爬虫【Scrapy框架的概念与执行流程】

Scrapy框架的概念与执行流程

简介

学习Scrapy的原因

1、Scrapy不能解决剩下的10%的爬虫需求
2、能够让开发过程方便、快速
3、Scrapy框架能够让我们的爬虫效率更高

什么是Scrapy

文档地址：

中文：https://www.osgeo.cn/scrapy/
英文：https://docs.scrapy.org/en/latest/

Scrapy使用了Twisted['twistid']异步网络框架、可以加快我们的下载速度
Scrapy是一个为了爬虫网站数据，提取结构性数据而编写的应用框架，我们只需要实现少量的代码，就能够快速的抓取

异步与非阻塞的区别

使用Scrapy

scrapy startproject my_spider

scrapy genspider baidu baidu.com

运行Scrapy脚本，要在根目录下
scrapy crawl baidu

案例 - 抓取蜻蜓FM

scrapy startproject fm
cd fm
scrapy genspider qingting https://m.qingting.fm/rank/
cd fm # 切换到有spiders的目录
scrapy crawl qingting # 运行

通过cmdline来快速启动

from scrapy import cmdline
pass
if __name__ == '__main__':
    cmdline.execute("scrapy crawl qingting".split())

解析函数中的yield能够传递的对象只能是：BaseItem、Request、dict、None

执行流程

Spiders(类) -> requests(对象) -> ScrapyEngine(引擎) -> Scheduler(队列)[ request, request, request ] -> Downloader(下载器) -> 返回给引擎 -> 提交给Spider -> 执行parse函数
SpiderMiddlewares(过滤和发送请求之前 可以运行的代码)
DownloaderMiddlewares( 下载器中间件 )
Item( 数据校验 )
Pipeline( 数据保存 )

使用scrapy进行爬虫

案例 - 蜻蜓FM

qingting.py

import scrapy
from scrapy import cmdline
from scrapy.http import HtmlResponse

class QingtingSpider(scrapy.Spider):
    name = "qingting"
    allowed_domains = ["m.qingting.fm", "pic.qtfm.cn"]
    start_urls = ["https://m.qingting.fm/rank/"]

    def parse(self, response, **kwargs):
        a_list = response.xpath('//div[@class="rank-list"]/a')
        # print(a_list)
        for a_temp in a_list:
            rank_number = a_temp.xpath('./div[@class="badge"]/text()').extract_first()
            title = a_temp.xpath('.//div[@class="title"]/text()').extract_first()
            rank_desc = a_temp.xpath('.//div[@class="desc"]/text()').extract_first()
            img_url = a_temp.xpath('./img/@src').extract_first()
            # print(rank_number, title, rank_desc, img_url)
            yield {
   
                'type' : 'info',
                'rank_number' : rank_number,
                'title' : title,
                'img_url' : img_url,
                'desc' : rank_desc
            }
            # 需要在parse函数中 重新构建一个新的request对象并对图片地址发送请求
            # 如果解析函数中存在自定义形参 则 需要cb_kwargs进行传参，key值必须和形参名相同
            yield scrapy.Request(img_url, callback=self.image_parse, cb_kwargs={
   'image_name' : title})

    # 图片解析函数
    @staticmethod
    def image_parse(response: HtmlResponse, image_name):
        yield{
   
            'type' : 'image',
            'image_name' : image_name+'.jpg',
            'image_content' : response.body,
        }


if __name__ == '__main__':
    cmdline.execute("scrapy crawl qingting".split())

pipelines.py

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

import os
import pymongo


class FmPipeline:
    def process_item(self, item, spider):
        # 1. 获取yield
        type = item.get('type')
        if type == 'image':
            download_url = os.getcwd() + '/download/'
            if not os.path.exists(download_url):
                os.mkdir(download_url)
            image_name = item.get('image_name')