4.0... HCuan

scrapy 框架

提供

高性能的持久化存储，

异步的数据下载

高性能的数据解析

分布式

......

安装： scrapy, pywin32

使用：

在当前目录下生成工程目录：scrapy startproject projectName

在工程目录中使用命令新创建一个爬虫文件：scrapy genspider spiderName www.xxx.com 位置在 spiders 目录中

执行工程， scrapy crawl spiderName

目录结构

简单操作

数据解析

在爬虫文件的 parse() 方法中，可以直接接受请求 url 的返回值，直接使用 xpath 进行行数据解析。

注意： xpath 方法返回的结果列表每一项为 selector 类型的对象, 获取元素的文本值需要 .extract() or .extract()

.extract() 就 xpath 方法返回的 selector 对象列表的文本值取出（也可接受单个 selector 对象），根据传入的对象返回字符串 or 列表
.extract_first() 获取列表第一个元素的文本值, 返回字符串

持久化存储

基于终端指令

将 parse 方法的返回值储存到本地文件中。scrapy crawl scrapy_test -o ./ret.json (对数据格式要求严格，通用性差)
基于管道
将解析的数据封装储存到 Item 类型的对象中,
将 Item 类的对象提交给管道进行持久化储存的操作。
在管道类 process_item 方法中将接收到的 item 对象进行数据的持久化存储
在配置文件中开启管道

示例代码，数据解析/持久化存储

items

# projectName/projectName/items.py

import scrapy

class ProjectnameItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    data = scrapy.Field()
    content = scrapy.Field()

pipelines

# projectName/projectName/pipelines.py

from itemadapter import ItemAdapter

class ProjectnamePipeline:
    fp = None

    # 重写父类方法，该方法只在开始爬虫时被调用一次
    def open_spider(self, spider):
        self.fp = open('./res.json', 'w', encoding='utf-8')
        self.fp.write('[')

    def process_item(self, item, spider):
        self.fp.write(str(item['data']) + ',')
        return item

    # 重写父类方法，该方法只在结束爬虫时被调用一次
    def close_spider(self, spider):
        self.fp.write(']')
        self.fp.close()
        print('over')


class UserPipeline:
    def process_item(self, item, spider):
        print('自定义管道类，：', item['data'].get('name'))
        # 将 item 传递给下一个被执行的管道类
        return item

settings.py 代码片段

# projectName/projectName/settings.py 代码片段

# UA 伪装
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 ' \
             'Safari/537.36 '

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# 配置日志级别
LOG_LEVEL = 'ERROR'
# 日志输出到文件
# LOG_FILE = 'scrapy.log'

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'projectName.pipelines.ProjectnamePipeline': 300,
    'projectName.pipelines.UserPipeline': 301,
    # 300 管道类执行优先级。数值越小优先级越高
}

spiders

# projectName/projectName/spiders/scrapy_test.py
import scrapy
from projectName.items import ProjectnameItem

"""
path: 
需求：获取糗事百科的 文字发表者的 名字及段子 
"""

class ScrapyTestSpider(scrapy.Spider):
    # 爬虫文件的名称，类似于 flask路由的别名
    name = 'scrapy_test'
    # 允许的域名，start_urls列表中只有此域名及其子域名才会自动发送请求
    # allowed_domains = ['www.xxx.com']
    # 起始的url列表，该列表中存放的url,会被 scrapy自动进行请求的发送
    start_urls = ['https://www.qiushibaike.com/text/']

    # 用作数据解析：response为 start_urls每次访问成功 url的返会值 对象
    def parse(self, response):
        content_list = response.xpath('//*[@class="col1 old-style-col1"]/div')
        data = []
        for div in content_list:            
            # name = div.xpath('./div[1]/a[2]/h2/text()').extract_first()
            name = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            content = div.xpath('.//div[@class="content"]/span//text()').extract()
            temp = {
                'name': name,
                'content': ''.join(content)
            }
            data.append(data)
            item = ProjectnameItem()
            item['data'] = temp
            yield item  # 基于管道存储
        return data

请求多个 url

将需要请求的 url 添加到 start_urls 列表
自行手动进行请求发送

spiders

# xiaohua/xiaohua/spiders/img_name.py
import scrapy

"""
将网站下所有图片名称爬取下来
"""

class ImgNameSpider(scrapy.Spider):
    name = 'img_name'
    # allowed_domains = ['www.xi.com']
    start_urls = ['http://www.521609.com/tuku/mxxz/']

    # 生成一个通用的 url
    page_url = 'http://www.521609.com/tuku/mxxz/index_%d.html'
    num = 2

    def parse(self, response):
        lis = response.xpath('/html/body/div[4]/div[3]/ul/li/a/@title').extract()

        if self.num < 29:
            new_url = format(self.page_url % self.num)
            self.num += 1
            # 使用生成器完成多次请求的手动发送
            yield scrapy.Request(new_url, callback=self.parse)
        return lis

请求传参

使用场景：如果解析的数据不再同一张页面中。深度爬取

spiders

# xiaohua/xiaohua/spiders/boos.py
import scrapy
from xiaohua.items import XiaohuaItem

# 对当前页面及其子页面进行爬取

class BoosSpider(scrapy.Spider):
    name = 'boos'
    allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.zhipin.com/c100010000-p150407/']

    def parse_detail(self, response):
        item = response.meta['item']
        # 子页面爬取的数据
        item['job_val'] = response.body
        # 提交给管道
        yield item

    def parse(self, response):
        lis = response.xpath('//div[@class="job-list"]//ul/li')
        for li in lis:
            job_name = li.xpath('.//span[@class="job-name"]/a/text() | .//div[@class="job-limit clearfix"]//text()') \
                .extract()
            url = '嗯，演示一下就行。0.0'

            item = XiaohuaItem()
            item['job_name'] = job_name
            # 转到子页面进行爬取, 请求传参
            yield scrapy.Request(url, callback=self.parse_detail, meta={'item': item})

        # 分页爬取
        # yield scrapy.Request(self.start_urls[0]+'?page=2', callback=self.parse)

scrapy 框架

简单操作

数据解析

持久化存储

示例代码，数据解析/持久化存储

请求多个 url

请求传参

标签