Scarp框架

1. 需求
2. 获取网页的url
3. 下载网页内容(Downloader下载器)
4. 定位元素位置, 获取特定的信息(Spiders 蜘蛛)
5. 存储信息(ItemPipeline, 一条一条从管里走)
6. 队列存储(scheduler 调度器)

首先, spiders 给我们一个初始的URL, spider获取列表页内的详情页的url.

其次, 将url 存储到scheduler内, 然后 scheduler 就会自动将url放到downloader内执行.

详情页download之后, 返回response给spiders.

再次, spiders会将response获取到并且查找需要的内容, 内容进行封装item.

最后, 这个item就会被传输到itempipeline中, 存储或者其他操作.

 

 

安装scrapy的方法:

pip install wheel

pip install 你的路径/Twisted-18.7.0-cp35-cp35m-win_amd64.whl

pip install scrapy

 

缺少win32api

 

创建项目：

在pycharm中选中目录右键open terminal 进入命令窗口执行如下：

scrapy startproject scrapy_project（项目名）

 

创建spider 进入scrapy_project中

cd scrapy_project

scrapy genspider bole jobbole.com

（scrapy genspider 项目名(spider.py)  爬取网址）

 

运行, 创建一个main.py, main.py 的内容就是:（用于运行启动整个项目，可以避免每次都去terminal输入命令）

from scrapy.cmdline import execute

execute('scrapy crawl bole'.split())

bole：要执行的spider里的py文件名

Scrapy文件结构

• Items.py定义scrapy内部数据的模型文件

继承scrapy.item

属性 变量名=scrapy.Field()

1. Pipelines.py （管道）当我们的items.py被返回的时候，会自动调用我们的pipelines.py类中的process_item()函数；所以pipelines.py中的类需要加到settings.py中的ITEM_PIPELINES字典中

 

ITEM_PIPELINES = {

'myproject.pipelines.XiaochengxuPipeline': 300,

#’项目名+pipelines+pipelines.py中的类’:300,

}

 

1. Settings.py 配置各种参数 ROBOTSTXT_OBEY = False （是否遵守君子协议）

#下载延迟

3.1 DOWNLOADER_MIDDLEWARES = {

'myproject.middlewares.MyprojectDownloaderMiddleware': 543,

}

Isinstance 判断那个类的实例

1. bole.py

通过xpath获取内容, xpath返回的元素内容是selector: extract_first() = [0]extract()

zan = response.xpath('//h10[@id="89252votetotal"]/text()').extract_first()

 

extract_first() 获取selector内的data的内容

items.py

# 添加内容到item中 固定格式

titile = scrapy.Field()

zan = scrapy.Field()

 

 

bole.py

from myproject.items import BoleItem

#创建Item的类

item = BoleItem()

# 通过字典的形式填充item的类

item[‘title’] = title

item[‘zan’] = zan

# 相当于将item传给pipelines

yield item

 

Items.py

class BoleItem(scrapy.Item):

# 变量=scrapy.Field() 将bole.py的内容获取过来

title = scrapy.Field()

zan = scrapy.Field()

1. 我们自己定义的item类需要继承scrapy.Item
2. 我们需要定义的类里面的变量

名称 = scrapy.Field()

1. pipelines.py

class BolePipeline(object):

def process_item(self, item, spider):

#变量=item['title'] 接收items中的内容

item 相关的操作：

1. 打印
2. 存储到MySQL
3. 其它

 

Settings.py

ITEM_PIPELINES = {

# 'myproject.pipelines.MyprojectPipeline': 300,

'myproject.pipelines.BolePipeline': 300,

#固定格式.固定格式.pipeline.py中创建的类名：300 300是优先级 优先级越低优先级越高

}

Pycharm中点击Terminal 输入：

Scarpy shell +要访问的url

进入输入命令行然后输入要匹配的xpath或用其他方法要匹配的信息

//td[not(@class)][1]/a/text() 取没有class中的第一个

 

Yield 返回时多个参数meta={'item':item}

参数一：item['url_herf']让函数parse_detail去处理的url

参数二：meta={'item':item}可在函数parse_detail中item = response.meta['item']调用之后一同返回yield item

参数三：callback=self.parse_detail 之后要处理的函数

Yield scrapy.Request(item['url_herf'],meta={'item':item},callback=self.parse_detail)

 

# 没有此步数据库会报错1241 因为里面有换行符需要处理连接成字符串

新变量 = ''.join(旧变量)

返回302错误需要添加headers头

 

ImagesPipeline

1. 我们需要将这个ImagesPipeline放到setting的pipline的配置中
2. 我们需要将这个图片存储的位置配置成功, setting中的IMAGES_STORE='img_download'
3. 需要下载的URL必须存储在 item 中的 image_urls

