Scrapy框架-----爬虫

栏目: 编程工具 · 发布时间: 6年前

内容简介:安装Scrapy框架、MongoDB和PyMongo库,如果没有安装,google了解一下~~使用命令创建Scrapy项目,命令如下:该命令可以在任意文件夹运行,如果提示权限问题,可以加

说明:文章是本人读了崔庆才的 Python 3---网络爬虫开发实战,做的简单整理,希望能帮助正在学习的小伙伴~~

1. 准备工作:

安装Scrapy框架、 MongoDB 和PyMongo库,如果没有安装,google了解一下~~

2. 创建项目:

使用命令创建Scrapy项目,命令如下:

scrapy startproject tutorial

该命令可以在任意文件夹运行,如果提示权限问题,可以加 sudo 运行。该命令会创建一个名为tutorial的文件夹,结构如下:

Scrapy框架-----爬虫

# scrapy.cfg: Scrapy项目的配置文件,定义了项目的配置文件路径,部署相关信息等

# item.py: 定义item数据结构(爬取的数据结构)

# pipeline.py: 定义数据管道

# settings.py: 配置文件

# middlewares.py: 定义爬取时的中间件

# spiders: 放置Spiders的文件夹

3. 创建Spider:

Spider是自己定义的类,Scrapy用它来从网页抓取内容,并解析抓取结果。该类必须继承Scrapy提供的Spider类scrapy.Spider。

使用命令创建一个Spider,命令如下:

cd tutorial

scrapy genspider quotes quotes.toscrape.com

首先,进入刚才创建的tutorial文件夹,然后执行 genspider 命令。第一个参数是spider的名称,第二个参数是网络域名(要抓取网络的域名)。执行完毕后,spiders文件夹中多了一个quotes.py,它就是刚刚创建的Spider,内容如下:

Scrapy框架-----爬虫

该类中有三个属性 ------ name、allowed_domains、start_urls,一个方法parse。

# name,唯一的名字,用来区分不同的Spider。

# allowed_domains,允许爬取的域名,如果初始或后续的请求链接不是该域名下的,则被过滤掉。

# start_urls,Spider在启动时爬取的url列表,用来定义初始的请求。

# parse,它是spider的一个方法,用来处理start_urls里面的请求返回的响应,该方法负责解析返回的响应,提取数据或进一步生成处理的请求。

4. 创建Item:

Item是保存爬取数据的容器,使用方法和字典类似。创建Item需要继承scrapy.Item类,并且定义类型为scrapy.Field的字段。

定义Item,将生成的items.py修改如下:

Scrapy框架-----爬虫

这里定义了三个字段,接下来爬取时我们会用到这个Item。

5. 解析Response:

前面我们看到,parse()方法的参数response是start_urls里面的链接爬取后的结果,所以在parse方法中,可以对response变量包含的内容进行解析。网页结构如下:

Scrapy框架-----爬虫

Scrapy框架-----爬虫

提取方式可以是CSS选择器或XPath选择器。在这里,使用CSS选择器,parse()方法修改如下:

Scrapy框架-----爬虫

首先,利用选择器选取所有的quote,并将其赋值给quotes变量,然后利用for循环对每一个quote遍历,解析每一个quote的内容。

对text来说,他的class是text,所以用 .text 选择器来选取,这个结果实际上是整个带有标签的节点,要获取它的正文内容,可以加 ::text 来获取。这时的结果是长度为1的列表,所以还需要用 extract_first() 方法来获取第一个元素。

而对于tags来说,由于我们要获取所有的标签,所以用 extract() 方法来获取整个列表即可。

6. 使用Item:

上面定义了Item,这边我们就需要用到它。Item可以理解为一个字典,不过在这里需要先实例化,然后将解析的结果赋值给Item的每一个字段,最后返回Item。

修改QuotesSpider类如下:

Scrapy框架-----爬虫

至此,首页的所有内容被解析出来了,并将结果赋值给一个个TutorialItem。

7. 后续Request:

上面实现了网页首页的抓取解析,那么下一页怎么抓取呢?我们可以看到网页的翻页结构如下:

Scrapy框架-----爬虫

Scrapy框架-----爬虫

这里有一个Next按钮,查看源码,可以看出下一页的全链接是:http://quotes.toscrape.com/page/2/,通过这个链接我们就可以构造下一个请求。

构造请求需要用到 scrapy.Request 。这里会有两个参数 -------url和callback。

# url,请求链接。

# callback,回调函数。请求完毕后,获取响应,引擎会将该响应作为参数传递给回调函数,回调函数进行解析或生成下一个请求。

在parse()方法中追加如下代码:

Scrapy框架-----爬虫

第一句,获取下一个页面的链接,即要获取a超链接中的href属性。

第二句,调用 urljoin() 方法,urljoin()方法可以将相对URL构造成一个绝对URL。例如,获取得到下一页的地址是/page/2/,urljoin()方法处理后的结果是:http://quotes.toscrape.com/page/2/。

第三句,通过url和callback变量构造了一个新的请求,回调函数callback依然使用parse()方法。这样,爬虫就进入了一个循环,直到最后一页。

修改之后,整个Spider类如下:

Scrapy框架-----爬虫

8. 运行:

进入目录,运行如下命令:

scrapy crawl quotes

就可以看到Scrapy的运行结果了。

9. 保存到文件:

运行完Scrapy后,我们只在控制台看到了输出结果。如何保存结果呢?

