Python爬蟲中Scrapy框架的簡介

小編給大家分享一下Python爬蟲中Scrapy框架的簡介，相信大部分人都還不怎么了解，因此分享這篇文章給大家學(xué)習(xí)，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去學(xué)習(xí)方法吧！

Scrapy簡介

Scrapy是用純Python實現(xiàn)一個為了爬取網(wǎng)站數(shù)據(jù)、提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架，用途非常廣泛。

框架的力量，用戶只需要定制開發(fā)幾個模塊就可以輕松的實現(xiàn)一個爬蟲，用來抓取網(wǎng)頁內(nèi)容以及各種圖片，非常之方便。

Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網(wǎng)絡(luò)框架來處理網(wǎng)絡(luò)通訊，可以加快我們的下載速度，不用自己去實現(xiàn)異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

Scrapy架構(gòu)

Scrapy Engine(引擎): 負責(zé)Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等。

Scheduler(調(diào)度器): 它負責(zé)接受引擎發(fā)送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

Downloader（下載器）：負責(zé)下載Scrapy Engine(引擎)發(fā)送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider（爬蟲）：它負責(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進的URL提交給引擎，再次進入Scheduler(調(diào)度器)，

Item Pipeline(管道)：它負責(zé)處理Spider中獲取到的Item，并進行進行后期處理（詳細分析、過濾、存儲等）的地方。

Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。

Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

白話講解Scrapy運作流程

代碼寫好，程序開始運行...

1.引擎：Hi！Spider, 你要處理哪一個網(wǎng)站？

2.Spider：老大要我處理xxxx.com。

3.引擎：你把第一個需要處理的URL給我吧。

4.Spider：給你，第一個URL是xxxxxxx.com。

5.引擎：Hi！調(diào)度器，我這有request請求你幫我排序入隊一下。

6.調(diào)度器：好的，正在處理你等一下。

7.引擎：Hi！調(diào)度器，把你處理好的request請求給我。

8.調(diào)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(shè)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。（如果失?。簊orry，這個request下載失敗了。然后引擎告訴調(diào)度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）

11.引擎：Hi！Spider，這是下載好的東西，并且已經(jīng)按照老大的下載中間件處理過了，你自己處理一下（注意！這兒responses默認是交給def parse()這個函數(shù)處理的）

12.Spider：（處理完畢數(shù)據(jù)之后對于需要跟進的URL），Hi！引擎，我這里有兩個結(jié)果，這個是我需要跟進的URL，還有這個是我獲取到的Item數(shù)據(jù)。

13.引擎：Hi ！管道 我這兒有個item你幫我處理一下！調(diào)度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環(huán)，直到獲取完老大需要全部信息。

14.管道``調(diào)度器：好的，現(xiàn)在就做！

制作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，將會從這里引用代碼
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(shè)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里面定義結(jié)構(gòu)化數(shù)據(jù)字段，保存爬取到的數(shù)據(jù)。

3.制作爬蟲(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，必須是唯一的，在不同的爬蟲必須定義不同的名字。

allow_domains = [] 是搜索的域名范圍，也就是爬蟲的約束區(qū)域，規(guī)定爬蟲只爬取這個域名下的網(wǎng)頁，不存在的URL會被忽略。

start_urls = () ：爬取的URL元祖/列表。爬蟲從這里開始抓取數(shù)據(jù)，所以，第一次下載的數(shù)據(jù)將會從這些urls開始。其他子URL將會從這些起始URL中繼承性生成。

parse(self, response) ：解析的方法，每個初始URL完成下載后將被調(diào)用，調(diào)用的時候傳入從每一個URL傳回的Response對象來作為唯一參數(shù)，主要作用如下：

4.保存數(shù)據(jù)(pipelines.py)

在管道文件里面設(shè)置保存數(shù)據(jù)的方法，可以保存到本地或數(shù)據(jù)庫。

溫馨提醒

第一次運行scrapy項目的時候，出現(xiàn)-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模塊?！　　?/p>

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
# 創(chuàng)建一個爬蟲類
class ItcastSpider(scrapy.Spider):
    # 爬蟲名
    name = "itcast"
    # 允許爬蟲作用的范圍
    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"]')
        # 所有老師信息的列表集合
        teacherItem = []
        # 遍歷根節(jié)點集合
        for each in teacher_list:
            # Item對象用來保存數(shù)據(jù)的
            item = ItcastItem()
            # name, extract() 將匹配出來的結(jié)果轉(zhuǎn)換為Unicode字符串
            # 不加extract() 結(jié)果為xpath匹配對象
            name = each.xpath('./h4/text()').extract()
            # title
            title = each.xpath('./h5/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  保存為 ".csv"的格式

以上是Python爬蟲中Scrapy框架的簡介的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！