由引擎传递给Spiders处理
  • Spiders:解析器,它负责处理所有responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器);同时也是入口URL的地方
  • Item Pipeline:数据管道,就是我们封装去重类、存储类的地方,负责处理 Spiders中获取到的数据并且进行后期的处理,过滤或者存储等等。当页面被爬虫解析所需的数据存入Item后,将被发送到项目管道(Pipeline),并经过几个特定的次序处理数据,最后存入本地文件或存入数据库

2个中间件:

  • Downloader Middlewares:下载中间件,可以当做是一个可自定义扩展下载功能的组件,是在引擎及下载器之间的特定钩子(specific hook),处理Downloader传递给引擎的response。通过设置下载器中间件可以实现爬虫自动更换user-agent、IP等功能。
  • Spider Middlewares:爬虫中间件,Spider中间件是在引擎及Spider之间的特定钩子(specific hook),处理spider的输入(response)和输出(items及requests)。自定义扩展、引擎和Spider之间通信功能的组件,通过插入自定义代码来扩展Scrapy功能。

 Scrapy操作文档(中文的):https://www.osgeo.cn/scrapy/topics/spider-middleware.html

Scrapy框架的安装

cmd窗口,pip进行安装

pip install scrapy

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

Scrapy框架安装时常见的问题

找不到win32api模块----windows系统中常见

pip install pypiwin32

创建Scrapy爬虫项目

新建项目

scrapy startproject xxx项目名称

实例:

scrapy startproject tubatu_scrapy_project

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

项目目录

 爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

scrapy.cfg:项目的配置文件,定义了项目配置文件的路径等配置信息

  • 【settings】:定义了项目的配置文件的路径,即./tubatu_scrapy_project/settings文件
  • 【deploy】:部署信息

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

  • items.py:就是我们定义item数据结构的地方;也就是说我们想要抓取哪些字段,所有的item定义都可以放到这个文件中
  • pipelines.py:项目的管道文件,就是我们说的数据处理管道文件;用于编写数据存储,清洗等逻辑,比如将数据存储到json文件,就可以在这边编写逻辑
  • settings.py:项目的设置文件,可以定义项目的全局设置,比如设置爬虫的 USER_AGENT ,就可以在这里设置;常用配置项如下:
    • ROBOTSTXT_OBEY :是否遵循ROBTS协议,一般设置为False
    • CONCURRENT_REQUESTS :并发量,默认是32个并发
    • COOKIES_ENABLED :是否启用cookies,默认是False
    • DOWNLOAD_DELAY :下载延迟
    • DEFAULT_REQUEST_HEADERS :默认请求头
    • SPIDER_MIDDLEWARES :是否启用spider中间件
    • DOWNLOADER_MIDDLEWARES :是否启用downloader中间件
    • 其他详见链接
  • spiders目录:包含每个爬虫的实现,我们的解析规则写在这个目录下,即爬虫的解析器写在这个目录下
  • middlewares.py:定义了 SpiderMiddleware和DownloaderMiddleware 中间件的规则;自定义请求、自定义其他数据处理方式、代理访问等

自动生成spiders模板文件

cd到spiders目录下,输出如下命令,生成爬虫文件:

scrapy genspider 文件名 爬取的地址

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

运行爬虫

方式一:cmd启动

cd到spiders目录下,执行如下命令,启动爬虫:

scrapy crawl 爬虫名

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

方式二:py文件启动

在项目下创建main.py文件,创建启动脚本,执行main.py启动文件,代码示例如下:

code-爬虫文件👇

import scrapy


class TubatuSpider(scrapy.Spider):
    #名称不能重复
    name = 'tubatu'
    #允许爬虫去抓取的域名
    allowed_domains = ['xiaoguotu.to8to.com']
    #项目启动之后要启动的爬虫文件
    start_urls = ['https://xiaoguotu.to8to.com/pic_space1?page=1']

    #默认的解析方法
    def parse(self, response):
        print(response.text)

code-启动文件👇

from scrapy import cmdline

#在我们scrapy项目里面,为了方便运行scrapy的项目的时候创建的文件
#使用cmdlie.execute()方法执行爬虫启动命令:scrapy crawl 爬虫名
cmdline.execute("scrapy crawl tubatu".split())  #execute方法需要运行的每一个命令为单独的一个字符串,如:cmdline.execute(['scrapy', 'crawl', 'tubatu']),所以如果命令为一整个字符串时,需要split( )进行分割;#

code-运行结果👇

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

示例项目

爬取土巴兔装修网站信息。将爬取到的数据存入到本地MongoDB数据库中;

