Scrapy

 

 　　Scrapy是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。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试

 

 

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 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
• 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)
• 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
• 项目管道(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。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  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。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓

1.基本命令

1. scrapy startproject 项目名称
   - 在当前目录中创建中创建一个项目文件（类似于Django）
 
2. scrapy genspider [-t template] <name> <domain>
   - 创建爬虫应用
   如：
      scrapy gensipider -t basic oldboy oldboy.com
      scrapy gensipider -t xmlfeed autohome autohome.com.cn
   PS:
      查看所有命令：scrapy gensipider -l
      查看模板命令：scrapy gensipider -d 模板名称
 
3. scrapy list
   - 展示爬虫应用列表
 
4. scrapy crawl 爬虫应用名称
   - 运行单独爬虫应用

文件说明：

• scrapy.cfg  项目的主配置信息。（真正爬虫相关的配置信息在settings.py文件中）
• items.py    设置数据存储模板，用于结构化数据，如：Django的Model
• pipelines    数据处理行为，如：一般结构化的数据持久化
• settings.py 配置文件，如：递归的层数、并发数，延迟下载等
• spiders      爬虫目录，如：创建文件，编写爬虫规则

# -*- coding: utf-8 -*-
import scrapy
import io
import sys

sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')
class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://dig.chouti.com/']

    def parse(self, response):

        print(response.url)

import io
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

 2.爬取所有url的文本

# -*- coding: utf-8 -*-
import scrapy
import io
import sys
from scrapy.selector import Selector

sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['baidu.com']
    start_urls = ['http://www.baidu.com/']
    def parse(self, response):
        div=Selector(response=response).xpath("//div")
        for a in div:
            u=a.xpath('.//a/text()').extract()
            u = a.xpath('.//a/text()').extract_first()
            #text获取标签中的文本
            #extract()将对象转化为字符串
            print(u)
            for r in u:
                print(r)

 3，利用爬取深度爬取url

setting中添加DEPTH_LIMIT=1

# -*- coding: utf-8 -*-
import scrapy
from scrapy.selector import Selector
import hashlib
from scrapy.http import Request
class BaiduSpider(scrapy.Spider):
    name = 'baidu'
    allowed_domains = ['baidu.com']
    start_urls = ['http://www.baidu.com/s?tn=news&rtt=1&bsst=1&wd=热点&cl=2']
    s_url=set()
    def parse(self, response):
        #寻找id为page的标签
        page=Selector(response=response).xpath("//p[@id='page']")
        #寻找p标签下面的a标签
        page_a=page.xpath("./a/@href").extract()
        for a in page_a:
            md5_url=self.md5(a)
            if md5_url in self.s_url:
                pass
            else:

                self.s_url.add(md5_url)
                a="http://www.baidu.com%s"%a

                #将url传送到调度器中，与爬取深度相关，在下载器下载完执行callback函数指定的self.parse函数
                yield Request(url=a,callback=self.parse)
                print(a)
        print(len(self.s_url))
    def md5(self,url):
        obj=hashlib.md5()
        obj.update(bytes(url,encoding="utf-8"))
        return obj.hexdigest()

 4,piplines和item

　　piplines是进行数据持久化操作的，对数据进行存储

　　item是生成一个对象，该对象有中有你需要你进行持久化的数据