Scrapy抓取京东商品、豆瓣电影及代码分享

作者:alexander.bruce.lee 时间:2022-03-23 18:44:47 

1.scrapy基本了解

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。其最初是为了页面抓取(更确切来说,网络抓取)所设计的,也可以应用在获取API所返回的数据(比如Web Services)或者通用的网络爬虫。

Scrapy也能帮你实现高阶的爬虫框架,比如爬取时的网站认证、内容的分析处理、重复抓取、分布式爬取等等很复杂的事。

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.首先,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,下载器把资源下载下来,并封装成应答包(Response)

3.然后,爬虫解析Response

4.若是解析出实体(Item),则交给实体管道进行进一步的处理。

5.若是解析出的是链接(URL),则把URL交给Scheduler等待抓取

2.安装scrapy

    虚拟环境安装:
    sudo pip install virtualenv #安装虚拟环境工具
    virtualenv ENV #创建一个虚拟环境目录
    source ./ENV/bin/active #激活虚拟环境
    pip install Scrapy #验证是否安装成功
    pip list #验证安装

    可以如下测试:

    scrapy bench

3.使用scrapy

    在抓取之前, 你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录,然后执行: 

       $ scrapy startproject tutorial

这个命令会在当前目录下创建一个新目录 tutorial, 它的结构如下:


|____scrapy.cfg
|____tutorial
| |______init__.py
| |______init__.pyc
| |____items.py
| |____items.pyc
| |____pipelines.py
| |____settings.py
| |____settings.pyc
| |____spiders
| | |______init__.py
| | |______init__.pyc
| | |____example.py
| | |____example.pyc

 

这些文件主要是:

scrapy.cfg: 项目配置文件
tutorial/: 项目python模块, 之后您将在此加入代码
tutorial/items.py: 项目items文件
tutorial/pipelines.py: 项目管道文件
tutorial/settings.py: 项目配置文件
tutorial/spiders: 放置spider的目录

3.1. 定义Item

items是将要装载抓取的数据的容器,它工作方式像 python 里面的字典,但它提供更多的保护,比如对未定义的字段填充以防止拼写错误通过创建scrapy.Item类, 并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化。在 tutorial 目录下的 items.py 文件中编辑。

3.2. 编写Spider

Spider 是用户编写的类, 用于从一个域(或域组)中抓取信息, 定义了用于下载的URL的初步列表, 如何跟踪链接,以及如何来解析这些网页的内容用于提取items。
要建立一个 Spider,继承 scrapy.Spider 基类,并确定三个主要的、强制的属性:
name:爬虫的识别名,它必须是唯一的,在不同的爬虫中你必须定义不同的名字.
start_urls:包含了Spider在启动时进行爬取的url列表。因此,第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
parse():是spider的一个方法。被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。

在 /tutorial/tutorial/spiders 目录下创建

example.py

3.3 .爬取

到项目根目录, 然后运行命令

$ scrapy crawl example

完整代码参考:https://github.com/AlexanLee/Spider 其中有题目中抓取京东和豆瓣的方法。

来源:http://www.cnblogs.com/accipiter/p/7882020.html

标签:Scrapy
0
投稿

猜你喜欢

  • Oracle Index 的三个问题

    2010-07-26 12:53:00
  • Pytorch实现简单自定义网络层的方法

    2021-01-13 16:02:55
  • Facebook的特别之处是什么?

    2008-08-04 12:57:00
  • python实现对excel中需要的数据的单元格填充颜色

    2023-03-04 13:02:39
  • 详解Python小数据池和代码块缓存机制

    2023-02-07 06:54:28
  • Python使用sklearn实现的各种回归算法示例

    2021-02-18 10:00:55
  • mysql中DCL常用的用户和权限控制

    2024-01-14 06:26:53
  • 利用Python实现数值积分的方法

    2023-07-11 10:16:31
  • Python中的左斜杠、右斜杠(正斜杠和反斜杠)

    2022-02-08 07:00:34
  • MySQL数据库优化之分表分库操作实例详解

    2024-01-20 10:33:53
  • Python selenium把歌词评论做成词云图

    2022-12-29 10:17:35
  • Python调用SMTP服务自动发送Email的实现步骤

    2023-02-23 14:17:30
  • Golang+Vue轻松构建Web应用的方法步骤

    2024-05-29 22:06:42
  • 对python3标准库httpclient的使用详解

    2021-09-07 06:48:02
  • Python IDE Pycharm中的快捷键列表用法

    2022-12-12 19:21:12
  • 关于H1的用法探讨

    2008-03-18 12:55:00
  • SQL Server 2000数据库FOR XML查询概述

    2008-12-09 14:49:00
  • 小程序开发之uniapp引入iconfont图标以及使用方式

    2024-04-22 13:09:05
  • asp如何将统计的访问者数目周期性地保存?

    2009-11-26 20:54:00
  • BootStrap 动态添加验证项和取消验证项的实现方法

    2023-08-13 14:17:57
  • asp之家 网络编程 m.aspxhome.com