Python之scrapy框架

柔光的暖阳◎ 2023-09-28 13:11 11阅读 0赞

## 1. **scrapy** ##

`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。

### 1.1 安装scrapy ###

pip install scrapy

安装过程出现错误：

building 'twisted.test.raiser' 
    extension error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": http://landinghub.visualstudio.com/visual‐cpp‐build‐tools

**解决：**

http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
    
    下载twisted对应版本的whl文件（如我的Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl），cp后面是 python版本，amd64代表64位，运行命令： 
    pip install C:\Users\...\Twisted‐17.5.0‐cp36‐cp36m‐win_amd64.whl 
    pip install Scrapy

**如果报错，需要更新pip直接更新即可**

python ‐m pip install ‐‐upgrade pip

**win32报错：**

pip install pypiwin32

如果还不行，直接使用anaconda

安装后，打开anaconda 
    点击environments 
    点击not installed 
    输入scrapy 
    apply 
    在pycharm中选择anaconda的环境

### 2. scrapy项目的创建以及运行 ###

1.  创建`scrapy`项目

终端输入：scrapy startproject 项目名称

2.项目组成：
    spiders 
    	__init__.py 
    	自定义的爬虫文件.py 	‐‐‐》由我们自己创建，是实现爬虫核心功能的文件 
    __init__.py 
    items.py				 ‐‐‐》定义数据结构的地方，是一个继承自scrapy.Item的类 
    middlewares.py 			 ‐‐‐》中间件 代理 
    pipelines.py 			 ‐‐‐》管道文件，里面只有一个类，用于处理下载数据的后续处理 默认是300优先级，								值越小优先级越高（1‐1000） 
    settings.py    			 ‐‐‐》配置文件 比如：是否遵守robots协议，User‐Agent定义等

3.创建爬虫文件：
    （1）跳转到spiders文件夹 	cd 目录名字/目录名字/spiders 
    （2）scrapy genspider 爬虫名字 网页的域名

爬虫文件的基本组成：
    
    继承scrapy.Spider类 
    	name = 'baidu' ‐‐‐》 运行爬虫文件时使用的名字 
    	allowed_domains ‐‐‐》 爬虫允许的域名，在爬取的时候，如果不是此域名之下的 url，会被过滤掉 		  	  start_urls ‐‐‐》 声明了爬虫的起始地址，可以写多个url，一般是一个 
    	parse(self, response) ‐‐‐》解析数据的回调函数 
    		response.text ‐‐‐》响应的是字符串 
    		response.body ‐‐‐》响应的是二进制文件 
    		response.xpath()‐》xpath方法的返回值类型是selector列表 
    		extract() ‐‐‐》提取的是selector对象的是data 
    		extract_first() ‐‐‐》提取的是selector列表中的第一个数据

运行爬虫文件：
    	scrapy crawl 爬虫名称 
    	注意：应在spiders文件夹内执行

如果运行提示`robots协议`，可以注释掉`settings.py`中`ROBOTSTXT_OBEY = True`

## 2. scrapy工作原理 ##

![在这里插入图片描述][e49c20d723ea43e7a3e334c1f6c033e9.png]

## 3. **yield** ##

1.  带有 `yield` 的函数不再是一个普通函数，而是一个生成器`generator`，可用于迭代
2.  `yield` 是一个类似 `return` 的关键字，迭代一次遇到`yield`时就返回`yield`后面(右边)的值。重点是：下一次迭代

时，从上一次迭代遇到的`yield`后面的代码(下一行)开始执行

1.  简要理解：`yield`就是 `return` 返回一个值，并且记住这个返回的位置，下次迭代就从这个位置后(下一行)开始

## 5. 实际使用 ##

多条管道下载、多页数据下载

以某网站(仅学习使用)为例：

创建项目名为：`dangdang`，文件名为：`dang`

**dang.py**

import scrapy
    from dangdang.items import DangdangItem
    
    class DangSpider(scrapy.Spider):
        name = 'dang'
        allowed_domains = ['category.dangdang.com']
        start_urls = ['http://category.dangdang.com/cp01.01.02.00.00.00.html']
    
        base_url = 'http://category.dangdang.com/pg'
        page = 1
    
        def parse(self, response):
            #       pipelines 下载数据
            #       items     定义数据结构的
            #         src = //ul[@id="component_59"]/li//img/@src
            #         alt = //ul[@id="component_59"]/li//img/@alt
            #         price = //ul[@id="component_59"]/li//p[@class="price"]/span[1]/text()
            #         所有的seletor的对象 都可以再次调用xpath方法
    
            li_list = response.xpath('//ul[@id="component_59"]/li')
    
            for li in li_list:
                src = li.xpath('.//img/@data-original').extract_first()
                # 第一张图片和其他的图片的标签的属性是不一样的
                # 第一张图片的src是可以使用的  其他的图片的地址是data-original
                if src:
                    src = src
                else:
                    src = li.xpath('.//img/@src').extract_first()
    
                name = li.xpath('.//img/@alt').extract_first()
                price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()
    
                book = DangdangItem(src=src, name=name, price=price)
    
                # 获取一个book就将book交给pipelines
                yield book
    
                if self.page < 100:
                    self.page = self.page + 1
    
                    url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'
    
                    #             怎么去调用parse方法
                    #             scrapy.Request就是scrpay的get请求
                    #             url就是请求地址
                    #             callback是你要执行的那个函数  注意不需要加（）
                    yield scrapy.Request(url=url, callback=self.parse)

**items.py**

import scrapy
    
    
    class DangdangItem(scrapy.Item):
        # define the fields for your item here like:
        # name = scrapy.Field()
        # 通俗的说就是你要下载的数据都有什么
    
        # 图片
        src = scrapy.Field()
        # 名字
        name = scrapy.Field()
        # 价格
        price = scrapy.Field()

**pipelines.py**

# 如果想使用管道的话 那么就必须在settings中开启管道
    class DangdangPipeline:
    
        # 在爬虫文件开始的之前就执行的一个方法
        def open_spider(self, spider):
            self.fp = open('book.json', 'w', encoding='utf-8')
    
        def process_item(self, item, spider):
            # 以下这种模式不推荐  因为每传递过来一个对象 那么就打开一次文件  对文件的操作过于频繁
    
            # # (1) write方法必须要写一个字符串 而不能是其他的对象
            # # (2) w模式 会每一个对象都打开一次文件 覆盖之前的内容
            # with open('book.json','a',encoding='utf-8')as fp:
            #     fp.write(str(item))
    
            self.fp.write(str(item))
    
            return item
    
        # 在爬虫文件执行完之后  执行的方法
        def close_spider(self, spider):
            self.fp.close()
    
    
    import urllib.request
    
    
    # 多条管道开启
    #    (1) 定义管道类
    #   （2） 在settings中开启管道
    # 'scrapy_dangdang_095.pipelines.DangDangDownloadPipeline':301
    class DangDangDownloadPipeline:
        def process_item(self, item, spider):
            url = 'http:' + item.get('src')
            filename = './books/' + item.get('name') + '.jpg'
    
            urllib.request.urlretrieve(url=url, filename=filename)
    
            return item

`settings.py`中开启配置管道：

ITEM_PIPELINES = {
        
       'dangdang.pipelines.DangdangPipeline': 300,
       'dangdang.pipelines.DangDangDownloadPipeline': 301
    }
    ROBOTSTXT_OBEY = True # 看网站是否需要关闭(注释)

[e49c20d723ea43e7a3e334c1f6c033e9.png]: https://img-blog.csdnimg.cn/e49c20d723ea43e7a3e334c1f6c033e9.png