python爬虫框架Scrapy

目录

    • Scrapy简介
    • 入门案例

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
python爬虫框架Scrapy_第1张图片
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
python爬虫框架Scrapy_第2张图片
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
python爬虫框架Scrapy_第3张图片
并且我们的Excel文件也已经保存了
python爬虫框架Scrapy_第4张图片
end…

你可能感兴趣的:(爬虫,Python)