Fork me on GitHub

Scrapy框架入门

思维导图总结

Scrapy简介

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(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

安装

通过豆瓣源进行安装

1
pip install -i https://pypi.douban.com/simple scrapy  # scrapy 是安装的包名

检验是否安装成功:终端中输入scrapy

组件数据流图

Data flow 数据流

  1. 引擎打开一个网站(open a domain),找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
  2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。引擎向调度器请求下一个要爬取的URL。
  3. 调度器返回下一个要爬取的URL给引擎,引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
  4. 一旦页面下载完毕,下载器生成一个该页面的Response,并将其通过下载中间件(返回(response)方向)发送给引擎。
  5. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
  6. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
  7. 引擎将(Spider返回的)爬取到的Item给Item Pipeline,将(Spider返回的)Request给调度器。
  8. (从第二步)重复直到调度器中没有更多地request,引擎关闭该网站。

当调度器中不存在任何请求request的时候,整个程序停止

流程总结

  • 写好一个爬虫Spider,交给引擎Engine;引擎发送请求调度器Schedular入队列
  • 调度器交给下载器Downloader进行下载,下载器生成该页面的response,返回给爬虫Spiders进行提取
  • 提取到的如果是URL地址,则继续进行下载;如果是item数据,则交给管道pipline进行存储

创建第一个项目

  1. 通过命名scrapy startproject ITcast来创建爬虫项目
1
scrapy startproject ITcast

  1. 创建一个爬虫itcast
1
scrapy genspider itcast "itcast.cn"

  1. 编写爬虫文件

  1. 执行爬虫程序

当我们编写好爬虫文件之后,我们需要运行

1
scrapy crawl itcast

5. 关于Python2中如何解决中文乱码问题?

1
2
3
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

信息保存

4种格式来进行信息的保存,使用-o参数来指定不同的格式,数据信息是保存在运行爬虫的当前文件位置:

  • json(默认是Unicode编码)
  • jsonl
  • csv(可以用Excel打开)
  • xml
1
2
3
4
scrapy crawl itcast -o teacher.json
scrapy crawl itcast -o teacher.jsonl
scrapy crawl itcast -o teacher.csv
scrapy crawl itcast -o teacher.xml

本文标题:Scrapy框架入门

发布时间:2020年03月06日 - 13:03

原始链接:http://www.renpeter.cn/2020/03/06/Scrapy%E6%A1%86%E6%9E%B6%E5%85%A5%E9%97%A8.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Coffee or Tea