scrapy和scrapy-redis 详解一入门demo及内容解析

架构及简介

Scrapy是用纯Python实现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，用途非常广泛。

Scrapy 使用了 Twisted(其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

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）

开发流程

开发一个简单爬虫步骤：

新建项目

scrapy startproject demo

编写spider
- 种子url （请求)
- 解析方法
编写item

结果数据模型
持久化

编写pipelines

生成目录介绍

scrapy.cfg ：项目的配置文件

mySpider/ ：项目的Python模块，将会从这里引用代码

mySpider/items.py ：项目的目标文件

mySpider/pipelines.py ：项目的管道文件

mySpider/settings.py ：项目的设置文件

mySpider/spiders/ ：存储爬虫代码目录

使用命令创建爬虫类

scrapy genspider gitee "gitee.com"

解析

通常我们解析都会涉及到 xpath csspath 正则，有的时候可能还有jsonpath（python中json访问基本不用使用复杂的jsonpath，字典访问就可以)

scrapy 内置xpath和csspath支持

Selector

而解析器本身也可以单独使用

xpath()
extract_first()
extract() #返回一个列表
索引访问，因为scrapy.selector.unified.SelectorList继承list，可以通过索引访问

from scrapy import Selector

if __name__ == '__main__':

    body = """<!DOCTYPE html>

<html lang="en">

<head>

    <meta charset="UTF-8">

    <title>Title</title>

</head>

<body>

    <p>hello</p>

    <p class="big">hello</p>

</body>

</html>"""

    s = Selector(text=body)

    title=s.xpath("//title/text()").extract_first();#抽取

    print(title)

    #Title

    pe = s.xpath("//p")

    print(s.xpath("//p").extract())

    #['<p>hello</p>', '<p class="big">hello</p>']

    print(pe)

    #[<Selector xpath='//p' data='<p>hello</p>'>, <Selector xpath='//p' data='<p class="big">hello</p>'>]

    print(type(pe))

    #<class 'scrapy.selector.unified.SelectorList'>

    print(type(pe[0]))  #通过索引访问

    #<class 'scrapy.selector.unified.Selector'>

    print(type(pe.pop()))

    #<class 'scrapy.selector.unified.Selector'>

    p=s.xpath("//p").extract_first()

    print(p)

css()

css选择器我们::text选择内容，用::attr() 选择属性

print(s.css("title").extract_first())

print(s.css("title::text").extract_first())

print(s.css("title::text").extract())

print(s.css("p.big::text").extract_first())

print(s.css("p.big::attr(class)").extract_first())

# <title>Title</title>

# Title

# ['Title']

# hello big

# big

css()和xpath()混用

scrapy.selector.unified.SelectorList scrapy.selector.unified.Selector 本身有css和xpath方法，所以可以组合使用

print(s.xpath("//body").css("p.big").extract_first())

print(s.css("body").xpath("//p[@class='big']").extract_first())

# <p class="big">hello big </p>

# <p class="big">hello big </p>

re()和re_first()

scrapy.selector.unified.SelectorList scrapy.selector.unified.Selector 拥有 re()方法，支持通过正则来过滤

print(s.xpath("//p/text()").re_first("big"))

print(type(s.xpath("//p/text()").re("big")))

# big

# <class 'list'>

** 但re()返回列表，.re_first返回str，所以不能再继续调用其他的选择方法

在爬虫中使用解析器

response对象已经

class GiteeSpider(scrapy.Spider):

    name = 'gitee'

    allowed_domains = ['gitee.com']

    start_urls = ['https://gitee.com/haimama']

    def parse(self, response):

        print(type(response))

        t=response.xpath("//title/text()").extract_first()

        print(t)

##启动爬虫执行后的结果

# 执行结果省略日志

# <class 'scrapy.http.response.html.HtmlResponse'>

# 码马 (haimama) - Gitee

response对象类型为 scrapy.http.response.html.HtmlResponse，该类继承TextResponse 。拥有xpath()和css()方法如下

所以response 可以直接使用前文中的Selector 的方式来解析

    def xpath(self, query, **kwargs):

        return self.selector.xpath(query, **kwargs)

    def css(self, query):

        return self.selector.css(query)

启动爬虫

在爬虫目录编写run.py方法，添加如下脚本，这样就可以直接执行爬虫了。如果命令行执行的话scrapy crawl gitee。其中gitee为爬虫名，对应GiteeSpider中的name字段

# coding: utf-8

from scrapy import cmdline

if __name__ == '__main__':

    cmdline.execute("scrapy crawl gitee".split())

# scrapy crawl gitee

完整参考代码 https://gitee.com/haimama/scrapy_demo001

xpath参考我的博客python使用xpath