运维开发网
广告位招商联系QQ:123077622
 
广告位招商联系QQ:123077622

Python | Python学习之初识Scrapy

运维开发网 https://www.qedev.com 2021-04-07 08:36 出处:51CTO 作者:mob604756e9577d
初识Scrapy什么是Scrapy?Scrapy使用Python实现的一个开源爬虫框架,Scrapy基于twisted这个高性能的事件驱动网络引擎框架,Scrapy爬虫拥有很高的性能。Scrapy内置数据提取器(Selector),支持XPath和Scrapy自己的CSSSelector语法并且支持正则表达式,方便从网页提取信息。交互式的命令行工具,方便测试Selector和debugging爬虫

Python | Python学习之初识Scrapy

初识Scrapy

什么是Scrapy?

Scrapy使用 Python 实现的一个开源爬虫框架,Scrapy基于 twisted这个高性能的事件驱动网络引擎框架,Scrapy爬虫拥有很高的性能。

  1. Scrapy内置数据提取器(Selector),支持XPath和 Scrapy自己的 CSS Selector语法

  2. 并且支持正则表达式,方便从网页提取信息。

  3. 交互式的命令行工具,方便测试 Selector 和 debugging爬虫

  4. 支持将数据导出为 JSON,CSV,XML格式。

  5. 可推展性强,运行自己编写特定功能的插件

  6. 内置了很多拓展和中间件用于处理:

  • cookies和 session

  • HTTP的压缩,认证,缓存

  • robots.txt

  • 爬虫深度限制

Scrapy内部数据流程图

Python | Python学习之初识Scrapy

Scrapy内部数据流程图

其中:

  • Scrapy Engine(引擎): 负责Spider、ItemPipeline、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请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,

  • Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),

  • Item Pipeline(管道):它负责处理Spider中获取到的Item,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):你可以当作是一个可以自定义扩展下载功能的组件。

  • Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

制作 Scrapy 爬虫 的步骤?

新建项目(scrapy startproject xxx):新建一个新的爬虫项目

明确目标(编写items.py):明确你想要抓取的目标

制作爬虫(spiders/xxspider.py):制作爬虫开始爬取网页

存储内容(pipelines.py):设计管道存储爬取内容

如何安装Scrapy?

在windows系统下安装Scrapy

在windows 64bit系统下需要先安装Scrapy需要安装的依赖库:

pip install wheel

lxml-4.2.1-cp36-cp36m-win_amd64.whl

pyOpenSSL-17.5.0-py2.py3-none-any.whl

pywin32-221.win-amd64-py3.6.exe

Twisted-17.9.0-cp36-cp36m-win_amd64.whl

pip install scrapy

Linux下安装Scrapy

系统版本为ubuntu 16.04

sudo apt-get install build-essential python3-dev libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev

pip install scrapy

Scrapy文件结构

安装好Scrapy后,我们在windows命令行模式下输入以下命令创建Scrapy项目:

scrapy startproject 项目名称

可以看到创建了以下文件:

Python | Python学习之初识Scrapy

Scrapy文件结构

其中:

scrapy.cfg :项目的配置文件

xxSpider/ :项目的Python模块,将会从这里引用代码

xxSpider/items.py :项目的目标文件

xxSpider/pipelines.py :项目的管道文件

xxSpider/settings.py :项目的设置文件

xxSpider/spiders/ :存储爬虫代码目录

Scrapy单文件demo

创建完Scrapy项目,还是要上手实验一下才能更好的理解,所以我根据之前我在楼+课程中的学习笔记写了一个Scrapy单文件Demo,使用这个单文件Demo能快速爬取实验楼全部课程信息。

首先看下单文件的内容结构:

# -*- coding:utf-8 -*-

import scrapy

class ShiyanlouCoursesSpider(scrapy.Spider):

    """ 所有 scrapy 爬虫需要写一个 Spider 类,这个类要继承 scrapy.Spider 类。在这个类中定义要请求的网站和链接、如何从返回的网页提取数据等等。

    """

    # 爬虫标识符号,在 scrapy 项目中可能会有多个爬虫,name 用于标识每个爬虫,不能相同

    name = 'shiyanlou-courses'

    def start_requests(self):

        """ 需要返回一个可迭代的对象,迭代的元素是scrapy.Request对象,可迭代对象可以是一个列表或者迭代器,这样 scrapy 就知道有哪些网页需要爬取了。scrapy.Request接受一个 url 参数和一个 callback 参数,url 指明要爬取的网页,callback 是一个回调函数用于处理返回的网页,通常是一个提取数据的 parse 函数。

        """

    def parse(self, response):

        """ 这个方法作为 `scrapy.Request` 的 callback,在里面编写提取数据的代码。scrapy 中的下载器会下载 `start_reqeusts` 中定义的每个 `Request` 并且结果封装为一个 response 对象传入这个方法。

        """

        pass 

因为实验楼的网页结构还是很简单的,所以解析部分就不做赘述,直接上单文件完整代码:

# -*- coding:utf-8 -*-

import scrapy

class ShiyanlouCoursesSpider(scrapy.Spider):

    def start_requests(self):

    # 课程列表页面 url 模版

    url_tmpl = 'https://www.shiyanlou.com/courses/?category=all&course_type=all&fee=all&tag=all&page={}'

    # 所有要爬取的页面

    urls = (url_tmpl.format(i) for i in range(1, 23))

    # 返回一个生成器,生成 Request 对象,生成器是可迭代对象

    for url in urls:

        yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):

    # 遍历每个课程的 div.course-body

    for course in response.css('div.course-body'):

        # 使用 css 语法对每个 course 提取数据

        yield {

            # 课程名称

            'name': course.css('div.course-name::text').extract_first(),

            # 课程描述

            'description': course.css('div.course-desc::text').extract_first(),

            # 课程类型,实验楼的课程有免费,会员,训练营三种,免费课程并没有字样显示,也就是说没有 span.pull-right 这个标签,没有这个标签就代表时免费课程,使用默认值 `免费`就可以了。

            'type': course.css('div.course-footer span.pull-right::text').extract_first(default='Free'),

            # 注意 // 前面的 .,没有点表示整个文档所有的 div.course-body,有 . 才表示当前迭代的这个 div.course-body

               'students': course.xpath('.//span[contains(@class, "pull-left")]/text()[2]').re_first('[^\d]*(\d*)[^\d]*')

        }

保存文件,使用scrapy runspider xx.py -o data.json运行代码,这里使用 -o参数将结果输出为json格式。

写在后面

这是咸鱼的第四篇学习笔记,旨在熟悉scrapy单文件结构为之后深入学习scrapy打好基础。

Python | Python学习之初识Scrapy

Python | Python学习之初识Scrapy

咸鱼普拉思

一只咸鱼在编程路上的摸爬滚打,记录摸索中的点点滴滴。

扫码领视频副本.gif

0

精彩评论

暂无评论...
验证码 换一张
取 消

关注公众号