scrapy教程

目录

[TOC]

前言

scrapy现在已经在我们的”雅典娜”系统中使用, 它是一个开源的由python编写的成熟的爬虫框架, git地址scrapy

需要掌握的技术和工具

1. 爬虫相关知识(爬虫反爬虫)
2. xpath语法, css选择器语法
3. scrapy
4. Bloom Filter
5. python-rq
6. redis或mongodb

安装scrapy

这里在ubuntu上安装

1. 首先安装python, 版本2.7.3
2. sudo apt-get install python-dev
3. sudo apt-get install libevent-dev
4. pip install Scrapy
   下面是在windows 64上安装scrapy的教程[python]Win7 X64安装python Scrapy

入门案例: 从w3school.com.cn开始

1. 建立项目: scrapy startproject w3school

2. 编写Item: 编辑items.py, 对抓取的数据进行结构化

   import scrapy
   from scrapy.item import Item,Field
   
   
   class W3SchoolItem(scrapy.Item):
       # define the fields for your item here like:
       # name = scrapy.Field()
       title = Field()
       link = Field()  
       desc = Field()

3. 编写pipelines.py: 主要完成数据的查重、丢弃，验证item中数据，将得到的item数据保存等工作

   import json  
   import codecs  
     
     
   class W3SchoolPipeline(object):  
       def __init__(self):  
           self.file = codecs.open('w3school_data_utf8.json', 'wb', encoding='utf-8')  
     
       def process_item(self, item, spider):  
           line = json.dumps(dict(item)) + '\n'  
           # print line  
           self.file.write(line.decode("unicode_escape"))  
           return item

4. settings.py 开启piplines

   ITEM_PIPELINES = {  
       'w3school.pipelines.W3SchoolPipeline':300  
   }

5. 编写爬虫: 在spiders文件夹下新建: w3cshool_spider.py

   #!/usr/bin/python  
   # -*- coding:utf-8 -*-  
     
   from scrapy.spider import Spider  
   from scrapy.selector import Selector  
   from scrapy import log  
     
   from w3school.items import W3schoolItem  
     
     
   class W3schoolSpider(Spider):  
       """爬取w3school标签"""  
       #log.start("log",loglevel='INFO')  
       name = "w3school"  
       allowed_domains = ["w3school.com.cn"]  
       start_urls = [  
           "http://www.w3school.com.cn/xml/xml_syntax.asp"  
       ]  
     
       def parse(self, response):  
     
           sel = Selector(response)  
           sites = sel.xpath('//div[@id="navsecond"]/div[@id="course"]/ul[1]/li')  
           items = []  
     
           for site in sites:  
               item = W3schoolItem()  
     
               title = site.xpath('a/text()').extract()  
               link = site.xpath('a/@href').extract()  
               desc = site.xpath('a/@title').extract()  
     
               item['title'] = [t.encode('utf-8') for t in title]  
               item['link'] = [l.encode('utf-8') for l in link]  
               item['desc'] = [d.encode('utf-8') for d in desc]  
               items.append(item)  
     
               #记录  
               log.msg("Appending item...",level='INFO')  
     
     
           log.msg("Append done.",level='INFO')  
           return items

6. 执行爬虫
   scrapy crawl w3school --set LOG_FILE=log

Scrapy核心架构与代码运行分析

这个是官网的scrapy框架图, 介绍的很详细

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。

自动爬取网页之:crawlspider

如何防止被ban之策略大集合

参考

学习Scrapy入门