 

拉勾网需要不记录cookie，需要在setting中将cookie：False 开启

 

Crawl模板

1. scrapy genspider -t crawl lagou lagou.com
2. LinkExtractor 获取需要的url的正则表达式
3. callback就是页面返回以后,使用哪个函数处理页面的返回信息
4. follow就是如果是true, 就会继续寻找当前页面的url处理, 如果是false, 就不在当前页面寻找url继续处理

数据的流程

1. scrapy初始的内容是添加在 spiders内部的, 它的初始的url的获取通过两种方式, 第一种就是: start_urls, 第二种就是: 函数 start_request()
2. spiders会将url 传递并存储到sheduler中, scheduler就是一个存储url(Request)的队列.
3. scheduler 中的url, 我们会获取这些url放到downloader中去下载页面. CONCURRENT_REQUESTS就是downloader中同时下载的页面的最大值.
4. downloader在下载结束之后, 会将下载后的response返回给spiders.
5. downloader 在下载之前会经过 download middware, 可以在这里添加1, headers, 2, 代理
6. spiders在获取到response之后, 会解析这个response, 获取特定需要的信息并生成items, yield item
7. 在spiders获取到response之后, 还有可能生成新的url, 就再次执行2.
8. item会被传递到item pipeline中, item pipeline会执行后续的操作(可能是存储, 展示, 函数).

 

每一个部分的作用于他们的输入输出

1 spiders:

1. url生成的地方
2. 返回值解析的地方
3. item生成

输入:

1. start_urls , start_request
2. response(downloader给的)

输出:

1. request
2. item

 

2 Scheduler

1. 存储Request

输入:

url(Request) 输入的模块是:spiders, pipeline, downloader

输出:

url (Request) 输出的模块只有downloader

 

3 Downloader

1. 接受Request, 并下载这个Request
2. 将response返回给spiders

输入:

Request, 来源是scheduler

输出:

response: 接收方spiders

request 接收方就是scheduler

 

4 itempipline

1. 获取到item之后, 将它(存储, 展示, 其它)

输入:

item, spiders生成的

输出:

不确定, (数据库, 文件, 其它)

Request, 给scheduler

 

5 downloader middlewares

1. 当scheduler的request经过的时候, 此时还没下载页面, 我们可以对Request进行修改 process_request
2. 当 downloader 下载页面结束的时候, 也会经过downloader middlewares 我们可以根据response的内容做一些处理 process_response
3. 当下载的过程中出现了异常, 也会经过downloader middlewares, process_exception

 

6 spiders middlewares

1. 当Reuqest从spider发给sheduler的时候, 会经过spiders middleware, 可以做的操作是过滤Request, 去重等
2. 当downloader 返回response的时候, 也能经过spiders middlewares, 这里一样是可以做一些根据返回值的过滤操作.

 

Redis安装

找到文件Redis-x64-3.2.100.msi安装

解压redis-desktop-manager.rar中一个文件夹 高版本为中文

在Python环境中安装scrapy-redis：pip install scrapy-redis

scrapy-redis 的改造方法

1. 要将一个Scrapy项目变成一个Scrapy-redis项目只需修改以下三点就可以了：

导包：from scrapy_redis.spiders import RedisSpider

1. 将爬虫的类从scrapy.Spider变成RedisSpider；或者是 从scrapy.CrawlSpider变成scrapy_redis.spiders.RedisCrawlSpider。

2.将爬虫中的start_urls删掉。增加一个redis_key="xxx"。这个redis_key是为了以后在redis中控制爬虫启动的。爬虫的第一个url，就是在redis中通过这个发送出去的。

3.在配置文件中增加如下配置：

Scrapy-Redis相关配置

确保request存储到redis中

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

 

确保所有爬虫共享相同的去重指纹

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

设置redis为item pipeline

ITEM_PIPELINES = { 'scrapy_redis.pipelines.RedisPipeline': 300}

 

在redis中保持scrapy-redis用到的队列，不会清理redis中的队列，从而可以实现暂停和恢复的功能。

SCHEDULER_PERSIST = True

 

设置连接redis信息

REDIS_HOST = '127.0.0.1'

REDIS_PORT = 6379

REDIS_PASSWORD = 123456

 

运行爬虫：

在爬虫服务器上（pychong）。进入爬虫文件所在的路径，然后输入命令： scrapy runspider [爬虫文件.py]。

 

在Redis服务器上，推入一个开始的url链接：在redis安装目录下运行redis-cli.exe；命令行输入：lpush [redis_key] start_url 开始爬取。

 

在Mysql中添加用户：grant all on *.* to root@’%’ identified by ’密码’;

在Mysql中查询用户：select user,host from mysql.user;