Scrapy提供了Feed Exports可以轻松将结果输出。例如,我们想将上面的结果保存成JSON文件,可以执行如下命令:

scrapy crawl quotes -o quotes.json

命令运行后,会发现项目内多了一个quotes.json文件,这个文件包含了抓取的所有内容,格式为JSON。

另外,还支持其他格式如下:

scrapy crawl quotes -o quotes.jsonlines   (scrapy crawl quotes -o quotes.jl ,  jl是jsonlines的缩写)

scrapy crawl quotes -o quotes.csv

scrapy crawl quotes -o quotes.xml

scrapy crawl quotes -o quotes.pickle

scrapy crawl quotes -o quotes.marshal

scrapy crawl quotes -o ftp://user:pass@ftp.example.com/path/to/quotes.csv(远程输出,需要正确配置,否则会报错)

10. 使用Pipeline:

如果想进行复杂额操作,如将结果保存到MongoDB数据库,或者筛选Item,我们可以定义Pipeline来实现。

前面提到,Pipeline是项目管道,当Item生成后,它会自动被送到Pipeline进行处理,主要的操作如下:

# 清理HTML数据

# 验证爬取的数据,检查爬取的字段

# 查重并丢弃重复内容

# 将结果保存到数据库

实现Pipeline,只需要定义一个类并实现process_item()方法即可。启用Pipeline后,Pipline会自动调用这个方法。process_item()方法必须返回包含数据的字典或item对象,或者抛出DropItem异常。

process_item()方法有两个参数,一个参数是item,每次Spider生成的Item都会作为参数传递过来,另一个参数是spider,就是Spider的实例。

接下来,我们实现一个Pipline,筛掉text长度大于50的Item,并将结果保存到MongoDB数据库。

修改pipelines.py如下:

Scrapy框架-----爬虫

Scrapy框架-----爬虫

# from_crawler,这是一个类方法,用@classmethod标识,是一种依赖注入。它的参数就是crawler,通过crawler可以拿到全局配置的每一个配置信息。在全局配置settings.py中,可以配置MONGO_UR和MONGO_DB来指定MongoDB连接需要的地址和数据库名称,拿到配置信息之后返回类对象即可。所以这个方法主要是用来获取settings.py中的配置信息。

# open_spider,当Spider开启时,这个方法被调用。进行初始化操作。

# close_spider,当Spider关闭时,这个方法被调用。将数据库连接关闭。

最主要的process_item()方法则进行了数据插入操作。

定义好的TutorialPipeline和MongoPipline这两个类后,我们需要在settings.py中使用它们,MongoDB的连接信息也需要在settings.py中定义。

settings.py中加入如下内容:

Scrapy框架-----爬虫

赋值ITEM_PIPELINES字典,键名是Pipeline的类名称,键值是调用的优先级,是一个数字,数字越小对应的Pipeline越先被调用。

重新执行如下命令进行爬取:

scrapy crawl quotes

结束后,MongoDB中会创建了一个tutorial的数据库、TutorialItem的表,如下图:

Scrapy框架-----爬虫

11. 结语:

至此,一个简单的Scrapy框架爬虫就完成了,这只是一个简单的爬虫例子,想要了解更多,可以去看看崔庆才的书---------《Python3   网络爬虫开发实战》。

Github上面也有许多相关的项目可以去研究~~~


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

深入理解Java虚拟机

深入理解Java虚拟机

周志明 / 机械工业出版社 / 2011-6 / 69.00元

《深入理解Java虚拟机:JVM高级特性与最佳实践》内容简介:作为一位Java程序员,你是否也曾经想深入理解Java虚拟机,但是却被它的复杂和深奥拒之门外?没关系,本书极尽化繁为简之妙,能带领你在轻松中领略Java虚拟机的奥秘。本书是近年来国内出版的唯一一本与Java虚拟机相关的专著,也是唯一一本同时从核心理论和实际运用这两个角度去探讨Java虚拟机的著作,不仅理论分析得透彻,而且书中包含的典型案......一起来看看 《深入理解Java虚拟机》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换

HEX CMYK 转换工具
HEX CMYK 转换工具

HEX CMYK 互转工具