一、Scrapy
Scrapy 是用 Python 实现的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。 Scrapy 常应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。 通常我们可以很简单的通过Scrapy 框架实现一个爬虫,抓取指定网站的内容或图片。
二、Scrapy架构图(绿线是数据流向)
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)
三、Scrapy的运作流程
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!
注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载 失败的 URL,Scrapy也会重新下载。)
四、制作Scrapy爬虫步骤
1、安装Scrapy框架
pip install scrapy
2、创建一个爬虫项目
scrapy startproject SpiderDemo(项目名)
3、进入项目,创建一个爬虫样例
cd SpiderDemo 先进入项目
scrapy genspider example example.com 创建爬虫样例,会出现example.py样例文件
样例代码解析
4、启动爬虫
在启动之前需要关闭robot协议 settings 文件下: ROBOTSTXT_OBEY = true改为false
启动名为 example 的爬虫 scrapy crawl example
5、文件的作用
items.py: 表示定义一些获取数据的结构信息
middlewares.py: 表示自定义中间处理过程
pipelines.py: 用来存储及处理数据
settings.py : 用来设置当前的爬虫 生成的
example.py: 用来写我们请求及处理过程
五、实例
1、创建文件
在spiderDemo/spiders中新建一个文件JDCommentSpider
2、准备工作
寻找url,copy
找header,点击文件后,点击headers,下滑到最下面
2、代码实例
import scrapy import re import json
# 创建一个爬虫程序jdpc,定义类名jdpc,并且继承scrapy.Spider class jdpc(scrapy.Spider): # 给爬虫创建名称 name = 'jdpc' # 设置允许的域名 allowed_domains = ['club.jd.com']
header = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36" }
# 重写我们父类 def start_requests(self): ''' yield 返回一个迭代器,可以遍历数据 url: str, 爬取的URL,双斜杠后是域名后后缀是.com callback: Optional[Callable] = None, 用来处理URL返回的 response 的方法 method: str = "GET", request的请求方式 headers: Optional[dict] = None, 请求头,用于模拟浏览器 ''' url = 'https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId=100009464799&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1' yield scrapy.Request(url=url, headers=self.header, callback=self.myprocess)
def myprocess(self, response: scrapy.http.Response): # 打印请求内容 print(">>>" * 30)
# 通过re.match进行正则匹配,获取完整的json内容 response_match = re.match('(fetchJSON_comment98\()(.*)(\);)', response.text)
# 通过json库转换成JSON对象 json_res = json.loads(response_match.group(2).replace('\n', '').replace('\r', '')) # 获取comments中的value comments = json_res['comments'] # 循环获取每条评论 for comment in comments: creationTime = comment['creationTime'] nickname = comment['nickname'] productColor = comment['productColor'] productSize = comment['productSize'] content = comment['content'] print(content, creationTime, nickname, productColor, productSize)
print(">>>" * 30)
4、运行:在Python终端中输入scrapy crawl jdpc
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试