首页 > 其他分享 >Scrapy笔记

Scrapy笔记

时间：2023-04-29 09:56:36浏览次数：34  
标签：url self 爬虫 笔记 item Scrapy response scrapy

python大数据开发

scrapy框架

架构

  • Scrapy Engine(引: 负责Spider、ltemPipeline、 Downloader、Scheduler中间的通讯，信号、数据传递等
  • Scheduler(调度器):它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
  • Downloader (下载器):负责下载Scrapy Engine引擎)发送的所有Requests请，并将其获取到的Responses交还给Scrapy Engine(引擎)，的/擎交给Spider来处理。
  • Spider(爬虫):它负责外理所有Responss,从中分析提取数据，获item字段需要的数据，并将需要跟进的URL提交给引擎，再次进Scheduler(调度器)
  • ltem Pipeline(管道): 它负责处理Spider中获取到的ltem，并进行进行后期处理(详细分析、过滤、存储等)的地方。
  • Downloader Middlewares (下载中间件):一个可以自定义扩展下载功能的组件。
  • Spider Middlewares (Spider中间件): 一个可以自定扩展和操作引擎和Spider中间通信的功能组件。

步骤

1、引擎向spiders要url

2、引将要爬取的url给调度器

3、调度器会将url生成请求对象放入到指定的队列中

4、从队列中出队一个请求

5、引擎将请求交给下载器进行处理

6、下载器发送请求获取互联网数据

7、下载器将数据返回给引擎

8、引擎将数据再次给到spiders

9、spiders通过xpath解析该数据，得到数据或者ur

10、spiders将数据或者url给到引擎

11、引擎判断该数据还是url，是数据，交给管道 ( itempipeline)处理，是url交给调度器处理

一、scrapy项目结构

项目名字
项目的名字
spiders文件夹（存储的是爬虫文件）
init
自定义的爬虫文件 核心功能文件
init
items 定义数据结构的地方 爬虫的数据都包含哪些
middleware 中间件 代理
pipelines 管道 用来处理下载的数据
settings 配置文件 robots协议 ua定义等

二、scrapy环境搭建

pip install Scrapy

三、如何开始

1、新建项目:新建一个新的爬虫项目

打开cmd，输入scrapy startproject 项目的名字
(默认是在C:\Users...这个目录下，你可以自行切换到对应的 文件下）
注意：项目的名字不允许使用数字开头 也不能包含中文

2、明确目标 （items.py）：明确你想要抓取的目标

选择你需要爬取的内容，例如作者名字、小说名、封面图片等
在items.py文件中定义

import scrapy
class AdicrawlerItem(scrapy.Item):
    author = scrapy.Field()
    theme = scrapy.Field()
以上定义了两个变量 分别是作者名、主题。

3、制作爬虫 (spiders/xxspider.py): 制作爬虫开始爬取网页

	要在spiders文件在去创建爬虫文件
	     cd 项目的名字\项目的名字\spiders
	     eg : cd scrapy_baidu\scrapy_baidu\spiders

    创建爬虫文件
     	scrapy genspider 爬虫文件的名字 要爬的网页
     	eg : scrapy genspider baidu www.baidu.com
      	一般情况下不需要添加http协议
      	因为start_urls的值是根据allowed_domains修改的


import scrapy
class BaiduSpider(scrapy.Spider):
    # 爬虫的名字 一般运行爬虫的时候 使用的值
    name = 'baidu'
    # 允许访问的域名
    allowed_domains = ['www.baidu.com']
    # 起始的url地址  指的是第一次要访问的域名
    # start_urls   是在allowed_domains的前面添加一个http：//
    #              是在allowed_domains的后面添加一个/
    # 如果以html结尾 就不用加/ 否则网站进不去  报错
    start_urls = ['http://www.baidu.com/']

