[Python知识库]scrapy框架

scrapy框架

scrapy框架

• 框架
  是一个集成很多功能并且具有很强通用性的一个项目模板

• 如何学习框架

  • 专门学习封装各种功能的详细用法

• 什么是scrapy框架

  • 爬虫中的一个明星框架，
    功能：高性能的的持久性的的储存，异步的数据下载，高性能的数据解析，分布式

• scrapy框架基本使用

  • 环境的安装
    windows：
    pycharm 中直接就可以安装 pip install scrapy
    创建一个工程：
    scrapy startproject xxx
    cd xxx
    在spiders子目录创建一个爬虫文件

    • scrapy genspider spiderName www.xxxxx.com
      执行工程：
    • scrapy crawl spiderName

  • scrapy数据解析

  • scrapy持久化存储：

    • 基于终端指令：
      • 要求：只可以将parse方法的返回值存储到本地文件中
      • 注意：持久化存储对应的文本文件内类型只可以是（‘json’, ‘jsonlines’, ‘jl’, ‘csv’, ‘xml’
        , ‘marshal’, ‘pickle’）
      • 指令：scrapy crawl qiubaipro -o qiuba.csv
        scrapy crawl XXX（爬虫文件名） -o xxx. (存储的文件名，及文件格式)
      • 好处：简介高效，便捷
      • 缺点：局限性比较强（数据只可以储存到指定后缀的文件中）
    • 基于管道：
      • 编码流程：
        • 数据解析
        • 在item中定义相关属性
        • 将解析的数据封装储存到list类型的对象
        • 将item类型的对象提交给管道进行持久化存储的操作
        • 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存储操作
        • 在配置文件中开启管道
      • 好处：
        • 通用性强
    • 面试题
      将爬取到的数据一份存储到本地，一份存储到数据库，如何实现
      • 管道文件中一个管道类对应的是将数据储存到一个平台
      • 爬虫文件提交的item只会给管道文件中第一个被执行的管道类接受
      • process_item中的return item 表示将item传递给下一个即将被执行的管道类

• 基于Spider的全站数据爬取

  • 就是将网站中某板块下的全部页码对应的页面数据进行爬取
  • 需求：
  • 实现方式：
    • 将所有页面的url添加到start_urls例表中（不推荐，麻烦）
    • 自行手动进行请求发送（推荐）
      • 手动发送请求：
        yield scrapy.Request(url=new_url,callback=self.parse) callback回调函数专门用作于数据解析

• scrapy五大核心组件：

  • 引擎
    • 用来处理整个数据流处理，触发事务（框架的核心）
  • 调度器
    • 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，可以想象成一个URL（抓取网页的地址或者说是链接）
    • 的优先队列，由它类决定下一个抓取的网址是什么，可以去除重复的网址
  • 下载器：
    • 用于下载网页端的内容，并将网页的内容返回给蜘蛛（Scrapy 下载器是建立在twisted这个高效的异步模型）
  • 爬虫
    • 爬虫主要用来干活，用于从特定的网页中提取自己需要的内容，即所谓的实体item，用户也可以从中提取出链接让Scrapy继续爬取下一个页面
  • 项目管道
    • 负责处理爬虫从网页中抽取到的实体，主要的功能是持久化实体，验证实体的有效性，清楚不需要的信息，当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

• Scrapy请求传参：

  • 使用场景：如果要爬取的数据不在同一张页面中，（深度爬取）
  • 需求：爬取Boss直聘

• 图片数据爬取之ImagesPipeline

  • 基于scrapy爬取字符串类型的数据和爬取图片类型的数据的区别
    • 字符串：只需要用xpath进行解析且提交管道类进行数据持久化存储
    • 图片：xpath解析出来的图片的src的属性值，单独的对图片地址发起请求获取图片二进制类性的数据
  • ImagesPipeline
    • 只需要将img的src的属性进行解析，提交到管道，管道就会对图片的src发送请求获取图片的二进制数据据
  • 需求：爬取站长素材中的高清图片
  • 使用流程：
    • 数据解析 （图片的地址）
    • 将存储图片地址的item提交到指定的管道类
    • 在管道文件中自定制一个基于ImagesPipeline的一个管道类

      • 对item中的图片进行请求操作

        def get_media_requests(self, item, info):
        yield scrapy.Request(item[‘src’])

        定制土图片的名称 指定图片的储存路径需要在strings文件中指定

        def file_path(self, request, response=None, info=None,time=None):
        imgName = request.url.split(’/’)[-1]
        return imgName

        def item_completed(self, results, item, info):
        return item # 返回给下一个即将被执行的管道类

      • 在配置文件中：
        - 指定图片储存的目录：IMAGES_STORE = ‘./imgs chao’
        - 指定开启的管道：自定制的管道类

• 中间件

  • 下载中间件
    • 位置：引擎和下载器之间
    • 作用；批量拦截到整个工程所有的请求和响应
    • 拦截请求：
      • UA伪装：process_request
      • 代理：process_exception return request
    • 拦截响应：
      • 篡改响应数据，响应对象
      • 需求：爬取网易新闻中的新闻数据（标题和内容）
        • 通过网易新闻的首页解析出五大板块对应的详情页的url（详情页没有动态加载）
        • 每一个板块对应的新闻数据标题都是动态加载出来的
        • 通过解析出每一条新闻详情页的url获取详情页的源码，解析出新闻内容

CrawlSpider 类 Spider的一个子类
- 全站数据爬取的方式
- 基于Spider:手动请求
- 基于CrawlSpider
- CrawlSpider的使用
- 创建一个工程 scrapy startproject xxx
- cd xxx
- 创建爬虫文件(CrawlSpider):
- scrapy genspider -t crawl xxx www.xxx.com
- 连接提取器
- 作用: 根据指定的规则(allow) 进行指定的链接提取
- 规则解释器:
- 作用: 将链接提取器取到的链接进行指定规则的解析(callback)的解析
需求:爬取sun网站中的编号,新闻标题,新闻内容,标号
- 分析爬取的页面没有在同一张页面中
- 1.可以使用链接提取器提取所有的页码链接
- 2.让链接提取器提取所有的新闻详情页的链接

• 分布式爬虫：
  • 安装一个scrapy-redis组件
  • 原生的scrapy是不可以实现分布式爬虫，必须要让scrapy结合scrapy-redis组件一起实现分布式爬虫
  • 为什么原生的scrapy不可以实现分布式？
    • 调度器不可以被分布式集群共享
    • 管道不可以被分布式集群共享
  • scrapy-redis组件单的作用
    • 可以给原生的scrapy框架提供可以被共享的管道和调度器
  • 实现流程：