scrapy爬虫框架简单入门实例（一）

scrapy是一个用于爬取网站数据，提取结构性数据的python应用框架。爬取的数据一般用于数据分析，数据处理，存储历史数据等。scrapy的整体架构大致如下：

主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

---------------------------------------------------------------------------------------------------------------------------------------------------

纸上得来终觉浅，绝知此事要躬行。安装好scrapy框架后直接写一个实例吧，首先在你想保存项目代码的目录下执行如下命令：

scrapy startproject '你的项目名称'

现在已经创建了一个爬虫项目，但是还需要创建一个爬虫程序，继续执行如下命令：（一般创建爬虫文件时，以网站域名命名）

cd '刚才创建的项目名称'
scrapy genspider '爬虫名称'

创建的目录及文件：

scrapy.cfg 项目的配置信息，主要为scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）
items.py 设置数据存储模板，用于结构化数据。
pipelines 数据处理行为，如：保存数据写入文件
settings.py 配置文件，如：递归的层数、并发数，延迟下载等
spiders 爬虫目录，如：创建文件，编写爬虫规则

好了，基本工作都做完了，现在分析一下要爬取的目标网站，这里我选择新浪的双色球网站，爬取指定期数的双色球中奖号数据；这里涉及到一个表单提交，用浏览器抓一下请求看看提交的地址和字段：

开始编写爬虫，定义一个Spider，只需继承scrapy.Spider类并定于一些属性：

（打开在"项目名称"/spiders文件夹下面的"创建的爬虫".py）

name: Spider名称，必须是唯一的
start_urls: 初始化下载链接URL
parse(): 用来解析下载后的Response对象，Response也是这个方法的唯一参数。它负责解析返回页面数据并提取出相应的Item（返回Item对象），还有其他合法的链接URL（返回Request对象）。

class SsqSpider(scrapy.Spider):
    name = 'ssq'
    allowed_domains = ['http://zst.aicai.com/ssq/']  # 爬取域名
    # start_urls = ['http://zst.aicai.com/ssq/']
    # 爬取网址,只适于不需要提交cookie的网站，因为没法设置cookie等信息
    scope_date = [['2012001', '2014200'], [
        '2015001', '2017200'], ['2018001', '2018130']]

    # 设置浏览器用户代理
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'}

    def start_requests(self):
        # 第一次请求页面，设置开启cookie使其得到cookie，设置回调函数
        return [Request('http://zst.aicai.com/ssq/', meta={'cookiejar': 1}, callback=self.parse)]

    def parse(self, response):
        print('请求头信息')
        print(response.request.headers)
        print('响应头信息')
        print(response.headers)
        print(response.status)
        print('---Cookie---')
        # 请求Cookie
        request_Cookie = response.request.headers.getlist('Cookie')
        print(request_Cookie)
        # 响应Cookie
        response_Cookie = response.headers.getlist('Set-Cookie')
        print(response_Cookie)
        print('---end---')

现在可以运行爬虫查看返回的Response对象了，运行命令：

scrapy crawl '爬虫名称'

后面的文章再继续介绍，从Response对象中提取出我们需要的Item数据对象。

scrapy爬虫框架简单入门实例（一）

猜你喜欢