    # 是执行了start_urls之后  执行的方法
    # 方法中的response  就是返回的那个对象
    # 相当于 response = urllib.request.urlopen()
    #       response = requests.get()
    def parse(self, response):
        pass

response的属性和方法

  • response.text

    • 获取的是响应的字符串

  • response.body

    • 获取的是二进制数据

  • response.xpath

    • 可以直接使用xpath方法来解析response中的内容

  • response.extract()

    • 提取seletor对象的data属性值

  • response.extract first()

    • 提取的seletor列表的第一个数据
import scrapy
from AdiCrawler.items import AdicrawlerItem


class ThousandpicSpider(scrapy.Spider):
    name = 'thousandpic'
    allowed_domains = ['www.58pic.com']
    start_urls = ['http://www.58pic.com/c/']

    def parse(self, response):
        author = response.xpath('//div[@class="wrap-list fl"]//span[@class="fl info-h1"]/text()').extract()
        theme = response.xpath('//div[@class="wrap-list fl"]//span[@class="usernameColor"]/text()').extract()
        item = AdicrawlerItem(author=author,theme=theme)
        yield item

4、存储内容 (pipelines.py): 设计管道存储爬取内容

如果想使用管道的话那么就必须在settings中开启管道

ITEM_PIPELINES = {
	    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
	   'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
}
    	# 将在settings.py中这段话取消注释，则打开了通道。

然后去pipelines.py中设计管道:

方法一：

class ScrapyDangdangPipeline:
	def process_item(self, item, spider):
        # 以下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁
        # write方法必须要写一个字符串 而不能是其他的对象
        # w模式 会每一个对象都打开一次文件 覆盖之前的内容
        # 文件存储就不多讲啦
		with open('book.json','a',encoding='utf-8') as fp:
		fp.write(str(item))
		return item

方法二：（推荐）

class ScrapyDangdangPipeline:

    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')

    # item就是yield后面的对象
    def process_item(self, item, spider):   
        self.fp.write(str(item))
        return item

    def close_spider(self,spider):
        self.fp.close()

5、 运行爬虫

一般在运行爬虫的时候仍然没有内容查询，则需要考虑将settings.py文件中的ROBOTSTXT_OBEY = True注释掉
robots协议 注释之后就不遵守协议了 他是君子协议 一般情况下我们不遵守 # BOTSTXT_OBEY = True

在cmd中输入：scrapy crawl 爬虫的名字
  eg:scrapy crawl baidu

四、项目实战

  • 打开cmd，创建项目

scrapy startproject scrapy_dangdang

  • 创建爬虫文件

先到spiders文件下 :

cd scrapy_dangdang\scrapy_dangdang\spiders

然后创建爬虫文件 :

scrapy genspider dang category.dangdang.com

  • 项目目录

确定需要下载的数据，去items.py文件中添加。这里我们准备存储图片、名字和价格

import scrapy

class ScrapyDangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 通俗的说就是你要下载的数据都有什么
    # 图片
    src = scrapy.Field()
    # 名字
    name = scrapy.Field()
    # 价格
    price = scrapy.Field()
  • 接下来我们就可以去爬虫文件中去爬取我们需要的内容了（这里是在dang.py文件中）
import scrapy
from scrapy_dangdang.items import ScrapyDangdangItem


class DangSpider(scrapy.Spider):
    # 爬虫的名字 一般运行爬虫的时候 使用的值
    name = 'dang'

    # 允许访问的域名
    # 如果是多页下载的话 那么必须要调整的是allowed_domains的范围 一般情况下只写域名
    allowed_domains = ['category.dangdang.com']

    # 起始的url地址  指的是第一次要访问的域名
    # start_urls   是在allowed_domains的前面添加一个http：//
    #              是在allowed_domains的后面添加一个/
    # 如果以html结尾 就不用加/
    start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']
    base_url = 'http://category.dangdang.com/pg'
    page = 1

