scrapy是目前python使用的最广泛的爬虫框架
架构图如下
解释:
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests
一。安装
pip install Twisted.whl
pip install Scrapy
Twisted的版本要与安装的python对应,https://jingyan.baidu.com/article/1709ad8027be404634c4f0e8.html
二。代码
本实例采用xpaths解析页面数据
按住shift-右键-在此处打开命令窗口
输入 scrapy startproject qiushibaike 创建项目
输入 scrapy genspider qiushibaike 创建爬虫
1>结构
2>qiushibaike.py爬虫文件
import scrapy from scrapy.linkextractors import LinkExtractor from scrapy.spiders.crawl import Rule, CrawlSpider class BaiduSpider(CrawlSpider): name = 'qiushibaike' allowed_domains = ['qiushibaike.com'] start_urls = ['https://www.qiushibaike.com/text/']#启始页面 # rules= ( Rule(LinkExtractor(restrict_xpaths=r'//a[@class="contentHerf"]'),callback='parse_item',follow=True), Rule(LinkExtractor(restrict_xpaths=r'//ul[@class="pagination"]/li/a'),follow=True) ) def parse_item(self, response): title=response.xpath('//h1[@class="article-title"]/text()').extract_first().strip() #标题 time=response.xpath(' //span[@class="stats-time"]/text()').extract_first().strip() #发布时间 content=response.xpath('//div[@class="content"]/text()').extract_first().replace(' ','\n') #内容 score=response.xpath('//i[@class="number"]/text()').extract_first().strip() #好笑数 yield({"title":title,"content":content,"time":time,"score":score}); |
3>pipelines.py 数据管道
class QiushibaikePipeline:
def open_spider(self,spider):#启动爬虫中调用
self.f=open("xiaoshuo.txt","w",encoding='utf-8')
def process_item(self, item, spider):
info=item.get("title")+"\n"+ item.get("time")+" 好笑数"+item.get("score")+"\n"+ item.get("content")+'\n'
self.f.write(info+"\n")
self.f.flush()
def close_spider(self,spider):#关闭爬虫中调用
self.f.close() |
4>settings.py
开启ZhonghengPipeline
ITEM_PIPELINES = {
'qiushibaike.pipelines.QiushibaikePipeline': 300,
} |
5>0main.py运行
from scrapy.cmdline import execute execute('scrapy crawl qiushibaike'.split()) |
6>结果:
生成xiaohua.txt,里面有下载的笑话文字