Scrapy 框架 安装 五大核心组件 settings 配置 管道存储

scrapy 框架的使用

博客: https://www.cnblogs.com/bobo-zhang/p/10561617.html

安装:

1. pip install wheel

2. 下载 Twisted-18.9.0-cp36-cp36m-win_amd64.whl
   
   下载地址: https://www.lfd.uci.edu/~gohlke/pythonlibs/

3. 安装 twisted

   pip install Twisted-18.9.0-cp36-cp36m-win_amd64.whl

4. pip install pywin32

5. pip install scrapy

基础使用:

1. 创建项目:
   • scrapy startproject 项目名称
   • cd 到项目目录中
2. 创建爬虫文件
   • scrapy genspider 文件名称 www.xxx.com
   • 课创建多个爬虫文件

Settings参数:

ROBOTSTXT_OBEY = True  #----------- 是否遵守robots.txt
CONCURRENT_REQUESTS = 16  ## ----------- 开启线程数量，默认16
AUTOTHROTTLE_START_DELAY = 3  # ----------- 开始下载时限速并延迟时间
AUTOTHROTTLE_MAX_DELAY = 60  # ----------- 高并发请求时最大延迟时间
# 最底下的几个：是否启用在本地缓存，如果开启会优先读取本地缓存，从而加快爬取速度，视情况而定
HTTPCACHE_ENABLED = True
HTTPCACHE_EXPIRATION_SECS = 0
HTTPCACHE_DIR = 'httpcache'
HTTPCACHE_IGNORE_HTTP_CODES = []
HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
# 以上几个可以视项目需要开启，但是有两个参数最好每次都开启，而每次都是项目文件手动开启不免有些麻烦，最好是项目创建后就自动开启
# DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
# 这个是浏览器请求头，很多网站都会检查客户端的headers，比如豆瓣就是每一个请求都检查headers的user_agent，否则只会返回403，可以开启
#USER_AGENT = 'Chirco (+http://www.yourdomain.com)'
# 这个是至关重要的，大部分服务器在请求快了会首先检查User_Agent,而scrapy默认的浏览器头是scrapy1.1 我们需要开启并且修改成浏览器头，如：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1
# 解开注释
ITEM_PIPELINES = {
    #  300 表示权重 越小优先级越高
    'DemoPro.pipelines.DemoproPipeline': 300,
}
# 只打印 错误信息
LOG_LEVEL = 'ERROR'
LOG_FILE = 'log.txt'

五大核心组件:

1. 引擎 ** (Scrapy)
   
   用来处理整个系统的数据流处理(分发), *触发事务(框架核心*)*
2. 调度器 (Scheduler)
   
   用来接受引擎发过来的请求,压入队列中,并在引擎再次请求的时候返回.可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列,* *由它来决定下一个要抓取的网址是什么,* 同时去除重复的网址
3. 下载器 (Downloader)
   
   用于下载网页内容,* 并将网页内容返回给蜘蛛(Scrapy)下载器是建立在twisted这个高效的异步模型上的)
4. 爬虫 ** (Spiders)
   
   爬虫是主要干活的,用于从特定的网页中提取自己需要的信息,即所谓的实体(Item)。用户也可以从中提取出链接,让* *Scrapy继续抓取下一个页面**, 产生url 解析数据
5. 管道 ** (Pipeline)
   
   负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据**。

请求流程:

spider -> 引擎 -> 调度器(去重,调度器) -> 引擎 -> 下载器 -> 网络 -> 下载器 -> 引擎 -> spider ->管道

爬虫文件:

class DemoSpider(scrapy.Spider):
    name = 'demo'  # 爬蟲文件的名称
    # 允许的域名
    # allowed_domains = ['www.xxx.com']
	# 起始的 url 列表
    start_urls = ['https://www.qiushibaike.com/text/']
    # 请求成功的 回调函数  实现数据解析
    def parse(self, response):
        response.body # 获取二进制数据  同  requests 中的 content
        response.text  # 获取响应的 数据
        response.xpath()  # 直接使用 xpath 函数
        # 只能取出一个 元素
        author = div.xpath('./div/a[2]/h2/text()').extract_first()
        # 返回的列表元素时一个 selector 对象
        content = div.xpath('./a[1]//text()').extract()

