版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u010815486/article/details/83654645
scrapy是一个用于爬取网站数据,提取结构性数据的python应用框架。爬取的数据一般用于数据分析,数据处理,存储历史数据等。scrapy的整体架构大致如下:
主要包括了以下组件:
- 引擎(Scrapy)
- 用来处理整个系统的数据流, 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:
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 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)
- 爬虫解析Response
- 解析出实体(Item),则交给实体管道进行进一步的处理
- 解析出的是链接(URL),则把URL交给调度器等待抓取
---------------------------------------------------------------------------------------------------------------------------------------------------
纸上得来终觉浅,绝知此事要躬行。安装好scrapy框架后直接写一个实例吧,首先在你想保存项目代码的目录下执行如下命令:
scrapy startproject '你的项目名称'
现在已经创建了一个爬虫项目,但是还需要创建一个爬虫程序,继续执行如下命令:(一般创建爬虫文件时,以网站域名命名)
cd '刚才创建的项目名称'
scrapy genspider '爬虫名称'
创建的目录及文件:
- scrapy.cfg 项目的配置信息,主要为scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)
- items.py 设置数据存储模板,用于结构化数据。
- pipelines 数据处理行为,如:保存数据写入文件
- settings.py 配置文件,如:递归的层数、并发数,延迟下载等
- spiders 爬虫目录,如:创建文件,编写爬虫规则
好了,基本工作都做完了,现在分析一下要爬取的目标网站,这里我选择新浪的双色球网站,爬取指定期数的双色球中奖号数据;这里涉及到一个表单提交,用浏览器抓一下请求看看提交的地址和字段:
开始编写爬虫,定义一个Spider,只需继承scrapy.Spider类并定于一些属性:
(打开在"项目名称"/spiders文件夹下面的"创建的爬虫".py)
- name: Spider名称,必须是唯一的
- start_urls: 初始化下载链接URL
- parse(): 用来解析下载后的Response对象,Response也是这个方法的唯一参数。 它负责解析返回页面数据并提取出相应的Item(返回Item对象),还有其他合法的链接URL(返回Request对象)。
class SsqSpider(scrapy.Spider):
name = 'ssq'
allowed_domains = ['http://zst.aicai.com/ssq/'] # 爬取域名
# start_urls = ['http://zst.aicai.com/ssq/']
# 爬取网址,只适于不需要提交cookie的网站,因为没法设置cookie等信息
scope_date = [['2012001', '2014200'], [
'2015001', '2017200'], ['2018001', '2018130']]
# 设置浏览器用户代理
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'}
def start_requests(self):
# 第一次请求页面,设置开启cookie使其得到cookie,设置回调函数
return [Request('http://zst.aicai.com/ssq/', meta={'cookiejar': 1}, callback=self.parse)]
def parse(self, response):
print('请求头信息')
print(response.request.headers)
print('响应头信息')
print(response.headers)
print(response.status)
print('---Cookie---')
# 请求Cookie
request_Cookie = response.request.headers.getlist('Cookie')
print(request_Cookie)
# 响应Cookie
response_Cookie = response.headers.getlist('Set-Cookie')
print(response_Cookie)
print('---end---')
现在可以运行爬虫查看返回的Response对象了,运行命令:
scrapy crawl '爬虫名称'
后面的文章再继续介绍,从Response对象中提取出我们需要的Item数据对象。