下图👇为项目机构,标蓝的文件就是此次code的代码

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

tubatu.py

 1 import scrapy
 2 from tubatu_scrapy_project.items import TubatuScrapyProjectItem
 3 import re
 4
 5 class TubatuSpider(scrapy.Spider):
 6
 7     #名称不能重复
 8     name = 'tubatu'
 9     #允许爬虫去抓取的域名,超过这个目录就不允许抓取
10     allowed_domains = ['xiaoguotu.to8to.com','wx.to8to.com','sz.to8to.com']
11     #项目启动之后要启动的爬虫文件
12     start_urls = ['https://xiaoguotu.to8to.com/pic_space1?page=1']
13
14
15     #默认的解析方法
16     def parse(self, response):
17         # response后面可以直接使用xpath方法
18         # response就是一个Html对象
19         pic_item_list = response.xpath("//div[@class='item']")
20         for item in pic_item_list[1:]:
21             info = {}
22             # 这里有一个点不要丢了,是说明在当前Item下面再次使用xpath
23             # 返回的不仅仅是xpath定位中的text()内容,需要再过滤;返回如:[<Selector xpath='.//div/a/text()' data='0元搞定设计方案,限名额领取'>] <class 'scrapy.selector.unified.SelectorList'>
24             # content_name = item.xpath('.//div/a/text()')
25
26             #使用extract()方法获取item返回的data信息,返回的是列表
27             # content_name = item.xpath('.//div/a/text()').extract()
28
29             #使用extract_first()方法获取名称,数据;返回的是str类型
30             #获取项目的名称,项目的数据
31             info['content_name'] = item.xpath(".//a[@target='_blank']/@data-content_title").extract_first()
32
33             #获取项目的URL
34             info['content_url'] = "https:"+ item.xpath(".//a[@target='_blank']/@href").extract_first()
35
36             #项目id
37             content_id_search = re.compile(r"(\d+)\.html")
38             info['content_id'] = str(content_id_search.search(info['content_url']).group(1))
39
40             #使用yield来发送异步请求,使用的是scrapy.Request()方法进行发送,这个方法可以传cookie等,可以进到这个方法里面查看
41             #回调函数callback,只写方法名称,不要调用方法
42             yield scrapy.Request(url=info['content_url'],callback=self.handle_pic_parse,meta=info)
43
44         if response.xpath("//a[@id='nextpageid']"):
45             now_page = int(response.xpath("//div[@class='pages']/strong/text()").extract_first())
46             next_page_url="https://xiaoguotu.to8to.com/pic_space1?page=%d" %(now_page+1)
47             yield scrapy.Request(url=next_page_url,callback=self.parse)
48
49
50     def handle_pic_parse(self,response):
51         tu_batu_info = TubatuScrapyProjectItem()
52         #图片的地址
53         tu_batu_info["pic_url"]=response.xpath("//div[@class='img_div_tag']/img/@src").extract_first()
54         #昵称
55         tu_batu_info["nick_name"]=response.xpath("//p/i[@id='nick']/text()").extract_first()
56         #图片的名称
57         tu_batu_info["pic_name"]=response.xpath("//div[@class='pic_author']/h1/text()").extract_first()
58         #项目的名称
59         tu_batu_info["content_name"]=response.request.meta['content_name']
60         # 项目id
61         tu_batu_info["content_id"]=response.request.meta['content_id']
62         #项目的URL
63         tu_batu_info["content_url"]=response.request.meta['content_url']
64         #yield到piplines,我们通过settings.py里面启用,如果不启用,将无法使用
65         yield tu_batu_info

items.py

 1 # Define here the models for your scraped items
 2 #
 3 # See documentation in:
 4 # https://docs.scrapy.org/en/latest/topics/items.html
 5
 6 import scrapy
 7
 8
 9 class TubatuScrapyProjectItem(scrapy.Item):
10     # define the fields for your item here like:
11     # name = scrapy.Field()
12
13     #装修名称
14     content_name=scrapy.Field()
15     #装修id
16     content_id = scrapy.Field()
17     #请求url
18     content_url=scrapy.Field()
19     #昵称
20     nick_name=scrapy.Field()
21     #图片的url
22     pic_url=scrapy.Field()
23     #图片的名称
24     pic_name=scrapy.Field()

piplines.py

 1 # Define your item pipelines here
 2 #
 3 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 4 # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
 5
 6
 7 # useful for handling different item types with a single interface
 8 from itemadapter import ItemAdapter
 9
10 from pymongo import MongoClient
11
12 class TubatuScrapyProjectPipeline:
13
14     def __init__(self):
15         client = MongoClient(host="localhost",
16                              port=27017,
17                              username="admin",
18                              password="123456")
19         mydb=client['db_tubatu']
20         self.mycollection = mydb['collection_tubatu']
21
22     def process_item(self, item, spider):
23         data = dict(item)
24         self.mycollection.insert_one(data)
25         return item

settings.py

爬虫(9) - Scrapy框架(1) | Scrapy 异步网络爬虫框架-LMLPHP

main.py

1 from scrapy import cmdline
2
3 #在我们scrapy项目里面,为了方便运行scrapy的项目的时候创建的文件
4 #使用cmdlie.execute()方法执行爬虫启动命令:scrapy crawl 爬虫名
5 cmdline.execute("scrapy crawl tubatu".split())  #execute方法需要运行的每一个命令为单独的一个字符串,如:cmdline.execute(['scrapy', 'crawl', 'tubatu']),所以如果命令为一整个字符串时,需要split( )进行分割;#
07-06 08:37