新手必学Python爬虫之Scrapy框架案例详解

分手后的思念是犯贱 2023-03-14 05:53 14阅读 0赞

**![format_png][]**

**Scrapy简介**

Scrapy是用纯Python实现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，用途非常广泛。

框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。另外要**注意：**光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！

Scrapy 使用了 Twisted\['twɪstɪd\](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

**Scrapy架构**

**![qqq.png][]**

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）

**白话讲解Scrapy运作流程**

代码写好，程序开始运行...

1.引擎：Hi！Spider, 你要处理哪一个网站？

2.Spider：老大要我处理xxxx.com。

3.引擎：你把第一个需要处理的URL给我吧。

4.Spider：给你，第一个URL是xxxxxxx.com。

5.引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6.调度器：好的，正在处理你等一下。

7.引擎：Hi！调度器，把你处理好的request请求给我。

8.调度器：给你，这是我处理好的request

9.引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

10.下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

11.引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12.Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

13.引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

14.管道\`\`调度器：好的，现在就做！

相关推荐：《Python相关教程》

**制作Scrapy爬虫步骤**

1.新建项目

<table> 
 <tbody> 
 <tr> 
 <td> 1 </td> 
 <td> <code>scrapy&nbsp;startproject&nbsp;mySpider</code> </td> 
 </tr> 
 </tbody> 
</table>

![www.png][]

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>scrapy.cfg&nbsp;：项目的配置文件</code> <code>mySpider/&nbsp;：项目的Python模块，将会从这里引用代码</code> <code>mySpider/items.py&nbsp;：项目的目标文件</code> <code>mySpider/pipelines.py&nbsp;：项目的管道文件</code> <code>mySpider/settings.py&nbsp;：项目的设置文件</code> <code>mySpider/spiders/&nbsp;：存储爬虫代码目录</code> </td> 
 </tr> 
 </tbody> 
</table>

2.明确目标(mySpider/items.py)

想要爬取哪些信息，在Item里面定义结构化数据字段，保存爬取到的数据。

3.制作爬虫(spiders/xxxxSpider.py)

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 </td> 
 <td> <code>import&nbsp;scrapy</code> <code>class</code>&nbsp;<code>ItcastSpider(scrapy.Spider):</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>name&nbsp;=&nbsp;</code><code>"itcast"</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>allowed_domains&nbsp;=&nbsp;[</code><code>"itcast.cn"</code><code>]</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>start_urls&nbsp;=&nbsp;(</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>'http://www.itcast.cn/'</code><code>,</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>def&nbsp;parse(self,&nbsp;response):</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>pass</code> </td> 
 </tr> 
 </tbody> 
</table>

name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

allow\_domains = \[\] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

start\_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

4.保存数据(pipelines.py)

在管道文件里面设置保存数据的方法，可以保存到本地或数据库。

**温馨提醒**

第一次运行scrapy项目的时候，出现-->"DLL load failed" 错误提示，需要安装pypiwin32模块。

**简单入门的实例**

（1）items.py

想要爬取的信息

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>#&nbsp;-*-&nbsp;coding:&nbsp;utf-8&nbsp;-*-</code> <code>import&nbsp;scrapy</code> <code>class</code>&nbsp;<code>ItcastItem(scrapy.Item):</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>name&nbsp;=&nbsp;scrapy.Field()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>title&nbsp;=&nbsp;scrapy.Field()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>info&nbsp;=&nbsp;scrapy.Field()</code> </td> 
 </tr> 
 </tbody> 
</table>

（2）itcastspider.py

写爬虫程序

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 </td> 
 <td> <code>#!/usr/bin/env&nbsp;python</code> <code>#&nbsp;-*-&nbsp;coding:utf-8&nbsp;-*-</code> <code>import&nbsp;scrapy</code> <code>from&nbsp;mySpider.items&nbsp;import&nbsp;ItcastItem</code> <code>#&nbsp;创建一个爬虫类</code> <code>class</code>&nbsp;<code>ItcastSpider(scrapy.Spider):</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;爬虫名</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>name&nbsp;=&nbsp;</code><code>"itcast"</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;允许爬虫作用的范围</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>allowd_domains&nbsp;=&nbsp;[</code><code>"http://www.itcast.cn/"</code><code>]</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;爬虫起始的url</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>start_urls&nbsp;=&nbsp;[</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>"http://www.itcast.cn/channel/teacher.shtml#"</code><code>,</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>]</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>def&nbsp;parse(self,&nbsp;response):</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>teacher_list&nbsp;=&nbsp;response.xpath(</code><code>'//div[@class="li_txt"]'</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;所有老师信息的列表集合</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>teacherItem&nbsp;=&nbsp;[]</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;遍历根节点集合</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>for</code>&nbsp;<code>each&nbsp;in&nbsp;teacher_list:</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;Item对象用来保存数据的</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>item&nbsp;=&nbsp;ItcastItem()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;name,&nbsp;extract()&nbsp;将匹配出来的结果转换为Unicode字符串</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;不加extract()&nbsp;结果为xpath匹配对象</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>name&nbsp;=&nbsp;each.xpath(</code><code>'./h3/text()'</code><code>).extract()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;title</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>title&nbsp;=&nbsp;each.xpath(</code><code>'./h4/text()'</code><code>).extract()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>#&nbsp;info</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>info&nbsp;=&nbsp;each.xpath(</code><code>'./p/text()'</code><code>).extract()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>item[</code><code>'name'</code><code>]&nbsp;=&nbsp;name[0].encode(</code><code>"gbk"</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>item[</code><code>'title'</code><code>]&nbsp;=&nbsp;title[0].encode(</code><code>"gbk"</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>item[</code><code>'info'</code><code>]&nbsp;=&nbsp;info[0].encode(</code><code>"gbk"</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>teacherItem.append(item)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>return</code>&nbsp;<code>teacherItem</code> </td> 
 </tr> 
 </tbody> 
</table>

输入命令：scrapy crawl itcast -o itcast.csv  保存为 ".csv"的格式

**最后注意：**光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！

*本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。*

[format_png]: /images/20230312/5e0345dc168a4144a3a99d2c128715da.png
[qqq.png]: /images/20230312/a1b452e6b02f45848cd08b9022cfd51d.png
[www.png]: /images/20230312/45369a7323f745b88b487ccf0678ac46.png