python爬虫框架Scrapy

Scrapy简介

Scrapy主要包括了以下组件：()

引擎(ScrapyEngine)
用来处理整个系统的数据流处理, 触发事务(框架核心)

调度器(Scheduler)
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

下载器(Downloader)
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(Spiders)
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

项目管道(Pipeline)
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。

下载器中间件(Downloader Middlewares)
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。

爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。

调度中间件(Scheduler Middewares)
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。

安装scrapy：pip install scrapy
如果下载超时出现read timed ot,那么就执行pip --default -timeout=100 install -U Pillow

入门案例

首先安装scrapy：pip install scrapy

创建项目命令：scrapy startproject 项目名

创建好后我们用PyCharm打开我们的项目，start文件是我们自己加的，用来启动项目的
start.py

from scrapy import cmdline

cmdline.execute("scrapy crawl xs".split())

这是最终项目目录

然后我来解释一下今天要用到的配置文件
settings就是你的一些基本配置：UA、header这些
pipelines：管道，定义你如何存放数据的方法
item：声明你需要存储数据的属性，比如一本书有：书名、作者价格等等，就是在这个里面定义
然后我们写爬取代码就是在spiders里面具体写.py文件

然后我们开始写案例，要执行的命令都能在Terminal这个窗口执行，当然你也能在cmd执行

然后我们创建一个scrapy爬取文件：scrapy genspider 文件名 “爬取网址（不需要www）”

当然你也可以直接创建py文件，它就不会帮你生成一些东西

下面我就直接上我案例的代码了
items.py

import scrapy
class ScraptyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    name = scrapy.Field()
    author = scrapy.Field()
    content = scrapy.Field()

我们在用管道存储数据的时候，需要在settings里面开启存储的优先级，值越小优先级越大
把这个注释给放开

ITEM_PIPELINES = {
   'ScraptySpider.pipelines.ScraptyspiderPipeline': 300,
}

pipelines.py

import csv

class ScraptyspiderPipeline(object):
    def __init__(self):
        self.f = open("起点中文网.csv", "w", newline="")
        self.writer = csv.writer(self.f)
        self.writer.writerow(["书名", "作者", "简介"])

    def process_item(self, item, spider):
        # 保存到csv文件中
        name = item["name"]
        author = item["author"]
        content = item["content"]
        self.writer.writerow([name, author, content])
        return item

xs.py

"""
爬取起点小说
"""
import scrapy
from ScraptySpider.items import ScraptyspiderItem

class XsSpider(scrapy.Spider):
    name = "xs"
    allowed_domains = ['qidian.com']
    start_urls = ['https://www.qidian.com/all?orderId=&style=1&pageSize=20&siteid=1&pubflag=0&hiddenField=0&page=1']

    def parse(self, response):
        # 获取到网页返回的数据
        # print(response.body.decode("UTF-8"))
        # 解析网页数据 XPath

        # li_list = response.xpath("//ul[contains(@class,'all-img-list')]/li")
        li_list = response.xpath("/html/body/div[1]/div[5]/div[2]/div[2]/div/ul/li")
        for li in li_list:
            item = ScraptyspiderItem()
            name = li.xpath(".//div[@class='book-mid-info']/h4/a/text()").extract_first()
            author = li.xpath(".//div[@class='book-mid-info']/p[@class='author']/a/text()").extract_first()
            content = str(li.xpath(".//div[@class='book-mid-info']/p[@class='intro']/text()").extract_first()).strip()

            # copy的xpath路径
            # name = li.xpath("/html/body/div[1]/div[5]/div[2]/div[2]/div/ul/li[1]/div[2]/h4/a/text()").extract_first()
            # author = li.xpath("/html/body/div[1]/div[5]/div[2]/div[2]/div/ul/li[1]/div[2]/p[1]/a[1]/text()").extract_first()
            # content = str(li.xpath("/html/body/div[1]/div[5]/div[2]/div[2]/div/ul/li[1]/div[2]/p[2]/text()").extract_first())
            print(name)
            print(author)
            print(content)
            item['name'] = name
            item['author'] = author
            item['content'] = content
            yield item

        # 获取下一页在超链接
        # nextUrl = response.xpath("//*[@id='page-container']/div/ul/li[7]/a").extract_first()
        nextUrl = response.xpath("//a[contains(@class,'lbf-pagination-next')]/@href").extract_first()
        if nextUrl != "javascript:;":
            yield scrapy.Request(url="http:"+nextUrl, callback=self.parse)

最后运行完start.py文件，就把数据拿下来了

并且我们的Excel文件也已经保存了

end…