爬虫学习笔记4---------scrapy框架

最新推荐文章于 2023-03-04 20:17:51 发布

staryxx

最新推荐文章于 2023-03-04 20:17:51 发布

阅读量325

点赞数

分类专栏：爬虫

爬虫专栏收录该内容

7 篇文章

订阅专栏

Scrapy框架

Scrapy

不是一个简单的函数功能库；而是一个专业的网络爬虫框架

Scrapy 足以支持一般商业服务所需的爬虫能力：持续爬取、商业服务、高可靠性

scrapy库的安装:

pip install scrapy

scrapy -h

Available commands:

bench Run quick benchmark test

commands

fetch Fetch a URL using the Scrapy downloader

genspider Generate new spider using pre-defined templates

runspider Run a self-contained spider (without creating a project)

settings Get settings values

shell Interactive scraping console

startproject Create new project

version Print Scrapy version

view Open URL in browser, as seen by Scrapy

[ more ] More commands available when run from project directory

Unit1、Scrapy爬虫框架

一、Scrapy爬虫框架结构

爬虫框架
- 爬虫框架是实现爬虫功能的一个软件结构和功能组件集合。
- 是一个半成品，帮助实现专业网络爬虫。
“5+2”结构： 已有实现，不用编写
- - ENGINE 引擎
  - - 控制所有模块之间的数据流
    - 根据条件触发事件
  - SCHEDULER 调度器
  - - 对所有爬取请求进行调度管理，排访问顺序
  - ITEM PIPELINES （出口） 用户编写（也叫配置），对提取的信息进行后处理
  - - 以流水线来处理Spider产生的爬取项
    - 有一组操作顺序组成，类似流水线，每个操作是一个Item Pipeline类型
    - 可能操作包括：清理、检验、查重爬取项的HTML数据、将数据储存到数据库
  - SPIDERS （入口）用户编写（也叫配置），提供初始URL链接,并解析所得网页内容，再提供链接
  - - 解析Downloader返回的响应（Response）
    - 产生爬取项（scraped item）
    - 产生额外的爬取请求（Request）
  - DOWNLOADER 下载页面
  - Downloader Middlewares (中间件)
  - - 目的：实施Engine、Scheduler、Downloader之间进行用户可配置的控制
    - 功能：修改、丢弃、新增请求或响应（拦截）
  - Spider Middleware （中间件）
  - - 目的：对请求和爬取项再处理
    - 功能：修改、丢弃、新增请求或爬取项（拦截）

二、Requests vs. Scrapy

相同点：
- 都可进行页面请求和爬取，是Python爬虫的两个重要技术路线。
- 两都好用，文档丰富，入门简单。
- 都么有处理js、提交表单、应对验证码等功能（可扩展）
不同：

requests	Scrapy
页面级	网站级
功能库	框架
并发性不足，性能差	并发性好，性能较强（基于异步结构设计，有时太快会被反爬虫发现）
重点在于页面下载	重点在于爬虫框架
定制灵活	一般定制灵活，深度定制困难
上手十分简单	人门稍微难

三、Scrapy爬虫的常用命令

Scrapy命令行 (建立爬虫，运行爬虫)

Scrapy 是为持续运行设计的专业爬虫框架，提供操作的Scrapy命令行。

>scrapy <command> [options] [args]

命令行输入:

scrapy -h

常用命令：

startproject	创建一个新工程	scrapy startproject <name> [dir]
genspider	创建一个爬虫	scrapy genspider [options] <name> <domain>
settings	获得爬虫配置信息	scrapy settings [options]
crawl	运行一个爬虫	scrapy crawl <spider>
list	列出工程中所有爬虫	scrapy list
shell	启动URL调试命令行	scrapy shell [url]

Scrapy为什么采用命令行？

命令行（而不是图形界面）更容易自动化，适合脚本控制。
本质上，Scrapy是给程序员使用的，功能（而不是界面）更重要。

Unit2、Scrapy爬虫基本使用

产生步骤：

建立一个Scrapy爬虫工程
- 命令行：D:\pycode>scrapy startproject python123demo
- - 生成工程目录：
  - - Python123demo/------>外层目录
    - - scrapy.cfg ------>部署Scrapy爬虫的配置文件，服务器
      - Python123demo/-->Scrapy框架的用户自定义python代码
      - __init__.py-->初始化脚本
        items.py -->Items代码模板（继承类）
        middlewares.py -->Middlewares代码模板（继承类）
        pipelines.py -->Pipelines代码模板（继承类）
        settings.py --->Scrapy爬虫的配置文件
        spiders/ ----->Spiders代码模板目录（继承类）
        
        __init__.py ----->初始文件，无需修改
        __pycache__/--->缓存目录，无需修改
在工程中产生一个Scrapy爬虫，产生一个Spider模板
- 命令行：D:\pycode>cd python123demo
- - D:\pycode\python123demo>scrapy genspider demo python123.io #爬取域名
  - Created spider 'demo' using template 'basic' in module: python123demo.spiders.demo作用：生成demo.py
编写产生的Spider模板
- 修改dome.py文件
运行爬虫，获取网页

start_urls = ['http://python123.io/ws/demo.html']

