7 scrapy 初识

scrapy框架

框架介绍: Scrapy是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,非常出名,非常强悍。所谓的框架就是一个已经被集成了各种功能(高性能异步下载,队列,分布式,解析,持久化等)的具有很强通用性的项目模板。对于框架的学习,重点是要学习其框架的特性、各个功能的用法即可。

 

安装:
  Linux:
      pip3 install scrapy
  Windows:
      a. pip3 install wheel
      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
      c. 进入下载目录,执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl
      d. pip3 install pywin32
      e. pip3 install scrapy

 

基础使用
    1.创建项目:scrapy startproject 项目名称
    2.cd  proName
    3.创建爬虫文件scrapy genspider
    4.执行scrapy crawl  spiderName

scrapy crawl  pa1 --nolog #忽略log日志
# -*- coding: utf-8 -*-
import scrapy
class Pa1Spider(scrapy.Spider):
    # 爬虫文件的名称
    name = 'pa1'
    # allowed_domains = ['www.xxx.com']   # 允许域名
    start_urls = ['https://www.qiushibaike.com/text/']  # 起始url列表 可写多个

    # 解析数据
    def parse(self, response):  #响应
        div_list = response.xpath('//div[@id="content-left"]/div')
        names = []
        for div in div_list:
            # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()

            names.append({'name':author})  #必须封装到字典中  ('json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle')
        return names
    # 持久化存储
    # - 基于终端指令 特性:只能将parse方法的返回值存到磁盘里面
      
scrapy crawl first -o qiubai.csv #指定文件类型有要求.json .csv
    # - 基于管道 pipelines 

      - 数据解析        spider.py

      - 封装item类           items.py

      - 实例化item类型的对象  spider.py

      - 将解析倒的数据依次存储封装到item类型的对象中

      - 将item对象提交给管道   

     - 在管道中实现IO操作  spider.py

      - 开启管道  settings.py

  # 同一份数据存储到不同的平台:
    管道文件定义多个类,之后settings.py里注册开启,根据优先级数字越小,越早执行,不同类之间传递item,在def process_item():中return item.
# 全站数据的爬取: 不同页面
  1 页面全添加到start_urls中,不建议,在url很多的时候不好
  2 手动请求
    设置url模板,%s %d 字符串格式化
    手动请求发送写在哪里? 在parse方法
    yield scrapy.Request(url=url,parse.callback)
# 5大核心组件
爬虫: 干活的
管道: 接收item,
调度器:
下载器: 去互联网请求   
    下载中间件作用:拦截请求和响应
      -拦截请求:
        1 篡改请求头UA UA池,随机random.choice()
        2 设置相关请求对象的代理IP(process_exception中)
引擎: 数据流处理,处理事务
# POST请求的发送:
  重写def start_requests(self):
      yield scrapy.FormRequest(url,callback,formdata)
  scrapy 默认是自己处理cookie的, settings.py里面COOKIES_ENNABLE=False
# 日志等级
  settings.py 里面 LOG_LEVEL='ERROR'
# 日志路径
  settings.py 里面 LOG_FILE = 'path'
# 请求传参的应用场景:
  爬取和解析的数据不在同一张页面上面
  在请求方法中使用meta(字典)参数,该字典会传递参数给回调函数
    回调函数接收meta:response.meta['key']

 

 

转载于:https://www.cnblogs.com/zhangchen-sx/p/10822936.html

你可能感兴趣的:(7 scrapy 初识)