简单Scrapy项目运行和剖析
一、实验说明
1.1 实验内容
运行简单Scrapy项目并对其进行讲解
1.2 实验环境
- Python3.4
- Gvim
- Scrapy1.3.2
- Xfce终端
- Firefox及Firebug:分析网页利器,以及自动生成Xpath路径
F12打开网页调试工具
1.3 实验知识点
- Python基础知识
- Scrapy项目结构
1.4 代码获取
通过以下命令可以获取本节实验的源码:
wget http://labfile.oss.aliyuncs.com/courses/763/small_spider.zip
二、项目运行
本节课程主要是运行已经写好的简单scrapy项目,查看图片效果。
1.训练营的基础项目都存放在github上了,使用终端在Desktop的目录下git下来即可:
git clone https://github.com/Vrolist/scrapy_spider.git
2.终端中cd进到Scrapy_spider目录下的small_spider目录中去,使用命令:scrapy list
查看爬虫项目中有多少个爬虫,界面会列出当前所有爬虫的名字。
3.获得了爬虫名,直接使用爬虫命令运行:
scrapy crawl pic_spider
当前爬虫是爬取指定url页面中的图片,并将图片保存到本地,看结果图。
4.这里贴上原网页图片和网页源码图片进行对比:
在class为ali的ul标签里面,有18个li标签,每个li里面都是div->a->img,这样就走到了img标签内,图片链接就是img标签的src属性了。
以上就是整个爬虫运行的过程,数据筛选就是将图片保存本地。
注意:地址就是你命令行所在的文件夹,你爬取的图片和截图不同,是因为页面会更新,具体的测试对比要用你实验时打开页面的图片和你爬取的图片对比。
三、项目详解
在解释Scrapy项目前,先讲讲Scrapy的运行机制,请看下图:
- 列表项爬虫启动,引擎(Engine)会将起始的url传入到调度器(Scheduler)
- 列表项调度器(Scheduler)将url发给下载器(Download),下载器(Download)发起网络请求并将得到的数据发给爬虫(Spider)进行分析
- 列表项爬虫(Spider)开始分析数据,得到数据之后有两种情况:
- 分析得到下一个链接,进一步调用调度器(Scheduler)对链接进行前面两步操作
- 将分析得到的需要保存的数据,它们则被送到项目管道(Item Pipeline)那里,那是对数据进行后期处理(详细分析、过滤、存储等)的地方
以上就是Scrapy运行的顺序。现在开始贴代码解释这个简单Scrapy项目:
方便后面学习爬虫和管道代码,先贴上Items.py
的代码。
# 这个是Item.py文件
import scrapy
class SmallSpiderItem(scrapy.Item):
pic = scrapy.Field() # 这个pic很重要的,后面使用必须一致,不然报错
爬虫的代码文件位于spider目录内(即上一小节的第三层)
具体代码如下所有“#注释...”都是后加的代码的解释
:
#注释-这个是small.py文件
# -*- coding:utf-8 -*-
#注释-如果报中文编码错误,加上上面一行,或者去掉全部中文
import scrapy
from ..items import SmallSpiderItem
#注释-爬虫的类,必须继承scrapy.Spider
class tubagua_spider(scrapy.Spider):
#注释-必须字段,爬虫名,scrapy list命令行会列出name
name = "pic_spider"
#注释-必须字段,允许的爬取的url域名,如果url中域名不是这段不进行爬取。这里是python的列表类型,可以放多个链接
allowed_domains = ["www.ivsky.com"]
#注释-必须字段,爬虫启动时首先打开的url。这里是python的列表类型,可以放多个链接
start_urls = ["http://www.ivsky.com/tupian/renwutupian/"]
#注释-parse方法,爬虫启动会自动调用爬虫类中的parse方法,传入response【页面加载成功后得到的数据】
def parse(self, response):
sspider = SmallSpiderItem()
#注释-这里使用到了xpath对html进行分析,得到的结果赋值给我们定义的Item.py里面的类,pic必须一致,不然报错。后面会有一个章节详细介绍xpath,在这里简单翻译一下【没看懂没关系,可能是我解释不清楚】。
#注释-'//ul[@class="ali"]/li//img/@src' = 当前页面中所有的class为ali的ul标签、下的li标签、里面的所有img标签、的src属性的值
sspider['pic'] = response.xpath('//ul[@class="ali"]/li//img/@src').extract()
# print(sspider['pic'],len(sspider['pic']))
return sspider
以上就是spider目录(即上一小节的第三层)的全部代码了,因为__init__.py
文件里面没有任何代码。
在spider目录下定义了一个small.py的爬虫,里面根据爬取url获得的response,从中分析到了页面中图片的图片,直接返回了我们定义好的Item项目。但是我们爬虫的代码并没有将图片保存至本地,那保存图片的操作是在哪里执行的?
