python爬虫利器scrapy怎么使用

魁首哥

作者

python爬虫利器scrapy怎么使用

本文小编为大家详细介绍“python爬虫利器scrapy怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“python爬虫利器scrapy怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

架构及简介

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 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。

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）

开发流程

开发一个简单爬虫步骤：

新建项目

scrapystartprojectdemo

编写spider

种子url （请求)
解析方法

编写item
结果数据模型
持久化
编写pipelines

生成目录介绍

scrapy.cfg：项目的配置文件mySpider/：项目的Python模块，将会从这里引用代码mySpider/items.py：项目的目标文件mySpider/pipelines.py：项目的管道文件mySpider/settings.py：项目的设置文件mySpider/spiders/：存储爬虫代码目录

使用命令创建爬虫类

scrapygenspidergitee"gitee.com"

解析

通常我们解析都会涉及到 xpath csspath 正则，有的时候可能还有jsonpath（python中json访问基本不用使用复杂的jsonpath，字典访问就可以)
scrapy 内置xpath和csspath支持

Selector

而解析器本身也可以单独使用

xpath()
extract_first()
extract() #返回一个列表
索引访问，因为scrapy.selector.unified.SelectorList继承list，可以通过索引访问

fromscrapyimportSelectorif__name__=='__main__':body="""<!DOCTYPEhtml><html><head><metacharset="UTF-8"><title>Title</title></head><body>hellohello</body></html>"""s=Selector(text=body)title=s.xpath("//title/text()").extract_first();#抽取print(title)#Titlepe=s.xpath("//p")print(s.xpath("//p").extract())#['hello','hello']print(pe)#[<Selectorxpath='//p'data='hello'>,<Selectorxpath='//p'data='hello'>]print(type(pe))#<class'scrapy.selector.unified.SelectorList'>print(type(pe[0]))#通过索引访问#<class'scrapy.selector.unified.Selector'>print(type(pe.pop()))#<class'scrapy.selector.unified.Selector'>p=s.xpath("//p").extract_first()print(p)

css()
css选择器我们::text选择内容，用::attr() 选择属性

print(s.css("title").extract_first())print(s.css("title::text").extract_first())print(s.css("title::text").extract())print(s.css("p.big::text").extract_first())print(s.css("p.big::attr(class)").extract_first())#<title>Title</title>#Title#['Title']#hellobig#big

css()和xpath()混用
scrapy.selector.unified.SelectorListscrapy.selector.unified.Selector本身有css和xpath方法，所以可以组合使用

print(s.xpath("//body").css("p.big").extract_first())print(s.css("body").xpath("//p[@class='big']").extract_first())#hellobig#hellobig

re()和re_first()
scrapy.selector.unified.SelectorListscrapy.selector.unified.Selector拥有re()方法，支持通过正则来过滤

print(s.xpath("//p/text()").re_first("big"))print(type(s.xpath("//p/text()").re("big")))#big#<class'list'>

** 但re()返回列表，.re_first返回str，所以不能再继续调用其他的选择方法

在爬虫中使用解析器

response对象已经

classGiteeSpider(scrapy.Spider):name='gitee'allowed_domains=['gitee.com']start_urls=['https://gitee.com/haimama']defparse(self,response):print(type(response))t=response.xpath("//title/text()").extract_first()print(t)##启动爬虫执行后的结果#执行结果省略日志#<class'scrapy.http.response.html.HtmlResponse'>#码马(haimama)-Gitee

response对象类型为scrapy.http.response.html.HtmlResponse，该类继承TextResponse。拥有xpath()和css()方法如下

所以response 可以直接使用前文中的Selector 的方式来解析

defxpath(self,query,**kwargs):returnself.selector.xpath(query,**kwargs)defcss(self,query):returnself.selector.css(query)