(1)Scrapy是用纯python实现的,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。
(2)框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片。
(3)Scrapy使用了Twisted(其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。
(1)Scrapy Engine(引擎):负责Spider、ItemPipeline、DownLoader、Scheduler中间的通讯、信号、数据传递等。
(2)Scheduler(调度器):它负责接受Scrapy Engine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Scrapy Engine需要时,交还给Scrapy Engine。
(3)Downloader(下载器):负责下载Scrapy Engine发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine,由Scrapy Engine交给Spider处理。
(4)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Scrapy Engine,再次进入Scheduler。
(5)Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行后期处理(详细分析、过滤、存储等)。
(6)Downloader Middlewares(下载中间件):可以当做是一个可以自定义扩展下载功能的组件。
(7)Spider Middlewares(Spider中间件): 可以理解是一个可以自定扩展和操作Scrapider Engine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)
(1)Scrapy Engine询问Spider要处理的网站,即爬取的域名范围,如http://example.com
,同时也防止爬虫越界
(2)Spider发送要处理的域名:http://example.com
(3)Scrapy Engine会再次询问Spider要处理的第一个URL
(4)Spider发送http://example.com
给Scrapy Engine
(5)Scrapy Engine会让Scheduler将requests请求排序入队
(7)Scrapy Engine向Scheduler要处理好的requests请求
(8)Scheduler发送处理好的requests给Scrapy Engine
(9)Scrapy Engine要求Downloader按照Downloader Middlewares的设置下载requests请求
(10)Downloader Middlewares将下载好的requests发送给Scrapy Engine。如果request下载失败,Scrapy Engine会告诉Scheduler,这个request下载失败了,需要记录一下,等会儿再下载。
(11)Scrapy Engine返回给Spider下载好的requests,是一个responses对象,responses默认是交给Spider的def parse()这个函数处理的。
(12)当Spider处理完responses后,如果有需要跟进的URL,会告诉Scrapy Engine,同时将处理好的Item数据提交给Scrapy Engine。
(13)Scrapy Engine会将接收到的Item发送给Item Pipeline处理。同时将需要跟进的URL发送给Scheduler,让其循环处理,直到获取完需要的全部信息。
(14)Item Pipeline处理获取到的Item。
注意:只有当Scheduler中不存在任何request了,整个程序才会停止(如果requests中有下载失败的URL,Scrapy也会重新下载)。
scrapy startproject Text1
name = 'demo' # 爬虫名字
allowed_domains = ['demo.cn'] # 允许爬虫的范围
start_urls = ['https://demo.com'] # 最开始的url地址
LOG_LEVEL = 'WARNING' # 消除警告,只保留输出主体部分
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'Text1.pipelines.Text1Pipeline': 300,
} #PIPELINES管道,实现item传输,300表示时间权重
# 将字典key先进行标注,防止使用错误
name = scrapy.Field()
name = scrapy.Field()
name = scrapy.Field()
name = scrapy.Field()
# pipelines 管道 传递items
class Text1Pipeline:
def process_item(self, item, spider):
item["style"] = "width"
return item
# 可同时定义多个class
class Text1Pipeline1:
item = {}
# 使用xpath进行提取数据即可,得到的数据类型并不是一个列表类型
yield item
#yield返回传输给pipelines
# 方式一
# logging.warning(item)
# 2022-02-15 15:38:52 [root] WARNING: {'name': 'logging模块'}
# 规定好的输出格式
# 方式二:一般不使用第一种方式,输出完全看不到root目录
logger.warning(item)
# 方式三:传入pipeline
yield item
# start_requests这个函数首先进行运行
def start_requests(self):
# 使用字典推导式:cookies必须形成字典的形式
cookies_dict = {cookie.split("=")[0]: cookie.split("=")[1] for cookie in cookies.split("; ")}
# 传递给parse函数
yield scrapy.Request(
url=self.start_urls[0],
callback=self.parse,
cookies=cookies_dict
)
# 创建MySQL数据库进行存储
keys = ', '.join(item.keys())
values = ', '.join(['%s'] * len(item)) # 生成等量的 %S
sql = 'INSERT INTO {table}({keys}) VALUES ({values})'.format(table="tencent", keys=keys, values=values)
# 重点是找到下一页的url
next_url = response.xpath("//a[@class='next']/@href").extract_first()
# 判断输出是否为None
if next_url != None:
yield scrapy.Request(next_url, callback=self.parse)
# 找到下一页然后将href传入到下一个函数中即可
yield scrapy.Request(
item['href'],
callback=self.parse_detail,
meta={"item": item}
)
# 将数据库的连接放到open_spider中,这样只会进行一次连接操作
def open_spider(self, spider):
self.conn = pymysql.connect(
host="localhost",
port=3306,
user="root",
password="123456",
database='scrapy_database',
)
self.cur = self.conn.cursor()
self.cur.execute(sql)
rules = (
# LinkExtractor 链接提取器 提取url地址
# callback 提取出来的url地址response会交给callback进行处理 可有可无
# follow 当前url相应是能够重新进rule进行提取url地址
Rule(LinkExtractor(allow=r'//www.xuexila.com/duanzi/jingdianduanzi/\d+\.html'), callback='parse_item'), # .使用\进行转义,然后传给parse_item
Rule(LinkExtractor(allow=r'/duanzi/jingdianduanzi/list_\d+\.html'), follow=True), # 下一页不需要对页面进行处理
)
def start_requests(self):
cookies = ''
# 使用字典推导式
cookies_dict = {cookie.split("=")[0]: cookie.split("=")[1] for cookie in cookies.split("; ")}
# 将请求头传入parse函数中,每次url在请求时会带着请求头进行处理