这里呢就是分工操作,scrapy的顺序如下
调度器和下载器都是直接使用的,爬虫是我们编写的爬取规则,项目管道也是我们自定义的,例如插入api、存入数据库、保存本地文件。
本项目中,图片的保存是项目管道pipeline.py
的代码文件进行的操作,保存到当前命令行所在位置,下面贴上保存图片的代码(#注释...都是添加的解释代码,运行时最好全部删除)
#注释-这个是pipeline.py文件
import urllib
class SmallSpiderPipeline(object):
def process_item(self, item, spider):
#注释-item['pic']里面是一个列表,存放着18张图片的url链接
for i in item['pic']:
print(i)#注释-打印图片的url链接
pic_name = i.split('/')[-1]
#注释-使用urllib库里面的urlretrieve函数,前者是图片的完整路径,后者是图片的url路径
urllib.request.urlretrieve(i,'z_p-'+pic_name)
# return item
以上就是爬虫的98%的代码了。当然一个功能完善的爬虫还需要更多的设置,最后贴上settings.py
#注释-这个是setting.py文件
BOT_NAME = 'small_spider'
SPIDER_MODULES = ['small_spider.spiders']
NEWSPIDER_MODULE = 'small_spider.spiders'
ROBOTSTXT_OBEY = True
#注释-以上部分是默认存在的,下面这个是添加的
#注释-ITEM_PIPELINES在这里是字典类型,后面的300是数值,1~1000范围内即可。【为了兼容性,ITEM_PIPELINES也可以是列表】
ITEM_PIPELINES = {
'small_spider.pipelines.SmallSpiderPipeline': 300,
}
就目前的简单Scrapy爬虫项目而言,settings.py
不需要太多的设置,后面慢慢的涉及越来越复杂的网站时,则settings.py
中就需要配置其他项,这个就到后面需要时再做介绍和学习。
四、本节总结
本节对Scrapy的运行顺序做了个介绍,并初步的涉及了爬虫和项目管道代码讲解和对Python一些数据类型的提及。后面几个小节会对Python的基础知识和http网络知识点做一个详述,希望能为基础薄弱的巩固基础,以便在后面的课程学习中可以更顺畅。
实验楼项目--传送门
Python教程、教程--传送门
推荐阅读
-
Scrapy安装和简单使用
-
Linux后台运行和关闭jar项目
-
php项目中百度 UEditor 简单安装调试和调用
-
asp.net mvc 简单项目框架的搭建过程(一)对Bll层和Dal层进行充分解耦
-
python scrapy项目下spiders内多个爬虫同时运行的实现
-
vue和react等项目中更简单的实现展开收起更多等效果示例
-
合成大西瓜开发源码手把手教你运行和部署大西瓜游戏项目(附源码)
-
C++ 实验二 NO.1_(3) 1:熟悉DEV环境,练习自己的第一个程序使用DEV集成环境来编辑,运行简单的数据输入和运算实验。(3)编写一个程序,要求:提示输入3个数;显示这3个数,求他们的平均值
-
(简单课设)前端小白刚做的一个简单的移动端项目的分享和总结
-
python基于scrapy爬取京东笔记本电脑数据并进行简单处理和分析