Scrapy抓取京东商品、豆瓣电影及代码分享


Posted in Python onNovember 23, 2017

 1.scrapy基本了解

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(比如Web Services)或者通用的网络爬虫。

Scrapy也能帮你实现高阶的爬虫框架,比如爬取时的网站认证、内容的分析处理、重复抓取、分布式爬取等等很复杂的事。

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。

Scrapy运行流程大概如下:
1.首先,引擎从调度器中取出一个链接(URL)用于接下来的抓取

2.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)

3.然后,爬虫解析Response

4.若是解析出实体(Item),则交给实体管道进行进一步的处理。

5.若是解析出的是链接(URL),则把URL交给Scheduler等待抓取

2.安装scrapy

   

虚拟环境安装:
    sudo pip install virtualenv #安装虚拟环境工具
    virtualenv ENV #创建一个虚拟环境目录
    source ./ENV/bin/active #激活虚拟环境
    pip install Scrapy #验证是否安装成功
    pip list #验证安装

    可以如下测试:

    scrapy bench

3.使用scrapy

  

在抓取之前, 你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录,然后执行: 

      

$ scrapy startproject tutorial

这个命令会在当前目录下创建一个新目录 tutorial, 它的结构如下:

|____scrapy.cfg
|____tutorial
| |______init__.py
| |______init__.pyc
| |____items.py
| |____items.pyc
| |____pipelines.py
| |____settings.py
| |____settings.pyc
| |____spiders
| | |______init__.py
| | |______init__.pyc
| | |____example.py
| | |____example.pyc

 

这些文件主要是:

scrapy.cfg: 项目配置文件
tutorial/: 项目python模块, 之后您将在此加入代码
tutorial/items.py: 项目items文件
tutorial/pipelines.py: 项目管道文件
tutorial/settings.py: 项目配置文件
tutorial/spiders: 放置spider的目录

3.1. 定义Item

items是将要装载抓取的数据的容器,它工作方式像 python 里面的字典,但它提供更多的保护,比如对未定义的字段填充以防止拼写错误通过创建scrapy.Item类, 并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化。在 tutorial 目录下的 items.py 文件中编辑。

3.2. 编写Spider

Spider 是用户编写的类, 用于从一个域(或域组)中抓取信息, 定义了用于下载的URL的初步列表, 如何跟踪链接,以及如何来解析这些网页的内容用于提取items。
要建立一个 Spider,继承 scrapy.Spider 基类,并确定三个主要的、强制的属性:
name:爬虫的识别名,它必须是唯一的,在不同的爬虫中你必须定义不同的名字.
start_urls:包含了Spider在启动时进行爬取的url列表。因此,第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。
parse():是spider的一个方法。被调用时,每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。

在 /tutorial/tutorial/spiders 目录下创建

example.py

3.3 .爬取

到项目根目录, 然后运行命令

$ scrapy crawl example

完整代码参考:https://github.com/AlexanLee/Spider 其中有题目中抓取京东和豆瓣的方法。

Python 相关文章推荐
Python中Django框架下的staticfiles使用简介
May 30 Python
windows系统下Python环境的搭建(Aptana Studio)
Mar 06 Python
Python实现按逗号分隔列表的方法
Oct 23 Python
python后端接收前端回传的文件方法
Jan 02 Python
Python缓存技术实现过程详解
Sep 25 Python
如何基于Python创建目录文件夹
Dec 31 Python
pycharm通过ssh连接远程服务器教程
Feb 12 Python
Python pyautogui模块实现鼠标键盘自动化方法详解
Feb 17 Python
django中url映射规则和服务端响应顺序的实现
Apr 02 Python
使用pth文件添加Python环境变量方式
May 26 Python
在tensorflow以及keras安装目录查询操作(windows下)
Jun 19 Python
Python代码实现双链表
May 25 Python
python简单图片操作:打开\显示\保存图像方法介绍
Nov 23 #Python
python分析作业提交情况
Nov 22 #Python
Python分析学校四六级过关情况
Nov 22 #Python
linux环境下的python安装过程图解(含setuptools)
Nov 22 #Python
python使用正则表达式替换匹配成功的组并输出替换的次数
Nov 22 #Python
Python实现的堆排序算法原理与用法实例分析
Nov 22 #Python
Python实现的插入排序算法原理与用法实例分析
Nov 22 #Python
You might like
php绝对路径与相对路径之间关系的的分析
2010/03/03 PHP
测试php连接mysql是否成功的代码分享
2014/01/24 PHP
php中使用Ajax时出现Error(c00ce56e)的详细解决方案
2014/11/03 PHP
php格式化电话号码的方法
2015/04/24 PHP
PHP实现冒泡排序的简单实例
2016/05/26 PHP
CentOS 上搭建 PHP7 开发测试环境
2017/02/26 PHP
PHP实现会员账号单唯一登录的方法分析
2019/03/07 PHP
Laravel 6 将新增为指定队列任务设置中间件的功能
2019/08/06 PHP
基于jquery的模态div层弹出效果
2010/08/21 Javascript
JS中动态添加事件(绑定事件)的代码
2011/01/09 Javascript
基于jQuery+HttpHandler实现图片裁剪效果代码(适用于论坛, SNS)
2011/09/02 Javascript
javascript模版引擎-tmpl的bug修复与性能优化分析
2011/10/23 Javascript
jquery click([data],fn)使用方法实例介绍
2013/07/08 Javascript
多次注册事件会导致一个事件被触发多次的解决方法
2013/08/12 Javascript
jquery如何扑捉回车键触发的事件
2014/04/24 Javascript
javascript中setTimeout和setInterval的unref()和ref()用法示例
2014/11/26 Javascript
JS打开新窗口防止被浏览器阻止的方法
2015/01/03 Javascript
node.js中的forEach()是同步还是异步呢
2015/01/29 Javascript
浅谈使用MVC模式进行JavaScript程序开发
2015/11/10 Javascript
Node.js 中使用 async 函数的方法
2017/11/20 Javascript
如何用原生js写一个弹窗消息提醒插件
2019/05/24 Javascript
vue v-for 使用问题整理小结
2019/08/04 Javascript
JS实现json数组排序操作实例分析
2019/10/28 Javascript
python连接MySQL数据库实例分析
2015/05/12 Python
Python的Flask站点中集成xhEditor文本编辑器的教程
2016/06/13 Python
Python使用getpass库读取密码的示例
2017/10/10 Python
python增加矩阵维度的实例讲解
2018/04/04 Python
Python小白必备的8个最常用的内置函数(推荐)
2019/04/03 Python
Python处理PDF与CDF实例
2020/02/26 Python
Python使用内置函数setattr设置对象的属性值
2020/10/16 Python
数控专业个人求职信范例
2013/11/29 职场文书
2014年学雷锋活动总结
2014/06/26 职场文书
三年级上册科学教学计划
2015/01/21 职场文书
村党组织公开承诺书
2015/04/30 职场文书
2016春季幼儿园小班开学寄语
2015/12/03 职场文书
Java 数据结构七大排序使用分析
2022/04/02 Java/Android