Python编程基础之(五)Scrapy爬虫框架
经过前面四章的学习,我们已经可以使用Requests库、Beautiful Soup库和Re库,编写基本的Python爬虫程序了。那么这一章就来学习一个专业的网络爬虫框架--Scrapy。没错,是框架,而不是像前面介绍的函数功能库。先来了解一下Scrapy:
Scrapy是一个快速、功能强大的网络爬虫框架。
可能大家还不太了解什么是框架,爬虫框架其实是实现爬虫功能的一个软件结构和功能组件的集合。
简而言之,Scrapy就是一个爬虫程序的半成品,可以帮助用户实现专业的网络爬虫。
使用Scrapy框架,不需要你编写大量的代码,Scrapy已经把大部分工作都做好了,允许你调用几句代码便自动生成爬虫程序,可以节省大量的时间。
当然,框架所生成的代码基本是一致的,如果遇到一些特定的爬虫任务时,就不如自己使用Requests库搭建来的方便了。Scrapy框架的安装
PyCharm安装pip3 install scrapy
测试安装:scrapy -h
出现框架版本说明安装成功。Scrapy爬虫框架结构
掌握Scrapy爬虫框架的结构是使用好Scrapy的重中之重!
先上图:
Scrapy框架结构
整个结构可以简单地概括为:"5+2"结构和3条数据流
5个主要模块(及功能):Engine(无需用户配置)
(1)控制所有模块之间的数据流。
(2)可以根据条件触发事件。Downloader(无需用户配置)
(1)根据请求下载网页。Scheduler(无需用户配置)
(1)对所有爬取请求进行调度管理。Spider(需用户配置)
(1)解析DOWNLOADER返回的响应--response。
(2)产生爬取项--scraped item。
(3)产生额外的爬取请求--request。Item Pipelines(需用户配置)
(1)以流水线方式处理SPIDER产生的爬取项。
(2)由一组操作顺序组成,类似流水线,每个操作是一个ITEM PIPELINES类型。
(3)清理、检查和查重爬取项中的HTML数据并将数据存储到数据库中。
Scrapy框架结构
2个中间键:Downloader Middleware(用户可以配置)
(1)对Engine、Scheduler、Downloader之间进行用户可配置的控制。
(2)修改、丢弃、新增请求或响应。Spider Middleware(用户可以配置)
(1)对请求和爬取项进行再处理。
(2)修改、丢弃、新增请求或爬取项。
Scrapy框架结构
3条数据流:
(1):图中数字 1-2
1:Engine从Spider处获得爬取请求--request。
2:Engine将爬取请求转发给Scheduler,用于调度。
(2):图中数字 3-4-5-6
3:Engine从Scheduler处获得下一个要爬取的请求。
4:Engine将爬取请求通过中间件发送给Downloader。
5:爬取网页后,Downloader形成响应--response,通过中间件发送给Engine。
6:Engine将收到的响应通过中间件发送给Spider处理。
(3):图中数字 7-8-9
7:Spider处理响应后产生爬取项--scraped item。
8:Engine将爬取项发送给Item Pipelines。
9:Engine将爬取请求发送给Scheduler。
任务处理流程:从Spider的初始爬取请求开始爬取,Engine控制各模块数据流,不间断从Scheduler处获得爬取请求,直至请求为空,最后到Item Pipelines存储数据结束。Scrapy爬虫常用命令
作为用户,只需配置好Scrapy框架的Spider和Item Pipelines,也就是数据流的入口与出口,便可完成一个爬虫程序的搭建。Scrapy提供了简单的爬虫命令语句,帮助用户一键配置剩余文件,那我们便来看看有哪些好用的命令吧。
Scrapy采用命令行创建和运行爬虫
PyCharm打开Terminal,启动Scrapy:scrapy -h
Scrapy基本命令行格式:scrapy [options] [args]
具体常用命令如下:
Scrapy常用命令
下面用一个例子来学习一下命令的使用:
1.建立一个Scrapy爬虫工程,在已启动的Scrapy中继续输入:scrapy startrptoject pythonDemo
执行该命令,系统会在PyCharm的工程文件中自动创建一个工程,命名为pythonDemo。
目录结构
2.产生一个Scrapy爬虫,以教育部网站为例http://www.moe.gov.cn:scrapy genspider demo www.moe.gov.cn
命令生成了一个名为demo的spider,并在Spiders目录下生成文件demo.py。
命令仅用于生成demo.py文件,该文件也可以手动生成。
观察一下demo.py文件:import scrapy class DemoSpider(scrapy.Spider): name = "demo" allowed_domains = ["www.moe.gov.cn"] start_urls = ["http://www.moe.gov.cn/"] def parse(self, response): pass
3.配置产生的spider爬虫,也就是demo.py文件:import scrapy class DemoSpider(scrapy.Spider): # 爬虫的名字 name = "demo" # 用户提交的初始域名,爬虫只能爬取域名下的HTML网页 allowed_domains = ["www.moe.gov.cn"] # 爬取的开始页面,这里修改成需要爬取的页面即可 start_urls = ["http://www.moe.gov.cn/jyb_xwfb/moe_2082/2021/2021_zl46/202108/t20210816_551472.html"] # parse()用户处理响应、解析内容形成字典、发现新的url爬取请求 def parse(self, response): # 以"/"切片,用最后一个元素作为文件名 fname = response.url.split("/")[-1] # 读取HTML文件,写入本地文件 with open(fname, "wb") as f: f.write(response.body) # 保存日志 self.log("Save file %s." % fname)
4.运行爬虫,爬取网页:scrapy crawl demo
如果爬取成功,会发现在pythonDemo下多了一个t20210816_551472.html的文件,我们所爬取的网页内容都已经写入该文件了。
以上就是Scrapy框架的简单使用了。Scrapy爬虫数据类型Request类
Request对象表示一个HTTP请求,由Spider生成,由Downloader执行。
Request类Response类
Response对象表示一个HTTP响应,由Downloader生成,有Spider处理。
Response类Item类
Item对象表示一个从HTML页面中提取的信息内容,由Spider生成,由Item Pipelines处理。Item类似于字典类型,可以按照字典类型来操作。