教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

Scrapy，教分架Python开发的分钟一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的爬y爬数据。Scrapy用途广泛，虫框可以用于数据挖掘、取心监测和 自动化测试 。目中

Scrapy吸引人的教分架地方在于它是一个框架，任何人都可以根据需求方便的分钟修改。它也提供了多种类型爬虫的爬y爬基类，如BaseSpider、虫框sitemap爬虫等，取心最新版本又提供了web2.0爬虫的目中支持。

Scratch，教分架是分钟抓取的意思，这个Python的爬y爬爬虫框架叫Scrapy，大概也是这个意思吧，就叫它：小刮刮吧。

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下:

Scrapy主要包括了以下组件：

用来处理整个系统的数据流处理, 触发事务(框架核心)

用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的云服务器网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址

用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)

爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面

负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。

介于Scrapy引擎和爬虫之间的网站模板框架，主要工作是处理蜘蛛的响应输入和请求输出。

介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

安装

因为python3并不能完全支持Scrapy，因此为了完美运行Scrapy，我们使用python2.7来编写和运行Scrapy。

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

其它可能依赖的安装包：lxml-3.6.4-cp27-cp27m-win_amd64.whl，VCForPython27.msi百度下载即可

基本使用

1、创建项目

运行命令:

2.自动创建目录的结果：

文件说明：

注意：一般创建爬虫文件时，以网站域名命名

3、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

示例代码：

备注：

     3. 编写函数parse，这里需要注意的是，该函数名不能改变，因为Scrapy源码中默认callback函数的函数名就是parse；

    4. 定义需要爬取的url，放在列表中，因为可以爬取多个url，Scrapy源码是一个For循环，从上到下爬取这些url，使用生成器迭代将url发送给下载器下载url的html。源码截图：

4、运行

进入p1目录，运行命令

格式：scrapy crawl+爬虫名  –nolog即不显示日志

5、scrapy查询语法：

当我们爬取大量的网页，如果自己写正则匹配，会很麻烦，也很浪费时间，令人欣慰的是，scrapy内部支持更简单的查询语法，帮助我们去html中查询我们需要的标签和标签内容以及标签属性。下面逐一进行介绍：

示例代码：

注：urllib.urlretrieve(ab_src, file_path) ，接收文件路径和需要保存的路径，会自动去文件路径下载并保存到我们指定的本地路径。

6、递归爬取网页

上述代码仅仅实现了一个url的爬取，如果该url的爬取的内容中包含了其他url，而我们也想对其进行爬取，那么如何实现递归爬取网页呢？

示例代码：

即通过yield生成器向每一个url发送request请求，并执行返回函数parse，从而递归获取校花图片和校花姓名学校等信息。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数,如： DEPTH_LIMIT = 1

7、scrapy查询语法中的正则：

语法规则：Selector(response=response查询对象).xpath(‘//li[re:test(@class, “item-d*”)]//@href’).extract()，即根据re正则匹配，test即匹配，属性名是class，匹配的正则表达式是”item-d*”，然后获取该标签的href属性。

选择器规则Demo

获取响应cookie

更多选择器规则：http://www.baby98.cn/

8、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。即不同功能用不同文件实现。

items：即用户需要爬取哪些数据，是用来格式化数据，并告诉pipelines哪些数据需要保存。

示例items.py文件：

即：需要爬取所有url中的公司名，title，qq，基本信息info，更多信息more。

上述定义模板，以后对于从请求的源码中获取的数据同样按照此结构来获取，所以在spider中需要有一下操作：

上述代码中：对url进行md5加密的目的是避免url过长，也方便保存在缓存或数据库中。

此处代码的关键在于：

上述代码中多个类的目的是，可以同时保存在文件和数据库中，保存的优先级可以在配置文件settings中定义。

总结：本文对python爬虫框架Scrapy做了详细分析和实例讲解 

最新评论