本文主要介绍“如何快速掌握Scratchy爬虫框架”。在日常操作中,相信很多人对于如何快速掌握Scratchy爬虫框架有所疑惑。边肖查阅了各种资料,整理出简单易用的操作方法,希望能帮你解决“如何快速掌握Scratchy爬虫框架”的疑惑!接下来,请和边肖一起学习!
1. scrapy简介
Scrapy是基于事件驱动的Twisted框架,用纯python编写的爬虫框架。很长时间以来,Scrapy一直被用于在互联网上抓取图片和文本信息,但细节尚未记录。在此期间,因为工作需要,这个刺儿头的爬虫又被捡了起来。这篇文章将与你分享,你将能够使用它。欢迎交流。
1.1 scrapy框架
Scrapy框架包括5个主要组件和2个中间件Hook。
ENGIINE:整个框架的控制中心,控制整个爬虫的流程。根据不同的条件添加不同的事件(即Twisted)。
调度程序:事件调度程序。
下载器:接收爬虫请求并从互联网下载数据。
SPIDERS:发起爬虫请求,解析DOWNLOADER返回的网页内容,同时与数据持久化交互,需要开发人员编写。
ITEM PIPELINES:接收由SPIDERS解析的结构化字段并保存它们,这些字段需要由开发人员编写。
middleware:engline引擎和蜘蛛之间、引擎和DOWNLOADER之间的额外操作以钩子的形式提供给开发人员。
从上面来看,我们只需要实现SPIDERS(爬什么网站,如何解析)和ITEM PIPELINES(如何处理解析的内容)。其他事情都有框架帮你完成。
1.2 scrapy数据流
如果我们详细地查看组件之间的数据流,我们会更了解框架的内部操作。
鸿蒙系统正式战略合作,打造——HarmonyOS技术社区。
蜘蛛向ENGIINE发送一个爬虫请求,告诉它任务要来了。
ENGIINE将请求添加到SCHEDULER的调度队列中,说任务会交给你,由我来安排。
看着手里的许多爬行请求,调度器为ENGIINE选择了一个,并说大哥帮助将其转发给下载器。
好了,下载器,你的任务来了。
下载器:下载开始,下载完成。任务结果移交给ENGIINE。
ENGIINE会把结果给蜘蛛。您的一个请求已被下载。快去分析一下。
蜘蛛:好的,解析产生了结果字段。并将其转发给蜘蛛到物品管道。
项目管线:收到字段内容并保存。
从步骤1到步骤8,请求最终完成。你是不是觉得自己很多余?ENGIINE作为发射器夹在中间,可以直接跳过吗?想想如果你跳过它会发生什么。
在这里分析。
SCHEDULER的作用:调度任务,控制任务的并发性,防止机器不堪重负。
ENGIINE:基于Twisted框架,当一个事件到来时(比如转发一个请求),相应的事件通过回调来执行。我认为ENGIINE让所有的操作统一起来,根据事件组织其他组件,其他组件以低耦合的方式运行。对于一个框架来说,无疑是必要的。
2. 基础:XPath
编写爬虫最重要的是解析网页的内容。这一部分介绍了如何解析网页并通过XPath提取内容。
2.1 HTML节点和属性
>2.2 解析语法
-
a / b:‘/’在 xpath里表示层级关系,左边的 a是父节点,右边的 b是子节点
-
a // b:表示a下所有b,直接或者间接的
-
[@]:选择具有某个属性的节点
-
//div[@classs], //a[@x]:选择具有 class属性的 div节点、选择具有 x属性的 a节点
-
//div[@class="container"]:选择具有 class属性的值为 container的 div节点
-
//a[contains(@id, "abc")]:选择 id属性里有 abc的 a标签
一个例子
response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').get_all() # 获取所有class属性(css)为taglist的div, 下一个层ul下的所有li下所有a下所有img标签下data-original属性 # data-original这里放的是图片的url地址
3. 安装部署
Scrapy 是用纯python编写的,它依赖于几个关键的python包(以及其他包):
-
lxml 一个高效的XML和HTML解析器
-
parsel ,一个写在lxml上面的html/xml数据提取库,
-
w3lib ,用于处理URL和网页编码的多用途帮助程序
-
twisted 异步网络框架
-
cryptography 和 pyOpenSSL ,处理各种网络级安全需求
# 安装 pip install scrapy
4. 创建爬虫项目
scrapy startproject sexy # 创建一个后的项目目录 # sexy # │ scrapy.cfg # │ # └─sexy # │ items.py # │ middlewares.py # │ pipelines.py # │ settings.py # │ __init__.py # │ # ├─spiders # │ │ __init__.py # │ │ # │ └─__pycache__ # └─__pycache__ # 执行 需要到scrapy.cfg同级别的目录执行 scrapy crawl sexy
从上可知,我们要写的是spiders里的具体的spider类和items.py和pipelines.py(对应的ITEM PIPELINES)
5. 开始scrapy爬虫
5.1 简单而强大的spider
这里实现的功能是从图片网站中下载图片,保存在本地, url做了脱敏。需要注意的点在注释要标明
-
类要继承 scrapy.Spider
-
取一个唯一的name
-
爬取的网站url加到start_urls列表里
-
重写parse利用xpath解析reponse的内容
可以看到parse实现的时候没有转发给ITEM PIPELINES,直接处理了。这样简单的可以这么处理,如果业务很复杂,建议交给ITEM PIPELINES。后面会给例子
# 目录结果为:spiders/sexy_spider.py import scrapy import os import requests import time def download_from_url(url): response = requests.get(url, stream=True) if response.status_code == requests.codes.ok: return response.content else: print('%s-%s' % (url, response.status_code)) return None class SexySpider(scrapy.Spider): # 如果有多个spider, name要唯一 name = 'sexy' allowed_domains = ['uumdfdfnt.94demo.com'] allowed_urls = ['http://uumdfdfnt.94demo.com/'] # 需要爬取的网站url加到start_urls list里 start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html'] save_path = '/home/sexy/dingziku' def parse(self, response): # 解析网站,获取图片列表 img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall() time.sleep(1) # 处理图片, 具体业务操作, 可交给items, 见5.2 items例子 for img_url in img_list: file_name = img_url.split('/')[-1] content = download_from_url(img_url) if content is not None: with open(os.path.join(self.save_path, file_name), 'wb') as fw: fw.write(content) # 自动下一页(见5.3 自动下一页) next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get() if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)
5.2 items和pipline例子
