2019-03-22 Python Scrapy 入门教程 笔记

Python Scrapy 入门教程

入门教程笔记：

# 创建mySpider
scrapy startproject mySpider

# 创建itcast.py
cd C:\Users\theDataDiggers\mySpider\mySpider\spiders
scrapy genspider itcast "itcast.cn"

# itcast（itcast.py name）---ItcastSpider（类名）
#该类有3个强制的属性，和一个解析的方法（属性为name allowed_domains start_urls）

# 执行itcast.py
scrapy crawl itcast
scrapy crawl itcast -o teachers.csv

#在没有学习scrapy时，我们是先请求数据，然后返回数据的
response=request.get(url)
soup=BeautifulSoup(response.text,'lxml')
soup.select()

#学习了Scrapy后，发现
def parse(self,response):
#自带response，你可以进行以下操作
response.body()
response.xpath()

#顺便还复习了一下类的继承
class ItcastSpider(scrapy.Spider):
class ItcastItem(scrapy.Item):
class MyspiderPipeline(object):

#还有引用其它Python文件的类
from mySpider.items import ItcastItem

学习目标

• 创建一个Scrapy项目
• 定义提取的结构化数据(Item)
• 编写爬取网站的 Spider 并提取出结构化数据(Item)
• 编写 Item Pipelines 来存储提取到的Item(即结构化数据)

• 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）