#等价方法，完整代码部分：

def start_requests(self):

urls = [

'http://python123.io/ws/demo.html'

]

for url in urls:

yield scrapy.Request(url=url, callback=self.parse)#当Url数量很大时，可以很有效的节省资源

yield关键字

yield <-->生成器

生成器：一个不断产生值的函数
包含yield语句的函数是一个生成器
生成器每次产生一个值（yield语句），函数被冻结，被唤醒后再产生一个值。

#生成器写法

def gen(n):

for i in range(n):

yield i**2

for i in gen(5):

print(i,' ', end="")

#普通写法

def square(n):

ls = [i**2 for i in range(n)]

return ls

for i in square(5):

print(i,' ', end="")

##当n=1M、10M、100M或更大？生成器的重要优势

为何要使用生成器？

生成器相比一次列出所有内容的优势
- 更节省储存空间
- 响应更迅速
- 使用更加灵活

Scrapy爬虫的使用步骤：

创建一个工程和Spider模板
编写Spider
编写Item Pipeline
优化配置策略

Scrapy爬虫的数据类型：

1、Request类 (class scrapy.http.Request())

Request对象表示一个HTTP请求
由Spider生成，Downloader执行

属性、方法

.url

.method

.headers

.body

.meta

.copy()

说明

对应URL

对应请求方法.'GET''POST'

字典类型请求头

头部自定义

字符串类型请求内容

用户添加的扩展信息，Scrapy内部传递信息

复制该请求

2、Response类 (class scrapy.http.Request())

Request对象表示一个HTTP响应
由Downloader生成，Spider执行

属性和方法：

.url	.status	.headers	.body	.flags	.request	.copy(0
对应URL	HTTP状态码，默认200	头部	内容	一组标记	对应Request对象	复制该响应

3、Item类 (class scrapy.item.Item())

Item对象表示一个从HTML页面中提取的信息内容。
由Spider生成，由Item Pipeline处理。
Item类似字典类型，可以按照字典类型操作。

Scrapy爬虫提取信息的方法：

Beautiful Soup lxml re XPath Selector CSS Selector

Xpath Selector：

举例

##<div id="test1">大家好！</div>

data = response.xpath('//div[@id="test1"]/text()').extract()[0]

##<div id="test3">我左青龙，<span id="tiger">右白虎，<ul>上朱雀，<li>下玄武。</li></ul>老牛在当中，</span>龙头在胸口。<div>

data = response.xpath('//div[@id="test3"]')

info = data.xpath('string(.)').extract()[0]

CSS Selector的基本使用：(由W3C组织维护并规范)

<HTML>.css('a::attr(href)').extract()

a:标签名 href:标签属性

www.w3school.com.cn/cssref/css_selectors.asp (参考链接)

.class

.intro

选择 class="intro" 的所有元素。

::selection

选择被用户选取的元素部分。

element	p	选择所有 <p> 元素。	1
element,element	div,p	选择所有 <div> 元素和所有 <p> 元素。	1
element element	div p	选择 <div> 元素内部的所有 <p> 元素。	1

spider中应用举例：

start_urls = ["http://bj.lianjia.com/ershoufang/pg1tt2/"]

def parse(self, response):

# 获取当前页面的房屋列表
#house_lis = response.css('.house-lst .info-panel')

# 把结果输出到文件（在命令行中房屋标题会因为编码原因显示为乱码）

with open("homelink.log", "wb") as f:

## 使用css selector进行操作

#average_price = response.css('.secondcon.fl li:nth-child(1)').css('.botline a::text').extract_first()

#f.write("Average Price: " + str(average_price) + "\r\n")
#yesterday_count = response.css('.secondcon.fl li:last-child').css('.botline strong::text').extract_first()
#f.write("Yesterday Count: " + str(yesterday_count) + "\r\n")
#for house_li in house_lis:
# link = house_li.css('a::attr("href")').extract_first() # 获取房屋的链接地址
# title = house_li.css('a::text').extract_first() # 获取房屋的标题
# price = house_li.css('.price .num::text').extract_first() # 获取房屋的价格

Unit2、实例4，股票数据Scrapy爬虫

要求同实例3

Scrapy爬虫步骤：

创建一个工程和Spider模板
- scrapy startproject BaiduStocks
- cd BaiduStocks
- scrapy genspider stocks baidu.com
- 修改spiders/stocks.py文件
编写Spider
- 配置stocks.py文件
- 修改对返回页面的处理
- 修改对新增URL爬取请求的处理
编写Item Pipeline
- 配置pipelines.py文件
- 定义对爬取项（Scrapy Item）的处理类
- 配置Item_Pipelines选项（settings.py文件）
优化配置策略
- 配置并发连接选项（settings.py文件）
- - CONCURRENT_REQUESTS Downloader最大并发请求下载数量，默认32
  - CONCURRENT_ITEMS Item Pipeline最大并发ITEM处理数量，默认100
  - CONCURRENT_REQUESTS_PER_DOMAIN 每个目标域名最大并发请求数量，默认8
  - CONCURRENT_REQUESTS_PER_IP 每个目标IP最大并发请求数量，默认0，非0有效
执行程序
- scrapy crawl stocks