python爬虫框架Scrapy基本应用学习教程
作者:梦想橡皮擦
在正式编写爬虫案例前,先对 scrapy
进行一下系统的学习。
scrapy 安装与简单运行
使用命令 pip install scrapy
进行安装,成功之后,还需要随手收藏几个网址,以便于后续学习使用。
scrapy 官网:https://scrapy.org
scrapy 文档:https://doc.scrapy.org/en/latest/intro/tutorial.html
scrapy 更新日志:https://docs.scrapy.org/en/latest/news.html
安装完毕之后,在控制台直接输入 scrapy
,出现如下命令表示安装成功。
> scrapy Scrapy 2.5.0 - no active project Usage: scrapy <command> [options] [args] Available commands:
上述截图是 scrapy
的内置命令列表,标准的格式的 scrapy <command> <options> <args>
,通过 scrapy <command> -h
可以查看指定命令的帮助手册。
scrapy
中提供两种类型的命令,一种是全局的,一种的项目中的,后者需要进入到 scrapy
目录才可运行。
这些命令无需一开始就完全记住,随时可查,有几个比较常用,例如:
scrpy startproject <项目名>
该命令先依据 项目名 创建一个文件夹,然后再文件夹下创建于个 scrpy
项目,这一步是后续所有代码的起点。
> scrapy startproject my_scrapy > New Scrapy project 'my_scrapy', using template directory 'e:\pythonproject\venv\lib\site-packages\scrapy\templates\project', created in: # 一个新的 scrapy 项目被创建了,使用的模板是 XXX,创建的位置是 XXX E:\pythonProject\滚雪球学Python第4轮\my_scrapy You can start your first spider with: # 开启你的第一个爬虫程序 cd my_scrapy # 进入文件夹 scrapy genspider example example.com # 使用项目命令创建爬虫文件
上述内容增加了一些注释,可以比对着进行学习,默认生成的文件在 python 运行时目录,如果想修改项目目录,请使用如下格式命令:
scrapy startproject myproject [project_dir]
例如
scrapy startproject myproject d:/d1
命令依据模板创建出来的项目结构如下所示,其中红色下划线的是项目目录,而绿色下划线才是 scrapy
项目,如果想要运行项目命令,则必须先进入红色下划线 my_scrapy
文件夹,在项目目录中才能控制项目。
下面生成一个爬虫文件
使用命令 scrapy genspider [-t template] <name> <domain> 生成爬虫文件,该方式是一种快捷操作,也可以完全手动创建。创建的爬虫文件会出现在 当前目录或者项目文件夹中的 spiders
文件夹中,name
是爬虫名字,domain
用在爬虫文件中的 alowed_domains
和 start_urls
数据中,[-t template]
表示可以选择生成文件模板。
查看所有模板使用如下命令,默认模板是 basic
。
> scrapy genspider -l basic crawl csvfeed xmlfeed
创建第一个 scrapy
爬虫文件,测试命令如下:
>scrapy genspider pm imspm.com Created spider 'pm' using template 'basic' in module: my_project.spiders.pm
此时在 spiders
文件夹中,出现 pm.py
文件,该文件内容如下所示:
import scrapy class PmSpider(scrapy.Spider): name = 'pm' allowed_domains = ['imspm.com'] start_urls = ['http://imspm.com/'] def parse(self, response): pass
测试 scrapy 爬虫运行
使用命令 scrapy crawl <spider>
,spider
是上文生成的爬虫文件名,出现如下内容,表示爬虫正确加载。
>scrapy crawl pm 2021-10-02 21:34:34 [scrapy.utils.log] INFO: Scrapy 2.5.0 started (bot: my_project) [...]
