7 scrapy 初识

scrapy框架

框架介绍: Scrapy是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，非常出名，非常强悍。所谓的框架就是一个已经被集成了各种功能（高性能异步下载，队列，分布式，解析，持久化等）的具有很强通用性的项目模板。对于框架的学习，重点是要学习其框架的特性、各个功能的用法即可。

安装:
　　Linux：
      pip3 install scrapy
　　Windows：
      a. pip3 install wheel
      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
      c. 进入下载目录，执行 pip3 install Twisted‑17.1.‑cp35‑cp35m‑win_amd64.whl
      d. pip3 install pywin32
      e. pip3 install scrapy

基础使用
    .创建项目：   scrapy startproject 项目名称
    .　　　　　　 cd  proName
    .创建爬虫文件 scrapy genspider spidername xxx.com
    .执行        scrapy crawl  spiderName

scrapy crawl  spider --nolog #忽略log日志

# -*- coding: utf-8 -*-
import scrapy
class Pa1Spider(scrapy.Spider):
    # 爬虫文件的名称
    name = 'pa1'
    # allowed_domains = ['www.xxx.com']   # 允许域名
    start_urls = ['https://www.qiushibaike.com/text/']  # 起始url列表 可写多个

    # 解析数据
    def parse(self, response):  #响应
        div_list = response.xpath('//div[@id="content-left"]/div')
        names = []
        for div in div_list:
            # author = div.xpath('./div[1]/a[2]/h2/text()')[0].extract()
            author = div.xpath('./div[1]/a[2]/h2/text()').extract_first()

            names.append({'name':author})  #必须封装到字典中  ('json', 'jsonlines', 'jl', 'csv', 'xml', 'marshal', 'pickle')
        return names
    # 持久化存储
    # - 基于终端指令 特性:只能将parse方法的返回值存到磁盘里面
　　　　　　scrapy crawl first -o qiubai.csv   #指定文件类型有要求.json .csv 

    # - 基于管道 pipelines 

　　　　　　- 数据解析　　　　　　　　spider.py

　　　　　　- 封装item类           items.py

　　　　　　- 实例化item类型的对象  spider.py

　　　　　　- 将解析倒的数据依次存储封装到item类型的对象中

　　　　　　- 将item对象提交给管道

　　　　　- 在管道中实现IO操作  spider.py

　　　　　　- 开启管道  settings.py

　　# 同一份数据存储到不同的平台:
　　　　管道文件定义多个类,之后settings.py里注册开启,根据优先级数字越小,越早执行,不同类之间传递item,在def process_item():中return item.
# 全站数据的爬取: 不同页面
　　1 页面全添加到start_urls中,不建议,在url很多的时候不好 
　　2 手动请求
　　　　设置url模板,%s %d 字符串格式化
　　　　手动请求发送写在哪里? 在parse方法
　　　　yield scrapy.Request(url=url,parse.callback)
# 5大核心组件
爬虫:   干活的
管道:   接收item,
调度器: 
下载器: 去互联网请求  　　
　　　　下载中间件作用:拦截请求和响应
　　　　　　-拦截请求:
　　　　　　　　1 篡改请求头UA UA池,随机random.choice()
　　　　　　　　2 设置相关请求对象的代理IP(process_exception中)
引擎: 数据流处理,处理事务 
# POST请求的发送:
　　重写def start_requests(self):
　　　　　　yield scrapy.FormRequest(url,callback,formdata)
　　scrapy 默认是自己处理cookie的, settings.py里面COOKIES_ENNABLE=False
# 日志等级
　　settings.py 里面 LOG_LEVEL='ERROR'
# 日志路径
　　settings.py 里面 LOG_FILE = 'path'
# 请求传参的应用场景:
　　爬取和解析的数据不在同一张页面上面
　　在请求方法中使用meta(字典)参数,该字典会传递参数给回调函数
　　　　回调函数接收meta:response.meta['key']

# 一般的settings.py 里面这样修改
ROBOTSTXT_OBEY = False
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.81 Safari/537.36'
ITEM_PIPELINES = {
   'xiaohua.pipelines.XiaohuaPipeline': 300,
   'xiaohua.pipelines.MysqlPipeline': 200,
}    # 可定义多个管道类  300优先级  数值越小优先级越高
LOG_LEVEL = "ERROR"
# items.py
# -*- coding: utf-8 -*-
import scrapy
class XiaohuaItem(scrapy.Item):
    name = scrapy.Field()  #为啥? 不能保证解析到的数据类型统一, 可以存储任何type的数据
    img_url = scrapy.Field()

# 手动全站数据抓取
# -*- coding: utf-8 -*-
import scrapy
from xiaohua.items import XiaohuaItem

class Xh1Spider(scrapy.Spider):
    name = 'xh1'
    # allowed_domains = ['www.ccc.com']
    start_urls = ['http://www.521609.com/daxuemeinv/']
    # 生成一个通用的url模板
    url = 'http://www.521609.com/daxuemeinv/list8%d.html'
    pageNum = 1

    def parse_detail(self,response):
        pass

    def parse(self, response):
        li_list = response.xpath('//div[@class="index_img list_center"]/ul/li')  #返回列表 selector
        for li in li_list:
            name = li.xpath('./a[2]/text() | ./a[2]/b/text()').extract_first()
            img_url ='http://www.521609.com' + li.xpath('./a[1]/img/@src').extract_first()

            # 实例化一个item 对象
            item = XiaohuaItem()
            item['name'] = name
            item['img_url'] = img_url
            # item 提交给管道
            yield item

        # 对其他页码的url手动请求的发送
        if self.pageNum <= 3:
            self.pageNum += 1
            new_url = format(self.url%self.pageNum)
            yield scrapy.Request(url=new_url,callback=self.parse)

手动全站数据抓取

# -*- coding: utf-8 -*-
import scrapy

class PostReqSpider(scrapy.Spider):
    name = 'post_req'
    # allowed_domains = ['www.bb.com']

    start_urls = ['https://fanyi.baidu.com/sug']

    # 默认这样的get
    # def start_requests(self):
    #     for url in self.start_urls:
    #         yield scrapy.Request(url=url,callback=self.parse)

    def start_requests(self):
        for url in self.start_urls:
            data = {
                'kw':'dog'
            }
            yield scrapy.FormRequest(url=url, callback=self.parse,formdata=data)

    def parse(self, response):
        print(response.text)

scrapy 请求传参

scrapy

scrapy框架 默认处理cookie的