scrapy介绍及使用

scrapy的流程

其流程可以描述如下：

1. 调度器把requests-->引擎-->下载中间件--->下载器
2. 下载器发送请求，获取响应---->下载中间件---->引擎--->爬虫中间件--->爬虫
3. 爬虫提取url地址，组装成request对象---->爬虫中间件--->引擎--->调度器
4. 爬虫提取数据--->引擎--->管道
5. 管道进行数据的处理和保存

注意：

• 图中绿色线条的表示数据的传递
• 注意图中中间件的位置，决定了其作用
• 注意其中引擎的位置，所有的模块之前相互独立，只和引擎进行交互

scrapy中每个模块的具体作用

1.scrapy项目实现流程

• 创建一个scrapy项目:scrapy startproject 项目名

• 生成一个爬虫:scrapy genspider 爬虫名 允许爬取的范围

• 提取数据:完善spider，使用xpath等方法

• 保存数据:pipeline中保存数据

2. 创建scrapy项目

命令：scrapy startproject +<项目名字>

示例：scrapy startproject myspider

生成的目录和文件结果如下：

settings.py中的重点字段和内涵

• USER_AGENT 设置ua
• ROBOTSTXT_OBEY 是否遵守robots协议，默认是遵守
• CONCURRENT_REQUESTS 设置并发请求的数量，默认是16个
• DOWNLOAD_DELAY 下载延迟，默认无延迟
• COOKIES_ENABLED 是否开启cookie，即每次请求带上前一次的cookie，默认是开启的
• DEFAULT_REQUEST_HEADERS 设置默认请求头
• SPIDER_MIDDLEWARES 爬虫中间件，设置过程和管道相同
• DOWNLOADER_MIDDLEWARES 下载中间件

创建爬虫

命令：scrapy genspider +<爬虫名字> + <允许爬取的域名>

生成的目录和文件结果如下：

完善spider

完善spider即通过方法进行数据的提取等操做：

注意：

1. response.xpath方法的返回结果是一个类似list的类型，其中包含的是selector对象，操作和列表一样，但是有一些额外的方法
2. extract() 返回一个包含有字符串的列表
3. extract_first() 返回列表中的第一个字符串，列表为空没有返回None
4. spider中的parse方法必须有
5. 需要抓取的url地址必须属于allowed_domains,但是start_urls中的url地址没有这个限制
6. 启动爬虫的时候注意启动的位置，是在项目路径下启动

数据传递到pipeline

为什么要使用yield？

• 让整个函数变成一个生成器，有什么好处呢？
• 遍历这个函数的返回值的时候，挨个把数据读到内存，不会造成内存的瞬间占用过高
• python3中的range和python2中的xrange同理

注意：

• yield能够传递的对象只能是：BaseItem,Request,dict,None

6. 完善pipeline

pipeline在settings中能够开启多个，为什么需要开启多个？

• 不同的pipeline可以处理不同爬虫的数据
• 不同的pipeline能够进行不同的数据处理的操作，比如一个进行数据清洗，一个进行数据的保存

pipeline使用注意点

• 使用之前需要在settings中开启
• pipeline在setting中键表示位置(即pipeline在项目中的位置可以自定义)，值表示距离引擎的远近，越近数据会越先经过
• 有多个pipeline的时候，process_item的方法必须return item,否则后一个pipeline取到的数据为None值
• pipeline中process_item的方法必须有，否则item没有办法接受和处理
• process_item方法接受item和spider，其中spider表示当前传递item过来的spider