爬虫

最新推荐文章于 2021-04-18 12:03:35 发布

转载最新推荐文章于 2021-04-18 12:03:35 发布 · 94 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/yezuhui/p/6853417.html

文章标签：

#爬虫 #python #php

爬虫

说实话，爬虫对于我来说还是很神秘的，对爬虫的学习动力，可能仅仅是因为能够快速的在校花网上爬取一些妹子图片，或者是完成自己的作业任务，还有可能是因为或许以后可以通过爬虫为自己爬来一碗口粮。。。。哎，不想了！管他呢

爬虫

百度百科定义：

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

自己定义：一只有饥肠辘辘的蜘蛛在一张蜘蛛网上瞎转悠找吃的，找吃的同时找和其他蜘蛛网连接的蜘蛛丝，，如果找到相连的蜘蛛丝的话，就派手下的小弟去这个网上找吃的，就这样一层一层的找，如果小弟有找到的就拿回来

Scrapy

既然爬虫早就出现了，那肯定就有一些好心前辈们的呕心沥血总结，So，那我就先拿来用用。。哈哈

Scrapy，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：
引擎(Scrapy)
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。

Scrapy运行流程大概如下：

　　1.引擎从调度器中取出一个链接(URL)用于接下来的抓取
　　2.引擎把URL封装成一个请求(Request)传给下载器
　　3.下载器把资源下载下来，并封装成应答包(Response)
　　4.爬虫解析Response
　　5.解析出实体（Item）,则交给实体管道进行进一步的处理
　　6.解析出的是链接（URL）,则把URL交给调度器等待抓取

一、安装

pip install Scrapy

注：windows平台需要依赖pywin32，请根据自己系统32/64位选择下载安装，https://sourceforge.net/projects/pywin32/

二、基本使用

1、创建项目

运行命令:

scrapy startproject your_project_name

这个命令会在当前目录下创建一个新目录，它的结构如下：

project_name:
│
│  scrapy.cfg
│
└─project_name
    │  items.py
    │  pipelines.py
    │  settings.py
    │  __init__.py
    │
    └─spiders
            __init__.py

文件说明：

scrapy.cfg 项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据，如：Django的Model
pipelines 数据处理行为，如：一般结构化的数据持久化
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

注意：一般创建爬虫文件时，以网站域名命名

2、编写爬虫

在spiders目录中新建 xiaohuar_spider.py 文件

xiaohuar_spider.py

3、运行

进入project_name目录，运行命令

scrapy crawl spider_name --nolog

4、递归的访问

以上的爬虫仅仅是爬去初始页，而我们爬虫是需要源源不断的执行下去，直到所有的网页被执行完毕

View Code

以上代码将符合规则的页面中的图片保存在指定目录，并且在HTML源码中找到所有的其他 a 标签的href属性，从而“递归”的执行下去，直到所有的页面都被访问过为止。以上代码之所以可以进行“递归”的访问相关URL，关键在于parse方法使用了 yield Request对象。

注：可以修改settings.py 中的配置文件，以此来指定“递归”的层数，如： DEPTH_LIMIT = 1

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import scrapy
from scrapy.selector import HtmlXPathSelector
class XiaoHuarSpider(scrapy.spiders.Spider):
    name = "s1"
    allowed_domains = ["xiaohuar.com"]
    start_urls = [
        "http://www.beautyleg.com/list_album.php",
    ]
    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        items = hxs.select('//table//img/@src')
        print items

下面俩中获取的方法相同，推荐使用下面的那种：

        hxs = HtmlXPathSelector(response)
        items = hxs.select('//table//img/@src')
        print items


        from scrapy.selector import Selector
        ret = Selector(response=response).xpath('//table//img/@src').extract()
        print ret

获取内容：

//div[@class='item_list'] 表示找到所有的div下属性为class='item_list'的
//div[@class='item_list']/div 表示找到这个div的所有儿子
//div[@class='item_list']//span 表示找在这个div下的子子孙孙中的所有span标签
//div[@class='item_list']//a/text() 表示找在这个div下的子子孙孙中的所有a标签并获得所有a标签的内容
//div[@class='item_list']//img/@src 表示找在这个div下的子子孙孙中的所有img标签并获得所有img标签的src属性

正则选择器

选择器规则

获取响应cookies

5、格式化处理

上述实例只是简单的图片处理，所以在parse方法中直接处理。如果对于想要获取更多的数据（获取页面的价格、商品名称、QQ等），则可以利用Scrapy的items将数据格式化，然后统一交由pipelines来处理。

在items.py中创建类：

# -*- coding: utf-8 -*-
# Define here the models for your scraped items
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class JieYiCaiItem(scrapy.Item):

    company = scrapy.Field()

    title = scrapy.Field()

    qq = scrapy.Field()

    info = scrapy.Field()

    more = scrapy.Field()

上述定义模板，以后对于从请求的源码中获取的数据同意按照此结构来获取，所以在spider中需要有一下操作：

spilder

此处代码的关键在于：

将获取的数据封装在了Item对象中
yield Item对象（一旦parse中执行yield Item对象，则自动将该对象交个pipelines的类来处理）

pipelines

上述中的pipelines中有多个类，到底Scapy会自动执行那个？哈哈哈哈，当然需要先配置了，不然Scapy就蒙逼了。。。

在settings.py中做如下配置：

ITEM_PIPELINES = {

    'beauty.pipelines.DBPipeline': 300,

    'beauty.pipelines.JsonPipeline': 100,

}

# 每行后面的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内。