python爬蟲入門(六) Scrapy架構之原理介紹，pythonscrapy

python爬蟲入門(六) Scrapy架構之原理介紹，pythonscrapy
Scrapy架構

Scrapy簡介

• Scrapy是用純Python實現一個為了爬取網站資料、提取結構性資料而編寫的應用程式框架，用途非常廣泛。

• 架構的力量，使用者只需要定製開發幾個模組就可以輕鬆的實現一個爬蟲，用來抓取網頁內容以及各種圖片，非常之方便。

• Scrapy 使用了 Twisted['twɪstɪd](其主要對手是Tornado)非同步網路架構來處理網路通訊，可以加快我們的下載速度，不用自己去實現非同步架構，並且包含了各種中介軟體介面，可以靈活的完成各種需求。

Scrapy架構

• Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，訊號、資料傳遞等。

• Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

• Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，並將其擷取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

• Spider（爬蟲）：它負責處理所有Responses,從中分析提取資料，擷取Item欄位需要的資料，並將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

• Item Pipeline(管道)：它負責處理Spider中擷取到的Item，並進行進行後期處理（詳細分析、過濾、儲存等）的地方.

• Downloader Middlewares（下載中介軟體）：你可以當作是一個可以自訂擴充下載功能的組件。

• Spider Middlewares（Spider中介軟體）：你可以理解為是一個可以自定擴充和操作引擎和Spider中間通訊的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）

 白話講解Scrapy運作流程

代碼寫好，程式開始運行...

 製作Scrapy爬蟲步驟

1.建立項目

scrapy startproject mySpider

scrapy.cfg ：項目的設定檔mySpider/ ：項目的Python模組，將會從這裡引用代碼mySpider/items.py ：項目的目標檔案mySpider/pipelines.py ：項目的管道檔案mySpider/settings.py ：項目的設定檔案mySpider/spiders/ ：儲存爬蟲代碼目錄

2.明確目標(mySpider/items.py)

想要爬取哪些資訊，在Item裡面定義結構化資料欄位，儲存爬取到的資料

3.製作爬蟲(spiders/xxxxSpider.py)

import scrapyclass ItcastSpider(scrapy.Spider):    name = "itcast"    allowed_domains = ["itcast.cn"]    start_urls = (        'http://www.itcast.cn/',    )    def parse(self, response):        pass

• name = "" ：這個爬蟲的識別名稱，必須是唯一的，在不同的爬蟲必須定義不同的名字。

• allow_domains = [] 是搜尋的網域名稱範圍，也就是爬蟲的約束地區，規定爬蟲只爬取這個網域名稱下的網頁，不存在的URL會被忽略。

• start_urls = () ：爬取的URL元祖/列表。爬蟲從這裡開始抓取資料，所以，第一次下載的資料將會從這些urls開始。其他子URL將會從這些起始URL中繼承性產生。

• parse(self, response) ：解析的方法，每個初始URL完成下載後將被調用，調用的時候傳入從每一個URL傳回的Response對象來作為唯一參數，主要作用如下：

 4.儲存資料(pipelines.py)

在管道檔案裡面設定儲存資料的方法，可以儲存到本地或資料庫

溫馨提醒

第一次運行scrapy項目的時候

出現-->"DLL load failed" 錯誤提示，需要安裝pypiwin32模組　　　　

先寫個簡單入門的執行個體

 （1）items.py

想要爬取的資訊

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):    name = scrapy.Field()    title = scrapy.Field()    info = scrapy.Field()

（2）itcastspider.py

寫爬蟲程式

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom mySpider.items import ItcastItem# 建立一個爬蟲類class ItcastSpider(scrapy.Spider):    # 爬蟲名    name = "itcast"    # 允許爬蟲作用的範圍    allowd_domains = ["http://www.itcast.cn/"]    # 爬蟲起始的url    start_urls = [        "http://www.itcast.cn/channel/teacher.shtml#",    ]    def parse(self, response):        teacher_list = response.xpath('//div[@class="li_txt"]')        # 所有老師資訊的列表集合        teacherItem = []        # 遍曆根節點集合        for each in teacher_list:            # Item對象用來儲存資料的            item = ItcastItem()            # name, extract() 將匹配出來的結果轉換為Unicode字串            # 不加extract() 結果為xpath匹配對象            name = each.xpath('./h3/text()').extract()            # title            title = each.xpath('./h4/text()').extract()            # info            info = each.xpath('./p/text()').extract()            item['name'] = name[0].encode("gbk")            item['title'] = title[0].encode("gbk")            item['info'] = info[0].encode("gbk")            teacherItem.append(item)        return teacherItem

輸入命令：scrapy crawl itcast -o itcast.csv  儲存為 ".csv"的格式

管道檔案pipelines.py的用法

 （1）setting.py修改

ITEM_PIPELINES = {  #設定好在管道檔案裡寫的類   'mySpider.pipelines.ItcastPipeline': 300,}

（2）itcastspider.py

#!/usr/bin/env python# -*- coding:utf-8 -*-import scrapyfrom mySpider.items import ItcastItem# 建立一個爬蟲類class ItcastSpider(scrapy.Spider):    # 爬蟲名    name = "itcast"    # 允許爬蟲作用的範圍    allowd_domains = ["http://www.itcast.cn/"]    # 爬蟲其實的url    start_urls = [        "http://www.itcast.cn/channel/teacher.shtml#aandroid",    ]    def parse(self, response):        #with open("teacher.html", "w") as f:        #    f.write(response.body)        # 通過scrapy內建的xpath匹配出所有老師的根節點列表集合        teacher_list = response.xpath('//div[@class="li_txt"]')        # 遍曆根節點集合        for each in teacher_list:            # Item對象用來儲存資料的            item = ItcastItem()            # name, extract() 將匹配出來的結果轉換為Unicode字串            # 不加extract() 結果為xpath匹配對象            name = each.xpath('./h3/text()').extract()            # title            title = each.xpath('./h4/text()').extract()            # info            info = each.xpath('./p/text()').extract()            item['name'] = name[0]            item['title'] = title[0]            item['info'] = info[0]            yield item

(3)pipelines.py

資料儲存到本地

# -*- coding: utf-8 -*-import jsonclass ItcastPipeline(object):    # __init__方法是可選的，做為類的初始化方法    def __init__(self):        # 建立了一個檔案        self.filename = open("teacher.json", "w")    # process_item方法是必須寫的，用來處理item資料    def process_item(self, item, spider):        jsontext = json.dumps(dict(item), ensure_ascii = False) + "\n"        self.filename.write(jsontext.encode("utf-8"))        return item    # close_spider方法是可選的，結束時調用這個方法    def close_spider(self, spider):        self.filename.close()

(4)items.py

# -*- coding: utf-8 -*-import scrapyclass ItcastItem(scrapy.Item):    name = scrapy.Field()    title = scrapy.Field()    info = scrapy.Field()