python爬蟲入門(六) Scrapy框架之原理介紹

Scrapy框架

Scrapy簡介

• Scrapy是用純Python實現一個爲了爬取網站數據、提取結構性數據而編寫的應用框架，用途很是普遍。

• 框架的力量，用戶只須要定製開發幾個模塊就能夠輕鬆的實現一個爬蟲，用來抓取網頁內容以及各類圖片，很是之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)異步網絡框架來處理網絡通信，能夠加快咱們的下載速度，不用本身去實現異步框架，而且包含了各類中間件接口，能夠靈活的完成各類需求。

Scrapy架構

• Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通信，信號、數據傳遞等。

• Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照必定的方式進行整理排列，入隊，當引擎須要時，交還給引擎。

• Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的全部Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責處理全部Responses,從中分析提取數據，獲取Item字段須要的數據，並將須要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

• Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、存儲等）的地方.

• Downloader Middlewares（下載中間件）：你能夠看成是一個能夠自定義擴展下載功能的組件。

• Spider Middlewares（Spider中間件）：你能夠理解爲是一個能夠自定擴展和操做引擎和Spider中間通訊的功能組件（好比進入Spider的Responses;和從Spider出去的Requests）

 白話講解Scrapy運做流程

代碼寫好，程序開始運行...

1. 引擎：Hi！Spider, 你要處理哪個網站？

2. Spider：老大要我處理xxxx.com。

3. 引擎：你把第一個須要處理的URL給我吧。

4. Spider：給你，第一個URL是xxxxxxx.com。

5. 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

6. 調度器：好的，正在處理你等一下。

7. 引擎：Hi！調度器，把你處理好的request請求給我。

8. 調度器：給你，這是我處理好的request

9. 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

10. 下載器：好的！給你，這是下載好的東西。（若是失敗：sorry，這個request下載失敗了。而後引擎告訴調度器，這個request下載失敗了，你記錄一下，咱們待會兒再下載）

11. 引擎：Hi！Spider，這是下載好的東西，而且已經按照老大的下載中間件處理過了，你本身處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

12. Spider：（處理完畢數據以後對於須要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我須要跟進的URL，還有這個是我獲取到的Item數據。

13. 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是須要跟進URL你幫我處理下。而後從第四步開始循環，直到獲取完老大須要所有信息。

14. 管道``調度器：好的，如今就作！

 製做Scrapy爬蟲步驟

1.新建項目

scrapy startproject mySpider

scrapy.cfg ：項目的配置文件

mySpider/ ：項目的Python模塊，將會從這裏引用代碼

mySpider/items.py ：項目的目標文件

mySpider/pipelines.py ：項目的管道文件

mySpider/settings.py ：項目的設置文件

mySpider/spiders/ ：存儲爬蟲代碼目錄

2.明確目標(mySpider/items.py)

想要爬取哪些信息，在Item裏面定義結構化數據字段，保存爬取到的數據

3.製做爬蟲(spiders/xxxxSpider.py)

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

• name = "" ：這個爬蟲的識別名稱，必須是惟一的，在不一樣的爬蟲必須定義不一樣的名字。

• allow_domains = [] 是搜索的域名範圍，也就是爬蟲的約束區域，規定爬蟲只爬取這個域名下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬蟲從這裏開始抓取數據，因此，第一次下載的數據將會從這些urls開始。其餘子URL將會從這些起始URL中繼承性生成。

• parse(self, response) ：解析的方法，每一個初始URL完成下載後將被調用，調用的時候傳入從每個URL傳回的Response對象來做爲惟一參數，主要做用以下：

 4.保存數據(pipelines.py)

在管道文件裏面設置保存數據的方法，能夠保存到本地或數據庫

舒適提醒

第一次運行scrapy項目的時候

出現-->"DLL load failed" 錯誤提示，須要安裝pypiwin32模塊　　　　

先寫個簡單入門的實例

 （1）items.py

想要爬取的信息

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()

（2）itcastspider.py

寫爬蟲程序

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 建立一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 容許爬蟲做用的範圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲起始的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#",
    ]

    def parse(self, response):
        teacher_list = response.xpath('//div[@class="li_txt"]')
        # 全部老師信息的列表集合
        teacherItem = []
        # 遍歷根節點集合

        for each in teacher_list:
            # Item對象用來保存數據的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換爲Unicode字符串
            # 不加extract() 結果爲xpath匹配對象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0].encode("gbk")
            item['title'] = title[0].encode("gbk")
            item['info'] = info[0].encode("gbk")

            teacherItem.append(item)

        return teacherItem

輸入命令：scrapy crawl itcast -o itcast.csv  保存爲 ".csv"的格式

管道文件pipelines.py的用法

 （1）setting.py修改

ITEM_PIPELINES = {
  #設置好在管道文件裏寫的類
   'mySpider.pipelines.ItcastPipeline': 300,
}

（2）itcastspider.py

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import scrapy
from mySpider.items import ItcastItem

# 建立一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 容許爬蟲做用的範圍
    allowd_domains = ["http://www.itcast.cn/"]
    # 爬蟲其實的url
    start_urls = [
        "http://www.itcast.cn/channel/teacher.shtml#aandroid",

    ]

    def parse(self, response):
        #with open("teacher.html", "w") as f:
        #    f.write(response.body)
        # 經過scrapy自帶的xpath匹配出全部老師的根節點列表集合
        teacher_list = response.xpath('//div[@class="li_txt"]')

        # 遍歷根節點集合
        for each in teacher_list:
            # Item對象用來保存數據的
            item = ItcastItem()
            # name, extract() 將匹配出來的結果轉換爲Unicode字符串
            # 不加extract() 結果爲xpath匹配對象
            name = each.xpath('./h3/text()').extract()
            # title
            title = each.xpath('./h4/text()').extract()
            # info
            info = each.xpath('./p/text()').extract()

            item['name'] = name[0]
            item['title'] = title[0]
            item['info'] = info[0]

            yield item

(3)pipelines.py

數據保存到本地

# -*- coding: utf-8 -*-
import json

class ItcastPipeline(object):
    # __init__方法是可選的，作爲類的初始化方法
    def __init__(self):
        # 建立了一個文件
        self.filename = open("teacher.json", "w")

    # process_item方法是必須寫的，用來處理item數據
    def process_item(self, item, spider):
        jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n"
        self.filename.write(jsontext.encode("utf-8"))
        return item

    # close_spider方法是可選的，結束時調用這個方法
    def close_spider(self, spider):
        self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-

import scrapy

class ItcastItem(scrapy.Item):
    name = scrapy.Field()
    title = scrapy.Field()
    info = scrapy.Field()