小白_开始学Scrapy__原理

整体架构

1. 引擎(Scrapy Engine)，用来处理整个系统的数据流处理，触发事务。
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。
3. 下载器(Downloader)，用于下载网页内容，并将网页内容返回给蜘蛛。
4. 蜘蛛(Spiders)，蜘蛛是主要干活的，用它来制订特定域名或网页的解析规则。编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
5. 项目管道(Item Pipeline)，负责处理有蜘蛛从网页中抽取的项目，他的主要任务是清晰、验证和存储数据。当页面被蜘蛛解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
6. 下载器中间件(Downloader Middlewares)，位于Scrapy引擎和下载器之间的钩子框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
7. 蜘蛛中间件(Spider Middlewares)，介于Scrapy引擎和蜘蛛之间的钩子框架，主要工作是处理蜘蛛的响应输入和请求输出。
8. 调度中间件(Scheduler Middlewares)，介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

数据流过程:

1. 引擎打开一个网站(open a domain)，找到处理该网站的Spider并向该spider请求第一个要爬取的URL(s)。
2. 引擎从Spider中获取到第一个要爬取的URL并在调度器(Scheduler)以Request调度。
3. 引擎向调度器请求下一个要爬取的URL。
4. 调度器返回下一个要爬取的URL给引擎，引擎将URL通过下载中间件(请求(request)方向)转发给下载器(Downloader)。
5. 一旦页面下载完毕，下载器生成一个该页面的Response，并将其通过下载中间件(返回(response)方向)发送给引擎。
6. 引擎从下载器中接收到Response并通过Spider中间件(输入方向)发送给Spider处理。
7. Spider处理Response并返回爬取到的Item及(跟进的)新的Request给引擎。
8. 引擎将(Spider返回的)爬取到的Item给Item Pipeline，将(Spider返回的)Request给调度器。
9. (从第二步)重复直到调度器中没有更多地request，引擎关闭该网站。

简单example

 1 import scrapy
 2
 3 from 例子.items import 例子Item
 4
 5 class 例子Spider(scrapy.Spider):
 6     name = "例子"
 7     allowed_domains = ["例子.org"]
 8     start_urls = [
 9         "例子1",        "例子2"
10     ]　　#此为列表
11
12     def parse(self, response):
13         for sel in response.xpath('xpath代码'):
14             item = 例子Item()
15             item['title'] = sel.xpath('a/text()').extract()
16             item['link'] = sel.xpath('a/@href').extract()
17             item['desc'] = sel.xpath('text()').extract()
18             yield item

制作Scrapy爬虫项目步骤

　　1 新建项目

　　　　startproject 项目名

　　2 明确目标（items.py）

　　3 制件爬虫程序

　　　　进入到spiders文件夹中，执行：

　　　　scrapy genspider 爬虫文件名 "域名"

　　　　#  ex::::   scrapy genspider baiduspaider "www.baidu.com

　　4 处理数据（pipelines.py）

　　5 配置settings.py

　　6 运行爬虫程序

　　　　scrapy crawl 爬虫名

scrapy 项目文件详解

　　

文件配置详解

　　settings.py

　　　USER_AGENT = 'baidu (+http://www.yourdomain.com)'

　　# 是否遵循robot协议，改为False
　　　ROBOTSTXT_OBEY = False

　　# 最大并发量 ，默认为16
　　CONCURRENT_REQUESTS = 32

　　# 下载延迟时间
　　DOWNLOAD_DELAY = 3

　　# 请求报头
　　DEFAULT_REQUEST_HEADERS = {
　　    'User-Agent':"Mozilla/5.0",
　　  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
　　  'Accept-Language': 'en',
　　　　　　}

　　# 下载中间件
　　DOWNLOADER_MIDDLEWARES = {
　　   'baidu.middlewares.BaiduDownloaderMiddleware': 543,
　　　　}

　　# 项目管道
　　ITEM_PIPELINES = {
  　　 'baidu.pipelines.BaiduPipeline': 300, # 此处有优先级
　　　　　　}

def parse(self, response):
　　#response.xpath('h1') 结果为选择器对象
　　#[<selector ... data = <h1 class="" >>]
　　# response.xpath('//h1/text()')结果选择器对象
　　# [<selector ...data="text()">]
　　# response.xpath('//h1/text()').extract()
　　# ['text()']

　知识点
　　1 extract():获取选择器对象中的文本内容
　　　　response.xpath('')得到的结果为选择器对象的列表
　　2 pipellines.py中必须有1个函数叫
　　　　def process_item(self,item,spider):
　　　　　　return item [如果有多个piplines的话，需要使用return返回]
　　3 爬虫程序中，start_urls必须为列表
　　　　
　　4 scrapy设置 log ：settings.py
　　　　LOG_LEVEL = "DEBUG" 
　　　　5层日志级别
　　　　　　CRITICAL:严重错误
　　　　　　ERROR :一般错误
　　　　　　WARNING:警告信息
　　　　　　DEBUG:调试信息
　　　　　　INFO:一般信息
　　 　LOG_FILE ='xx.log'    #设置指定log文件

