手把手带你入门Python爬虫Scrapy

共 3439字,需浏览 7分钟

 ·

2020-09-10 17:18


导读:Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中


作者 / 来源:无量测试之道




01 Scrapy工作流程是怎么样的

下图是从网络上找的一张Scrapy的工作流程图,并且标注了相应的中文说明信息:



02 Scrapy框架的六大组件

它们分别是:

  • 调度器(Scheduler)
  • 下载器(Downloader)
  • 爬虫(Spider)
  • 中间件(Middleware)
  • 实体管道(Item Pipeline)
  • Scrapy引擎(Scrapy Engine)


03 工作流程如下

Step1. 当爬虫(Spider)要爬取某URL地址的页面时,使用该URL初始化Request对象提交给引擎(Scrapy Engine),并设置回调函数,Spider中初始的Request是通过调用start_requests() 来获取的。start_requests() 读取start_urls 中的URL,并以parse为回调函数生成Request 。

备注:你所创建的项目名.py 文件里面有一个列表:start_urls=[‘http://lab.scrapyd.cn/page/1/‘] (这是我的示例),这里的start_requests() 读取的start_urls 就是来自于这里,这个文件在大家创建爬虫项目时会自动新建。parse()这个回调函数也是自动创建的。只是简单的定义了一下,如下所示:

def parse(self, response):
    pass

Step2. Request对象进入调度器(Scheduler) 按某种算法进行排队,之后的每个时刻调度器将其出列,送往下载器。

备注:Scheduler的作用就是对请求的调度,包括过滤,请求的入队和出队操作。

Step3. 下载器(Downloader)根据Request对象中的URL地址发送一次HTTP请求到网络服务器把资源下载下来,并封装成应答包(Response)。

备注:相当于就是将获取的页面资源数据信息转化为Response实例,以便传递给Spider 的Parse() 函数继续处理。

Step4. 应答包Response对象最终会被递送给爬虫(Spider)的页面解析函数进行处理。

备注:这个页面解析函数就是步骤一里面提到的parse() 函数,它是创建项目时自动生成的。

Step5. 若是解析出实体(Item),则交给实体管道(Item Pipeline)进行进一步的处理。

由Spider返回的Item将被存到数据库(由某些Item Pipeline处理)或使用Feed exports存入到文件中。

备注:实体(Item) 实际上就是指我们要获取的数据

Step6. 若是解析出的是链接(URL),则把URL交给调度器(Scheduler)等待抓取。

备注:这里有一种循环调用的感觉,解析的item如果是url就重复整个工作流程。


04 如何安装与简单使用

1. 安装就很简单了,一条命令搞定

python3 -m pip install scrapy #这个可能需要花掉一段时间,如果你的网络快可能就比较快,如果你出现超时导致没有安装成功可以继续执行这个命令

检验是否安装成功:进入python3 的命令行,输入import scrapy 如果没有报错就表示安装成功了。

2. 简单使用说明

Step1. 开始创建一个Scrapy 项目,我这里以爬取lab为示例

scrapy startproject lab #创建新的Scrapy项目,注意一下,如果此命令没有你就需要配置一下Scrapy 的环境变量

cd lab #进入创建的项目目录

scrapy genspider labs http://lab.scrapyd.cn/page/1# 生成spider 代码

Step2. 定义提取的Item

class LabItem(scrapy.Item): 
    title = scrapy.Field()
    author = scrapy.Field()

Step3. 编写解析Parse函数

def parse(self, response):
    items=LabItem() #实例化一个数据对象,用于返回
    for sel in response.xpath('//div[@class="col-mb-12 col-8"]'):
        print(sel)
        for i in range(len(sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()'))):
            title = sel.xpath('//div[@class="quote post"]//span[@class="text"]/text()')[i].get()
            author = sel.xpath('//div[@class="quote post"]//small[@class="author"]/text()')[i].get()
            items["title"]=title
            items["author"] = author
            yield items #返回提出来的每一个数据对象

Step4. 编写Pipeline 来提取Item数据

from itemadapter import ItemAdapter
import json

class FilePipeline(object):

    def open_spider(self, spider):
        print("当爬虫执行开始的时候回调:open_spider")

    def __init__(self):
        print("创建爬虫数据存储文件")
        self.file = open('test.json',"w", encoding="utf-8")

    def process_item(self, item, spider):
        print("开始处理每一条提取出来的数据")
        content = json.dumps(dict(item),ensure_ascii=False)+"\n"
        self.file.write(content)
        return item

    def close_spider(self, spider):
        print("当爬虫执行结束的时候回调:close_spider")
        self.file.close()

这里是自定义的一个pipeline,所以还需要在setting.py 文件里面把它配置上,如下:
ITEM_PIPELINES = {
   'lab.pipelines.FilePipeline'300,
}

最终提取到文件的结果如下图所示:



总结

今天的分享主要是从整体上讲了一下Scrapy 的工作流程,算是一个入门的学习,如果把这个流程中的一些概念性的内容能够掌握好理解到位,那么接下来的学习会更容易一些,同时基于理解的学习会更深刻。


划重点?


干货直达?


更多精彩?

在公众号对话框输入以下关键词
查看更多优质内容!

PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 1024 | 数学 | 算法 数字孪生

据统计,99%的大咖都完成了这个神操作
?


浏览 34
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报