scrapy 基本应用
scrapy
工作流程非常简单:
采集第一页网页源码;解析第一页源码,并获取下一页链接;请求下一页网页源码;解析源码,并获取下一页源码;[…]过程当中,提取到目标数据之后,就进行保存。
接下来为大家演示 scrapy
一个完整的案例应用,作为 爬虫 120 例 scrapy 部分的第一例。
> scrapy startproject my_project 爬虫 > cd 爬虫 > scrapy genspider pm imspm.com
获得项目结构如下:
上图中一些文件的简单说明。
scrapy.cfg
:配置文件路径与部署配置;
items.py
:目标数据的结构;
middlewares.py
:中间件文件;
pipelines.py
:管道文件;
settings.py
:配置信息。
使用 scrapy crawl pm
运行爬虫之后,所有输出内容与说明如下所示:
上述代码请求次数为 7 次,原因是在 pm.py
文件中默认没有添加 www
,如果增加该内容之后,请求次数变为 4。
现在的 pm.py
文件代码如下所示:
import scrapy class PmSpider(scrapy.Spider): name = 'pm' allowed_domains = ['www.imspm.com'] start_urls = ['http://www.imspm.com/'] def parse(self, response): print(response.text)
其中的 parse
表示请求 start_urls
中的地址,获取响应之后的回调函数,直接通过参数 response
的 .text
属性进行网页源码的输出。
获取到源码之后,要对源码进行解析与存储
在存储之前,需要手动定义一个数据结构,该内容在 items.py
文件实现,对代码中的类名进行了修改,MyProjectItem
→ ArticleItem
。
import scrapy class ArticleItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() # 文章标题 url = scrapy.Field() # 文章地址 author = scrapy.Field() # 作者
修改 pm.py
文件中的 parse
函数,增加网页解析相关操作,该操作类似 pyquery
知识点,直接观察代码即可掌握。
def parse(self, response): # print(response.text) list_item = response.css('.list-item-default') # print(list_item) for item in list_item: title = item.css('.title::text').extract_first() # 直接获取文本 url = item.css('.a_block::attr(href)').extract_first() # 获取属性值 author = item.css('.author::text').extract_first() # 直接获取文本 print(title, url, author)
其中 response.css
方法返回的是一个选择器列表,可以迭代该列表,然后对其中的对象调用 css
方法。
item.css('.title::text')
,获取标签内文本;
item.css('.a_block::attr(href)')
,获取标签属性值;
extract_first()
:解析列表第一项;extract()
:获取列表。
在 pm.py
中导入 items.py
中的 ArticleItem
类,然后按照下述代码进行修改:
def parse(self, response): # print(response.text) list_item = response.css('.list-item-default') # print(list_item) for i in list_item: item = ArticleItem() title = i.css('.title::text').extract_first() # 直接获取文本 url = i.css('.a_block::attr(href)').extract_first() # 获取属性值 author = i.css('.author::text').extract_first() # 直接获取文本 # print(title, url, author) # 对 item 进行赋值 item['title'] = title item['url'] = url item['author'] = author yield item
此时在运行 scrapy
爬虫,就会出现如下提示信息。
此时完成了一个单页爬虫
接下来对 parse
函数再次改造,使其在解析完第 1 页之后,可以解析第 2 页数据。
def parse(self, response): # print(response.text) list_item = response.css('.list-item-default') # print(list_item) for i in list_item: item = ArticleItem() title = i.css('.title::text').extract_first() # 直接获取文本 url = i.css('.a_block::attr(href)').extract_first() # 获取属性值 author = i.css('.author::text').extract_first() # 直接获取文本 # print(title, url, author) # 对 item 进行赋值 item['title'] = title item['url'] = url item['author'] = author yield item next = response.css('.nav a:nth-last-child(2)::attr(href)').extract_first() # 获取下一页链接 # print(next) # 再次生成一个请求 yield scrapy.Request(url=next, callback=self.parse)
上述代码中,变量 next
表示下一页地址,通过 response.css
函数获取链接,其中的 css
选择器请重点学习。
yield scrapy.Request(url=next, callback=self.parse) 表示再次创建一个请求,并且该请求的回调函数是 parse
本身,代码运行效果如下所示。
如果想要保存运行结果,运行下面的命令即可。
scrapy crawl pm -o pm.json
如果想要将每条数据存储为单独一行,使用如下命令即可 scrapy crawl pm -o pm.jl
。
生成的文件还支持 csv 、 xml、marchal、pickle ,可自行尝试。
下面将数据管道利用起来
打开 pipelines.py
文件,修改类名 MyProjectPipeline
→ TitlePipeline
,然后编入如下代码:
class TitlePipeline: def process_item(self, item, spider): # 移除标题中的空格 if item["title"]: item["title"] = item["title"].strip() return item else: return DropItem("异常数据")
该代码用于移除标题中的左右空格。
编写完毕,需要在 settings.py
文件中开启 ITEM_PIPELINES
配置。
ITEM_PIPELINES = { 'my_project.pipelines.TitlePipeline': 300, }
300
是 PIPELINES
运行的优先级顺序,根据需要修改即可。再次运行爬虫代码,会发现标题的左右空格已经被移除。
到此 scrapy 的一个基本爬虫已经编写完毕。
以上就是python爬虫框架Scrapy基本应用学习教程的详细内容,更多关于python爬虫框架Scrapy的资料请关注脚本之家其它相关文章!