Python爬虫Scrapy入门

Scrapy组成

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。

  • 引擎(Scrapy):用来处理整个系统的数据流,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, 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

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

Scrapy创建

安装好scrapy类库之后,就可以创建scrapy项目了,pycharm不能直接创建scrapy项目,必须通过命令行创建,打开pycharm的Terminal终端,输入scrapy startproject scrapy_demo命令。需要注意的是,环境变量必须要配好才能在cmd中显示scrapy命令.

对于Mac,由于Mac的python有多个版本,如果使用3.6的版本,不能直接在命令行运行scrapy,需要创建软链接(注意对应的版本)。

看到下面的信息则说明创建成功了。

此时可以看到项目自动创建了以下几个文件

  • scrapy.cfg: 项目的配置文件
  • scrapy_demo/ :该项目的python模块,之后将在这里加入代码
  • items.py:项目中的items文件,用来定义我们要抓取的数据
  • middlewares.py:项目中的middlewares文件
  • pipelines.py:项目中的pipelines文件,用来对spider返回的item列表进行数据的保存等操作,可以写入文件或保存到数据库
  • setting.py:爬虫配置文件
  • spiders/:放置spider代码的目录(自己编写)

scrapy网站爬取

接下来,将对IEEE和arXiv网站进行爬虫,其中middlewares.py,__init__.py文件保持默认。

①根据网站内容在item.py中定义爬取的数据结构

②在该目录的Spiders文件夹下面建立自己的爬虫

arXiv_Spider.py

需要注意的是难点是对于HTML元素的提取,此处不具体解释提取的代码如何编写。

③配置settings.py

即将一些注释吊的部分根据自己的需要去掉注释并补充,这里我注释了一下几个内容:

设置用户代理,可以多设置几个,反爬虫:

pipelines需要增加:

完整的settings.py:

④在终端运行爬虫文件

结果:

 

留下评论

您的邮箱地址不会被公开。 必填项已用 * 标注