Scrapy框架简介及第一个爬虫

喜欢ヅ旅行 2022-05-27 02:30 387阅读 0赞

## 解析 ##

### Scrapy架构 ###

![这里写图片描述][70]

**组件（Scrapy Engine）**  
引擎负责控制数据流在系统中所有组件中流动，并在相应动作发生时触发事件。 详细内容查看下面的数据流(Data Flow)部分。  
**调度器(Scheduler)**  
调度器从引擎接受request并将它们入队，以便之后引擎请求它们时提供给引擎  
**下载器（Downloader）**  
下载器负责获取页面数据兵器同给引擎，而后提供给spider  
**Spider**  
spider是scrapy用户编写用于分析response并提供给item或额外跟进的URL类。每个spider负责处理一个特定（或一些）网站。更多内容请看[spider][]  
**Item Pipeline**  
item Pipeline负责处理被spider提取出来的item。典型的处理有清理、验证及持久化（如存取到数据库中）  
**下载器中间件**  
下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。  
**Spider中间件(Spider middlewares)**  
Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。  
**数据流（Data flow）**  
Scrapy中的数据流由执行引擎控制，其过程如下:

1、引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。  
2、引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。  
3、引擎向调度器请求下一个要爬取的URL。  
4、调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。  
5、一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。  
6、引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。  
7、Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。  
8、引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。  
9、(从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

### 环境搭建 ###

[Scrapy 环境搭建][Scrapy]

### 创建一个爬虫项目 ###

使用scrapy框架创建一个爬虫项目  
**scrapy startproject ITcast**

![这里写图片描述][SouthEast]

我们使用tree查看项目中的文件  
![这里写图片描述][SouthEast 1]  
我们发现有生成的如下几个文件

*  **init**.py
 *  items.py
 *  pipelines.py
 *  settings.py
 *  scrapy.cfg

在这几个文件中**init**.py 和scrapy.cfg这两个文件是用不到的。这里我们先不说  
**items.py**  
这里我们用gedit打开这个文件  
**gedit items.py**

import scrapy
    
    class ITcastItem(scrapy.Item):
        # define the fields for your item here like:
        # 
        # name = scrapy.Filed()
        pass

我们可以看的出来这个文件是用来对相关的字段进行定义。那我们要抓取一个人的相关信息 我们可以这样写这个文件

import scrapy
     class ITcastItem(scrapy.Item): name = scrapy.Filed() sex = scrapy.Filed() speciaity.Filed()

可以看得出来这个文件只是定义了一个实体类  
**setting,py**  
这个文件是项目的配置文件。gedit settings.py 打开这个文件

BOT_NAME = 'ITcast'
    SPIDER_MODULES = ['ITcast.spiders']
    NEWSPIDER_MODULE = 'ITcast.spider'
    # Obey robots.txt rules
    ROBORSTXT_OBEY = True

因为我们写的是定向爬虫，前面三个按默认即可，我们不去管他。看第四项，注释里说这个配置项的意思是是否遵守robots.txt，那么robots.txt是个什么东西呢？  
通俗来说，robots.txt是遵循Robot协议的一个文件，它保存在网站的服务器中，它的作用是，告诉搜索引擎爬虫，可以使用什么爬虫进行爬去、哪些目录下的网页不希望你进行爬取收录。在Scrapy启动后，会在第一时间访问网站的robots.txt文件，然后决定该网站的爬取范围。  
当然，我们并不是在做搜索引擎，而且在某些情况下我们想要获取的内容恰恰是被robots.txt所禁止访问的。所以，我们就将此配置项设置为False，拒绝遵守Robot协议！  
**pipelines.py**  
打开这个文件 （gedit pipelines.py）

# -*- coding: utf-8 -*-
    
    # Define your item pipelines here
    #
    # Don't forget to add your pipeline to the ITEM_PIPELINES setting
    # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
    
    
    class ItcastPipeline(object):
        def process_item(self, item, spider):
            return item

**以上这些都是Scrapy框架自动生成的，那么接下来我们就写一个爬虫**  
这里我们爬去的是这个[http://www.itcast.cn/channel/teacher.shtml\#ajavaee][http_www.itcast.cn_channel_teacher.shtml_ajavaee]页面  
首先看一下要实现的效果

![这里写图片描述][SouthEast 2]

**1、分析一下目标网页的结构**

![这里写图片描述][SouthEast 3]  
发现这三个节点分别在h3、h4、p标签之下  
然后使用xpath helper验证一下  
![这里写图片描述][SouthEast 4]

关于xpath语法的使用请自行百度  
**2、我们在items中定义三个字段**

# -*- coding: utf-8 -*-
    
    # Define here the models for your scraped items
    #
    # See documentation in:
    # https://doc.scrapy.org/en/latest/topics/items.html
    
    import scrapy
    
    class ItcastItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        #老师的姓名
        name =scrapy.Field()
        #老师的职称
        title=scrapy.Field()
        #老师的信息 
        info=scrapy.Field()

3、使用模板创建一个爬虫  
**scrapy genspider itcast “域名”**这里的域名为目标网址  
使用gedit打开爬虫并修改如下

# -*- coding: utf-8 -*-
    import scrapy
    
    class ItcastSpider(scrapy.Spider):
        name = 'itcast'
        allowed_domains = ['http://www.itcast.cn' //这一个允许的域名
        start_urls = ['http://www.itcast.cn/'] //这个是要爬取的域名
        def parse(self, response):
           print response.body  //

当然这段代码只是讲整个html页面下载下来，并没有其他的功能  
接下来我们要对下载完成的html代码进行修改

**4、对prase这个方法做如下修改**

def parse(self,response):
        node_list=response.xpath["//div[@class='li_txt'"]
        #拿到这个父节点 然后通过递归查找子节点 
        for node in node_list:
            #extract ()这个方法的作用是 将字符串对象转换成字符串数组
            name=node.xpath["./h3.text()"].extrace()
            title-node.xpath["./h4.text()"].extracet()
            info=node.xpath["./p.text()"].extract()
    
            #然后取索引 
            print name[0]
            print title[[0]
            print info[0]

**5、接下来我们指定生成一个csv 格式的文件**

scrapy crawl itcast -o teacher.csv

![这里写图片描述][SouthEast 5]

**要注意的一点是爬虫名为 name中的值。本篇文章中爬虫名称为itcast**

刚开始使用Scrapy框架，有不道处还望读者指正。  
联系方式gwisdoms@163.com

[70]: /images/20220527/24e0668c1ff04c34b46e0fc204a78bc1.png
[spider]: http://scrapy-chs.readthedocs.io/zh_CN/0.24/topics/spiders.html#topics-spiders
[Scrapy]: https://blog.csdn.net/qq_30242609/article/details/52810765
[SouthEast]: /images/20220527/ac96bd8ce0014c56948bbf8f0e960367.png
[SouthEast 1]: /images/20220527/abe58810790c4e628a7e5bd7d8f747d4.png
[http_www.itcast.cn_channel_teacher.shtml_ajavaee]: http://www.itcast.cn/channel/teacher.shtml#ajavaee
[SouthEast 2]: /images/20220527/ac98cfe016254aceb94689063492bea8.png
[SouthEast 3]: /images/20220527/8d098edde620447588b6862ba6ae4c91.png
[SouthEast 4]: /images/20220527/0bb2a43d2d544ab4a449ee68c51c6d72.png
[SouthEast 5]: /images/20220527/b9179d6d546b4ff49e0c4773f978738c.png