基于终端指令的的 存储   scrapy crawl demo -o qiubai.csv

基于管道的永久存储

1. 进行数据解析（author content）
2. 在item类中定义相关的属性
3. 在parse方法中实例化一个item类型的对象
4. 将解析到的数据存储到item类型的对象中
5. 使用yiled item将item对象提交给管道
6. 在管道文件的process_item方法中接收item且对item中存储数据进行持久化存储
7. 在settings配置文件中开启管道

• settings 配置

  USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
  # Obey robots.txt rules
  ROBOTSTXT_OBEY = False
  # 解开注释
  ITEM_PIPELINES = {
      #  300 表示权重 越小优先级越高
      'DemoPro.pipelines.DemoproPipeline': 300,
  }
  # 只打印 错误信息
  LOG_LEVEL = 'ERROR'
  

• 在items.py 文件中

  class DemoproItem(scrapy.Item):
      # define the fields for your item here like:
      # name = scrapy.Field()
      # 对应要存储的 元素
      author = scrapy.Field()
      content = scrapy.Field()
      pass
  

• 实现 爬虫文件中

  import scrapy
  from DemoPro.items import DemoproItem
  class DemoSpider(scrapy.Spider):
  	def parse(self, response):
          div_list = response.xpath('//div[@id="content-left"]/div')
          for div in div_list:
              author = div.xpath('./div/a[2]/h2/text()').extract_first()
              content = div.xpath('./a[1]/div/span[1]//text()').extract()
              content = '  '.join([i.strip() for i in content])
              print(author, content)
              item = DemoproItem()
              # 并且将解析到的数据封装存储到了item类型的对象当中了
              item['author'] = author
              item['content'] = content
              # 向管道提交item类型的对象
              yield item
  

  在管道文件中进行 存储

  • pipeline.py

  class DemoproPipeline(object):
      fp = None
      # 这个方法只执行一次
      def open_spider(self, spider):
          """ 父类的方法 开启文件句柄 """
          self.fp = open('qiubai.txt', 'w', encoding='utf-8')
      def process_item(self, item, spider):
          author = item['author']
          content = item['content']
          self.fp.write(author + '\n' + content + '\n')
          return item  # 返回给了下一个即将被执行的管道类
      def close_spider(self, spider):
          self.fp.close()
  

使用mysql 存储

settings 配置

ITEM_PIPELINES = {
    'DemoPro.pipelines.DemoproPipeline': 300,
    'DemoPro.pipelines.MySqlPipeline': 301,
    'DemoPro.pipelines.RedisPipeline': 302,
    # ... 注册其他的管道 类  300 为权重  权重小的 先执行
    # 可注册使用 mysql redis mongodb .. 数据库
}

class MySqlPipeline(object):
    conn = None
    cursor = None
    def open_spider(self, spider):
        self.conn = pymysql.Connect(host='127.0.0.1', port=3306, user='root', passwd='', db='spider')
    def process_item(self, item, spider):
        self.cursor = self.conn.cursor()
        try:
            self.cursor.execute('insert into data(author, content) values(%s,%s)' % (item["author"], item["content"]))
            self.conn.commit()
            print(item['author'])
        except Exception as e:
            print(e, 11111111)
            self.conn.rollback()
        return item
    def close_spider(self, spider):
        self.cursor.close()
        self.conn.close()

使用redis 存储

class RedisPipeline(object):
    conn = None
    def open(self, spider):
        self.conn = redis.Redis(host='127.0.0.1', port=6379)
    def process_item(self, item, spider):
        data = {
            'author': item['author'],
            'content': item['content']
        }
        self.conn.lpush('qiubaiData', data)