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
- 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)。
- 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。
- 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)。
- 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。
- 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。
- Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
- 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。
- (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
- 通过命名
scrapy startproject ITcast
来创建爬虫项目
1 | scrapy startproject ITcast |
- 创建一个爬虫
itcast
:
1 | scrapy genspider itcast "itcast.cn" |
- 编写爬虫文件
- 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 | import sys |
信息保存
有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 | scrapy crawl itcast -o teacher.json |