    # 是执行了start_urls之后  执行的方法
    # 方法中的response  就是返回的那个对象
    # 相当于 response = urllib.request.urlopen()
    #       response = requests.get()
    def parse(self, response):
        # pipelines     下载数据
        # items         定义数据结构的
        # src = //ul[@id="component_59"]/li//img/@src
        # alt = //ul[@id="component_59"]/li//img/@alt
        # price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()
        # 所有的seletor的对象 都可以再次调用xpath方法
        li_list = response.xpath('//ul[@id="component_59"]/li')
        for li in li_list:
        #  第一张图片和其他的图片的标签是属性是不一样的
        #  第一张图片src是可以使用的 其他图片的地址data-original
            src = li.xpath('.//img/@data-original').extract_first()
            if src:
               src = src
            else:
               src = li.xpath('.//img/@src').extract_first()

            name = li.xpath('.//img/@alt').extract_first()
            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = ScrapyDangdangItem(src=src,name=name,price=price)
            # 获取一个book就交给pipelines
            yield book

        # 每一页爬取的业务逻辑都是一样的
        # 所以我们只需要将执行的那个页的请求再次调用parse方法就可以了
        if self.page < 100:
            self.page = self.page + 1
            url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'
            # 怎么去调用parse方法
            # scrapy.Request就是scrpay的get方法
            # url就是请求地址
            # callback是你要执行的那个函数 注意不需要加圆括号
            yield scrapy.Request(url=url,callback=self.parse)
  • 通过解析拿到数据之后，我们就可以去通道中添加保存的方法了（pippelines.py）
  • 首先我们要去settings.py在打开通道和添加通道，完成之后进行下一步
点击查看代码 
# define the fields for your item here like:
    # name = scrapy.Field()
    # 通俗的说就是你要下载的数据都有什么
    # 图片
​    src = scrapy.Field()
    # 名字
​    name = scrapy.Field()
    # 价格
​    price = scrapy.Field()

ITEM_PIPELINES = {
    # 管道可以有很多个 那么管道是有优先级 优先级的范围是1到1000 值越小优先级越高
   'scrapy_dangdang.pipelines.ScrapyDangdangPipeline': 300,
   'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
}
  • 通道打开后，在pippelines.py完成下列操作
import os
# 如果想使用管道的话 那么就必须在settings中开启管道
class ScrapyDangdangPipeline:

    def open_spider(self,spider):
        self.fp = open('book.json','w',encoding='utf-8')

    # item就是yield后面的book对象
    def process_item(self, item, spider):
        # 一下这种模式不推荐 因为每传递一个对象 那么就打开一次文件对文件的操作过于频繁
        # # write方法必须要写一个字符串 而不能是其他的对象
        # # w模式 会每一个对象都打开一次文件 覆盖之前的内容
        # with open('book.json','a',encoding='utf-8') as fp:
        #     fp.write(str(item))

        self.fp.write(str(item))
        return item

    def close_spider(self,spider):
        self.fp.close()

# 多条管道开启
    # 定义管道类
    # 在settings中开启管道
    # 'scrapy_dangdang.pipelines.DangDangDownloadPiepline': 301,
import urllib.request

class DangDangDownloadPiepline:

    def process_item(self,item,spider):
        url = 'http:' + item.get('src')
        if not os.path.exists('./books/'):
            os.mkdir('./books/')
        filename = './books/' + item.get('name') + '.jpg'
        urllib.request.urlretrieve(url=url,filename=filename)
        return item
  • 最后在cmd中输入：scrapy crawl dang
  • 完成之后就开始下载了，全部完成之后你就会看到多了book.json文件和books文件夹在自己的项目中。里面有数据，则表示项目成功了。

标签：url,self,爬虫,笔记,item,Scrapy,response,scrapy
From： https://www.cnblogs.com/shuai-yi-zhou/p/17363593.html

