路飞学城-爬虫集训营-第三章

爬虫框架 ---scrapy

　　什么是scrapy?　　　

　　　　　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。

　　scrapy的执行流程

　　　　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。

　　流程

　　　　从调度列表中取出一个URL，抓取并且分析
　　　　把url封装成请求传给下载器
　　　　下载器把资源下载下来，封装成response
　　　　爬虫解析response
　　　　解析数据（item）然后交给管道进行持久化处理

　　scrapy的项目结构：

　　　　items.py 负责数据模型的建立，类似于实体类。
　　　　middlewares.py 自己定义的中间件。
　　　　pipelines.py 负责对spider返回数据的处理。
　　　　settings.py 负责对整个爬虫的配置。
　　　　spiders目录负责存放继承自scrapy的爬虫类。
　　　　scrapy.cfg scrapy基础配置

Scrapy简单使用
1.安装

linux:
pip/pip3 install scrapy
windows：
pip install pywin32
pip install wheel
pip install twisted.whl #windows不能直接安装需要下载whl文件
pip install scrapy

2.创建项目

scrapy project project_name #创建项目
cd project_name
scrapy genspider 爬虫名字 爬虫网站 #创建spider
scrapy crawl 爬虫名字 #运行 --nolog 不带日志

3.解析网页

Scrapy提取数据有自己的一套机制。它们被称作选择器(seletors)，因为他们通过特定的 XPath 或者 CSS 表达式来“选择” HTML文件中的某个部分。

XPath 是一门用来在XML文件中选择节点的语言，也可以用在HTML上。 CSS 是一门将HTML文档样式化的语言。选择器由它定义，并与特定的HTML元素的样式相关连。

Scrapy选择器构建于 lxml 库之上，这意味着它们在速度和解析准确性上非常相似。

response.xpath('//div[@id="content-list"]/div[@class="item"]')

具体选择器使用：http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/selectors.html#topics-selectors-ref

4.pipelines

from scrapy.exceptions import DropItem

class Pipeline(object):

　　def __init__(self,path):
　　　　self.f = None
　　　　self.path = path

　　@classmethod
　　def from_crawler(cls, crawler):
                   
　　　　print('File.from_crawler')
　　　　path = crawler.settings.get('HREF_FILE_PATH')
　　　　return cls(path)

　　def open_spider(self,spider):
　　　　print('File.open_spider')
　　　　self.f = open(self.path,'a+')

　　def process_item(self, item, spider):
    
　　　　print('File',item['href'])
　　　　self.f.write(item['href']+'\n')

　　　　raise DropItem()# 后续的 pipeline的process_item方法不再执行

　　def close_spider(self,spider):

　　　　print('File.close_spider')
　　　　self.f.close()

调用pipelines需要在settings文件里找到ITEM_PIPELINES取消注释~

5.去重规则　

1.将访问过的url标识保存到内存（redis）中

2.如果访问过则返回True,否则访问并把标识加入列表中

3.编写类

from scrapy.dupefilter import BaseDupeFilter
from scrapy.utils.request import request_fingerprint
class DupeFilter(BaseDupeFilter):
  def __init__(self):
  　　self.visited_fd = set()

  @classmethod
  def from_settings(cls, settings):
     return cls()

  def request_seen(self, request):
     fd = request_fingerprint(request=request)
     if fd in self.visited_fd:
        return True
     self.visited_fd.add(fd)

  def open(self):  # can return deferred
      print('开始')

  def close(self, reason):  # can return a deferred
     print('结束')

4.在配置文件替换默认去重记录

# 修改默认的去重规则
# DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter'
DUPEFILTER_CLASS = 'xdb.dupefilters.XdbDupeFilter'

路飞学城-爬虫集训营-第三章

猜你喜欢