这里说明下两个的作用
-
items:提供一个字段存储, spider会将数据存在这里
-
pipline:会从items取数据,进行业务操作,比如5.1中的保存图片;又比如存储到数据库中等
我们来改写下上面的例子
-
items.py其实就是定义字段scrapy.Field()
import scrapy class SexyItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() img_url = scrapy.Field()
-
spiders/sexy_spider.py
import scrapy import os # 导入item from ..items import SexyItem class SexySpider(scrapy.Spider): # 如果有多个spider, name要唯一 name = 'sexy' allowed_domains = ['uumdfdfnt.94demo.com'] allowed_urls = ['http://uumdfdfnt.94demo.com/'] # 需要爬取的网站url加到start_urls list里 start_urls = ['http://uumdfdfnt.94demo.com/tag/dingziku/index.html'] save_path = '/home/sexy/dingziku' def parse(self, response): # 解析网站,获取图片列表 img_list = response.xpath('//div[@class="taglist"]/ul//li//a//img/@data-original').getall() time.sleep(1) # 处理图片, 具体业务操作, 可交给yield items for img_url in img_list: items = SexyItem() items['img_url'] = img_url yield items
-
pipelines.py
import os import requests def download_from_url(url): response = requests.get(url, stream=True) if response.status_code == requests.codes.ok: return response.content else: print('%s-%s' % (url, response.status_code)) return None class SexyPipeline(object): def __init__(self): self.save_path = '/tmp' def process_item(self, item, spider): if spider.name == 'sexy': # 取出item里内容 img_url = item['img_url'] # 业务处理 file_name = img_url.split('/')[-1] content = download_from_url(img_url) if content is not None: with open(os.path.join(self.save_path, file_name), 'wb') as fw: fw.write(content) return item
-
重要的配置要开启在settings.py中开启piplines类,数值表示优先级
ITEM_PIPELINES = { 'sexy.pipelines.SexyPipeline': 300, }
5.3 自动下一页
有时候我们不仅要爬取请求页面中的内容,还要递归式的爬取里面的超链接url,特别是下一页这种,解析内容和当前页面相同的情况下。一种笨方法是手动加到start_urls里。大家都是聪明人来试试这个。
-
先在页面解析下下一页的url
-
scrapy.Request(next_page, callback=self.parse) 发起一个请求,并调用parse来解析,当然你可以用其他的解析
完美了,完整例子见5.1
next_page = response.xpath('//div[@class="page both"]/ul/a[text()="下一页"]/@href').get() if next_page is not None: next_page = response.urljoin(next_page) yield scrapy.Request(next_page, callback=self.parse)
5.4 中间件
-
下载中间件 中间件的作用是提供一些常用的钩子Hook来增加额外的操作。中间件的操作是在middlewares.py。可以看到主要是处理请求process_request,响应process_response和异常process_exception三个钩子函数。
-
处理请求process_request: 传给DOWNLOADER之前做的操作
-
响应process_response:DOWNLOADER给ENGIINE响应之前的操作
这里举一个添加模拟浏览器请求的方式,防止爬虫被封锁。重写process_request
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware import random agents = ['Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv,2.0.1) Gecko/20100101 Firefox/4.0.1', 'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11', 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)'] class RandomUserAgent(UserAgentMiddleware): def process_request(self, request, spider): ua = random.choice(agents) request.headers.setdefault('User-agent',ua,)
统一要在settings.py中开启下载中间件,数值表示优先级
DOWNLOADER_MIDDLEWARES = { 'sexy.middlewares.customUserAgent.RandomUserAgent': 20, }
5.5 可用配置settings.py
除了上面提供的pipline配置开启和中间件配置外,下面介绍几个常用的配置
-
爬虫机器人规则:ROBOTSTXT_OBEY = False, 如果要爬取的网站有设置robots.txt,最好设置为False
-
CONCURRENT_REQUESTS:并发请求
-
DOWNLOAD_DELAY:下载延迟,可以适当配置,避免把网站也爬挂了。
到此,关于“怎么快速掌握scrapy爬虫框架”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注网站,小编会继续努力为大家带来更多实用的文章!
内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/42851.html