拟厦鸟,968880,勇闯地下城2.7无敌版
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 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)
引擎:hi!spider, 你要处理哪一个网站?
spider:老大要我处理xxxx.com
。
引擎:你把第一个需要处理的url给我吧。
spider:给你,第一个url是xxxxxxx.com
。
引擎:hi!调度器,我这有request请求你帮我排序入队一下。
调度器:好的,正在处理你等一下。
引擎:hi!调度器,把你处理好的request请求给我。
调度器:给你,这是我处理好的request
引擎:hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)
引擎:hi!spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)
spider:(处理完毕数据之后对于需要跟进的url),hi!引擎,我这里有两个结果,这个是我需要跟进的url,还有这个是我获取到的item数据。
引擎:hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进url你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。
管道``调度器:好的,现在就做!
插入scrapy01.png
[settings] default = myspider.settings [deploy] #url = http://localhost:6800/ project = myspider
__init__
: 必须的文件import scrapy class myspideritem(scrapy.item): # define the fields for your item here like: # name = scrapy.field() # age = scrapy.field() pass
class myspiderpipeline(object): def process_item(self, item, spider): return item
# 你的爬虫名字 bot_name = 'myspider' # 你的爬虫的位置 spider_modules = ['myspider.spiders'] newspider_module = 'myspider.spiders' # 是否遵循robust协议 robotstxt_obey = true # 爬虫并发量 #concurrent_requests = 32 # 下载延迟 #download_delay = 3 # 下载延迟的额外设置:一般不用设置 #concurrent_requests_per_domain = 16 #concurrent_requests_per_ip = 16 # 是否使用cookie #cookies_enabled = false # 访问电话线设置 #telnetconsole_enabled = false # 设置默认请求报头 #default_request_headers = { # 'user-agent': '' # 'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', # 'accept-language': 'en', #} # 爬虫中间键:一般不设置 #spider_middlewares = { # 'myspider.middlewares.myspiderspidermiddleware': 543, #} # 下载中间键: 后面的值是优先级,越小越高 #downloader_middlewares = { # 'myspider.middlewares.myspiderdownloadermiddleware': 543, #} # 延展,没什么用 #extensions = { # 'scrapy.extensions.telnet.telnetconsole': none, #} # 管道文件---经常使用的,用于指定优先级 # #item_pipelines = { # 'myspider.pipelines.myspiderpipeline': 300, #}
我们打算抓取: 网站里的所有讲师的姓名、职称和个人信息。
scrapy genspider spidername "starturl"
scrapy crawl itcast
scrapy crawl itcast -o json/csv/xml/
yield item
yield scrapy.request(url, callback = self.parse)
要建立一个spider
, 你必须用scrapy.spider
类创建一个子类,并确定了三个强制的属性 和 一个方法。
name = ""
:这个爬虫的识别名称,必须是唯一的,在不同的爬虫必须定义不同的名字。
allow_domains = []
是搜索的域名范围,也就是爬虫的约束区域,规定爬虫只爬取这个域名下的网页,不存在的url会被忽略。
start_urls = ()
:爬取的url元祖/列表。爬虫从这里开始抓取数据,所以,第一次下载的数据将会从这些urls开始。其他子url将会从这些起始url中继承性生成。
parse(self, response)
:解析的方法,每个初始url完成下载后将被调用,调用的时候传入从每一个url传回的response
对象来作为唯一参数,主要作用如下:
(response.body)
,提取结构化数据(生成item)
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
Python爬虫:Request Payload和Form Data的简单区别说明
浅谈Python中threading join和setDaemon用法及区别说明
Python3-异步进程回调函数(callback())介绍
python继承threading.Thread实现有返回值的子类实例
Python中使用threading.Event协调线程的运行详解
网友评论