Scrapy框架

目录

• 1. scrapy介绍
• 2. scrapy全部流程
• 3. 写爬虫主要文件

1. scrapy介绍

1.1. scrapy框架

scrapy是用纯python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

• scrapy engine(引擎): 负责spider、itempipeline、downloader、scheduler中间的通讯，信号、数据传递等。

• scheduler(调度器): 它负责接受引擎发送过来的request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

• downloader（下载器）：负责下载scrapy engine(引擎)发送的所有requests请求，并将其获取到的responses交还给scrapy engine(引擎)，由引擎交给spider来处理，

• spider（爬虫）：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)，

• item pipeline(管道)：它负责处理spider中获取到的item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

• downloader middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

• spider middlewares（spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和spider中间通信的功能组件（比如进入spider的responses;和从spider出去的requests）

1.2. scrapy运行流程

1. 引擎：hi！spider, 你要处理哪一个网站？

2. spider：老大要我处理xxxx.com。

3. 引擎：你把第一个需要处理的url给我吧。

4. spider：给你，第一个url是xxxxxxx.com。

5. 引擎：hi！调度器，我这有request请求你帮我排序入队一下。

6. 调度器：好的，正在处理你等一下。

7. 引擎：hi！调度器，把你处理好的request请求给我。

8. 调度器：给你，这是我处理好的request

9. 引擎：hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

10. 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

11. 引擎：hi！spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12. spider：（处理完毕数据之后对于需要跟进的url），hi！引擎，我这里有两个结果，这个是我需要跟进的url，还有这个是我获取到的item数据。

13. 引擎：hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进url你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

14. 管道``调度器：好的，现在就做！

1.3. 制作srapy爬虫的四部曲

• 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
• 明确目标 （编写items.py）：明确你想要抓取的目标
• 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
• 存储内容 （pipelines.py）：设计管道存储爬取内容

1.4. 文件目录

插入scrapy01.png

• scrapy.cfg ：项目的配置文件
  

[settings]
default = myspider.settings

[deploy]
#url = http://localhost:6800/
project = myspider

• myspider/ ：项目的python模块，将会从这里引用代码
  
• __init__: 必须的文件
  
• myspider/items.py ：项目的目标文件
  

import scrapy


class myspideritem(scrapy.item):
    # define the fields for your item here like:
    # name = scrapy.field()
    # age = scrapy.field()
    pass

• myspider/middlewares.py ：
• myspider/pipelines.py ：项目的管道文件
  

class myspiderpipeline(object):
    def process_item(self, item, spider):
        return item

• myspider/settings.py ：项目的设置文件

# 你的爬虫名字
bot_name = 'myspider'

# 你的爬虫的位置
spider_modules = ['myspider.spiders']
newspider_module = 'myspider.spiders'

# 是否遵循robust协议
robotstxt_obey = true

# 爬虫并发量
#concurrent_requests = 32

# 下载延迟
#download_delay = 3
# 下载延迟的额外设置：一般不用设置
#concurrent_requests_per_domain = 16
#concurrent_requests_per_ip = 16

# 是否使用cookie
#cookies_enabled = false

# 访问电话线设置
#telnetconsole_enabled = false

# 设置默认请求报头
#default_request_headers = {
# 'user-agent': ''
#   'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'accept-language': 'en',
#}

# 爬虫中间键：一般不设置
#spider_middlewares = {
#    'myspider.middlewares.myspiderspidermiddleware': 543,
#}

# 下载中间键： 后面的值是优先级，越小越高
#downloader_middlewares = {
#    'myspider.middlewares.myspiderdownloadermiddleware': 543,
#}

# 延展，没什么用
#extensions = {
#    'scrapy.extensions.telnet.telnetconsole': none,
#}

# 管道文件---经常使用的，用于指定优先级
# 
#item_pipelines = {
#    'myspider.pipelines.myspiderpipeline': 300,
#}

2. scrapy全部流程

我们打算抓取： 网站里的所有讲师的姓名、职称和个人信息。

• 创建项目
  
• 编写items.py文件：设置需要保存的数据字段
  
• 创建爬虫模板
  • 在spiders/文件夹下面运行scrapy genspider spidername "starturl"
• 进入xxx/spiders： 编写爬虫文件，文件里的name就是爬虫名
  
• 写管道文件
  • 设置文件保存的形式和写入文件
    
  • 在setting中设置优先级(默认自动设置)
    
  • 添加user-agent到setting中
• 运行：
  -scrapy crawl itcast
  • scrapy crawl itcast -o json/csv/xml/
• 数据处理
  • 数据：交给管道文件处理 yield item
  • 请求：重新发送给调度器入、出队列，交给下载器下载 yield scrapy.request(url, callback = self.parse)

3. 写爬虫主要文件

要建立一个spider， 你必须用scrapy.spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

• name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

• allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的url会被忽略。

• start_urls = ()：爬取的url元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子url将会从这些起始url中继承性生成。

• parse(self, response) ：解析的方法，每个初始url完成下载后将被调用，调用的时候传入从每一个url传回的response对象来作为唯一参数，主要作用如下：

  • 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
  • 生成需要下一页的url请求。