# parse函数是第一次从start_url中初始URL发请求，
# 得到响应后必须要调用的函数
def parse(self,response):

2 如何保存为csv ,或是 json文件
　　1 scrapy crawl tengxun -o tenxun.csv
　　2 scrapy crawl tengxun -o tenxun.json
　　解决导出乱码问题（在settings里面加入一个变量）
　　　　FEED_EXPORT_ENCODING = 'utf-8'
3 下载器中间件
　　1 随机User-Agent
　　　　1 settings.py
　　　　　　1 更改settings.py 中更改 USER_AGENT
　　　　　　2 更改settings.py 中更改 DEFALUT_REQUEST_HEADERS ={"":"",}
　　　　2 设置中间件[ USER_AGENT]　 的更改
　　　　　　1 新建一个useragent.py，存放大量USER_AGENT
　　　　　　2 middleawres.py中写class
　　　　　　3 settings.py中开启 DOWNLOADER_MIDDLEWARES　　　　　　　　　　　
　　　　　　主要重写
　　　　　　class xxx..DownloaderMiddleware(object):
　　　　　　　　def process_request(self,request,spider):
　　　　　　　　　　　　request.headers["User-Agent"]=random.choice(USER_AGENT_LIST)
　　2 设置代理 
　　　　也是重写
　　　　def process_request(self,request,spider):
　　　　　　proxyList=[　　
　　　　　　　　　　"http://1.1.1.1:80",
　　　　　　　　　　"http://1.1.1.2:80",
　　　　　　　　　　"http://user:password@1.1.1.1:80",
　　　　　　　　　　.....
　　　　　　　　]　　
　　　　　　# request的meta　　参数 
　　　　　　request.meta['proxy'] = random.choice(proxyList)

　　3 图片管道ImagePipeline
　　　　1 使用流程（要操作的文件）
　　　　　　1 settings.py
　　　　　　　　设置图片要保存的路径的变量
　　　　　　　　IMAGES_STORE ="/home/admin/aaa/images"
　　　　2 pipelines.py
　　　　　　1 导入scrapy定义好的图片管道类
　　　　　　　　from scrapy.pipelines.images import ImagesPipeline
　　　　　　2 定义自己的class,继承scrapy的图片管道类
　　　　　　　　class xxxImagePipeline(ImagesPipeline):
　　　　　　　　　　def get_media_requests(self,item,info):
5 dont_filter参数
　　scrapy.Request(url,callback=parse,dont_filter=.)　
　　1 False:默认，检查域
　　2 True：忽略域组检查
6 scrapy shell 
　　1 scrapy shell "http://www.baidu.com"
　　2 response.txt
7  CrawlSpider类
　　from scrapy.linkerextractors import LinkExitractor
　　1 Spider的派生类
　　　　Spider类：只爬取start_urls列表中的网页
　　　　CrawlSpider类，定义了一些规则(ruler)来提供提取链接，跟进链接，
　　2 创建CrawlSpider模板爬虫文件
　 　　加-t crawl 
　　　　
　　　　ex >  scrapy genspider -t crrawl tengxun 'xxx.com'
　　3 示例，从页面中提取所有的链接
　　　　1 scrapy shell 'xxx.com'
　　　　2 from scrapy.linkerextractors import LinkExtractor  # 导入链接规则匹配类，用来提取符合规则的链接
　　　　　　from scrapy.spiders import CrawlSpider,Rule　　　　# 导入spiders的派生类CrawlSpider,Rule指定特定操作
　　　　3 linkList = LinkExtractor(aallow=("正则"))
　　　　4 linkList =extract_links(response)
　　4 Rule
　　　　1 作用：对爬取网站动作指定特点操作
　　　　　　rules = (
　　　　　　　　　　Rule(LinkExtractor(allow=r'正则'),
　　　　　　　　　　callback = 'parseHtml',
　　　　　　　　　　follow=True),)
　　　　　　　　)
　　　
　　　　

　　ocr_电子扫描
　　Ubuntu: sudo apt-get install tesseract-ocr
　　
验证： tesseract  test1.jpg test1.txt
python 调用 ： 需要安装
    方法很少，就用1 个，图片转字符串
   ： image_to_string
    from PIL_to_string

ex:::
    import pytesseract
    from PIL import Image
    image = Image.open('test1.jpg')
    s= pytesseract.image_to_string(image)
    print(s)

# 重写spider类的start_request()方法，去掉start_urls
　def start_requests(self)