相关文章

  • 五一 NOI 数学听课笔记
    注：本文不写证明。一、剩余类环\(\mathbb{Z}/n\mathbb{Z}\)记号：\(\overline{x}\)在\(\modn\)意义下代表一个集合：\(\{\dots,x-2n,x-n,x,x+n,x+2n,\dots\}\)加法逆元：\(a:\overline{-a}\text{or}\overline{n-a}\)乘法逆元：\(\overline{a}\times\overline{b}=1\)费马小......
  • 「学习笔记」重修生成树
    最小生成树（MinimumSpanningTree，MST）为边权和最小的生成树。算法Kruskal算法实现将所有的边按边权从小到大排序，然后用并查集维护一条边所连接的两个点是否已联通（不能形成环）。intfind(intx){ returnfa[x]==x?fa[x]:fa[x]=find(fa[x]);}llkruskal(){ ll......
  • 梦断代码读书笔记 6
    第十章工程师和艺术家编程是工程还是文学？是科学还是艺术？高德纳写的书名叫《计算机程序设计艺术》，他在1984年获得图灵奖时发表感言说：“计算机编程是门艺术”。写《计算机程序设计艺术》这本书他花了十年，写TeX和metafont程序设计没写到也花了近10年。他宣称，写软件要比写书“难多......
  • 2023/4/28读书笔记
       今天，上了计算机网络，学习了运输层的相关知识，简单介绍了UDP与TCP的协议与区别，一个可靠，一个尽可能交付，学习了端口与运输层为应用进程提供逻辑通信。后来，在概率论上学了了方差的定义，计算方法，常见方差，方差性质，标准差，标准化，协方差COV的定义，计算方法，性质，与相关系数。......
  • 四月读书笔记2
    四月读书笔记2关于进程管理和客户需求，进程管理只是项目管理中的一个方面，还有比进程管理失控更加可怕的，那便是未能准确地获取客户的需求，导致项目运行方向犹如救经引足，南辕北辙。收集客户需求看似简单，然而实际情况千变万化不一而足，某些用户仅仅偶尔使用程序，有些用户必须依赖程序，还......
  • 读书笔记02
    这本书讲述了几十年前软件专案管理问题与经验，作者将大型系统开发比作一个焦油坑，我原本以为软件开发还是比较容易的，有了新想法，就会有新的软件产品出现，但是却不知道项目不能满足目标、进度、预算的要求，就不能成为一个好项目。程序，通过不同的途径转变成不同的产物，使之变得更有用，成本......
  • 四月读书笔记二
    程序员几乎仅仅工作在单纯的思考中，程序员凭空运用自己的想象，来建造自己的“城堡”。很少有这样的介质——创造的方式如此灵活，如此得益于精炼和重建，如此得容易实现概念上的设想。这句话是《人月神话》中我比较喜欢的一句话。所谓焦油坑，就是由于如同诗人一般的程序员们不断的将工作......
  • 构建之法读书笔记-4月
    《构建之法》是一本由丹尼尔·布鲁斯坦所著的研究人类思维方式的书籍。它探讨了构建和创新的过程，以及我们如何利用这些过程来改善我们的生活和工作。在全书中，布鲁斯坦提出了一种三个阶段的构建模型，分别是发现、抽象和建立。他指出这三个阶段不仅是构建过程的必要步骤，而且在任何......
  • 《代码大全》读书笔记3
    第七章是《代码大全》中关于代码优化的章节，对于软件工程师来说，良好的代码优化技能是非常重要的。在这一章中，作者详细介绍了如何进行代码优化，包括性能调整、空间利用、算法和数据结构的优化等方面的内容。通过阅读这一章，我深刻地认识到了代码优化的重要性，并学习了许多实用的技巧和......
  • 「学习笔记」重修最短路
    \(u\)到\(v\)的最短路径的长度就是\(u\)到\(v\)的最短路。单源最短路算法可以求出一个点到其他点的最短路。全源最短路算法可以求出每一个点到其他各点的最短路。松弛操作：dis[v]=min(dis[v],dis[u]+w);。算法Floyd算法全源最短路算法，时间复杂度\(O_{n^3}\)，......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99