写博客就和笔记一样真的很有用,你可以随时的翻阅。爬虫的爬虫原理与数据抓取、非结构化与结构化数据提取、动态HTML处理和简单的图像识别已经学完,就差整理博客了
开始学习scrapy了,所以重新建了个分类。
scrapy的下载到安装,再到能够成功运行就耗费了我三个小时的时间,为了防止以后忘记,记录一下。
我用的是Python3.6. Windows 需要四步
1、pip3 install wheel
2、安装Twisted
a. http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted, 下载:Twisted-17.9.0-cp36-cp36m-win_amd64.whl
b. 进入文件所在目录
c. pip3 install Twisted-17.1.0-cp35-cp35m-win_amd64.whl
3、pip3 install scrapy
然后我打开cmd,输入了scrapy, 出现:
scrapy startproject myspider -----------创建scrapy项目
cd myspider -----------进入myspider目录
scrapy genspider baidu baidu.com ------------创建爬虫文件
scrapy crawl baidu -------------运行文件
之后,就报错了,说缺少一个模块win32, 上网查说 windows上scrapy依赖pywin32,下载网址: https://sourceforge.net/projects/pywin32/files/
我下载了,在安装的时候出现了:
上面说是没注册什么的,上网搜了一下解决方案,唉,自己没看懂。痛心疾首,对我自己的智商感到捉急
4、在cmd中使用python -m pip install pypiwin32
这是我成功的方法,上网查之后,在https://stackoverflow.com/questions/4863056/how-to-install-pywin32-module-in-windows-7有这样一段话:
每天一个小实例:爬视频(其实找到了视频的url链接,用urllib.request.urlretrieve(视频url,存储的路径)就可以了。
我做的这个例子太简单;用scrapy框架显得复杂,,我只是下载了一页,多页的话循环url,主要是走一遍使用Scrapy的流程:
1 #第一
2 打开mySpider目录下的items.py
3
4 # -*- coding: utf-8 -*-
5
6 # Define here the models for your scraped items
7 #
8 # See documentation in:
9 # https://doc.scrapy.org/en/latest/topics/items.html
10
11 import scrapy
12
13 '''Item 定义结构化数据字段,用来保存爬取到的数据,有点像Python中的dict,但是提供了一些额外的保护减少错误。
14
15 可以通过创建一个 scrapy.Item 类, 并且定义类型为 scrapy.Field的类属性来定义一个Item(可以理解成类似于ORM的映射关系)。'''
16 class MyspiderItem(scrapy.Item):
17 # define the fields for your item here like:
18 name = scrapy.Field()
19 mp4_url = scrapy.Field()
20
21
22
23 #第二,打开你创建的爬虫文件,我的是baisi.py
24
25 # -*- coding: utf-8 -*-
26 import scrapy
27 from myspider.items import MyspiderItem
28
29 class BaisiSpider(scrapy.Spider):
30 name = 'baisi'
31 allowed_domains = ['http://www.budejie.com']
32 start_urls = ['http://www.budejie.com/video/']
33
34 def parse(self, response):
35 # 将我们得到的数据封装到一个 `MyspiderItem` 对象
36 item = MyspiderItem()
37
38 #提取数据
39 mp4_links = response.xpath('//li[@class="j-r-list-tool-l-down f-tar j-down-video j-down-hide ipad-hide"]')
40 for mp4_link in mp4_links:
41 name = mp4_link.xpath('./@data-text')[0].extract()
42 video = mp4_link.xpath('./a/@href')[0].extract()
43 #判断是否有MP4——url链接,有的保存
44 if video:
45 item['name'] = name
46 item['mp4_url'] = video
47 # 将获取的数据交给pipelines
48 yield item
49
50
51
52
53
54 #第三 打开pipelines.py文件
55
56 # -*- coding: utf-8 -*-
57
58 # Define your item pipelines here
59 #
60 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
61 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
62 import urllib.request
63 import os
64 class MyspiderPipeline(object):
65 def process_item(self, item, spider):
66 #文件名
67 file_name = "%s.mp4" % item['name']
68 #文件保存路径
69 file_path = os.path.join("F:\\myspider\\myspider\\video", file_name)
70 urllib.request.urlretrieve(item['mp4_url'],file_path)
71 return item
72
73
74 第四,执行scrapy crawl baisi
执行结果:
['twɪstɪd]
(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)
基本使用:
1.在命令行中输入: scrapy startproject myspider -----------创建scrapy项目
自动创建目录:
打开:myspider
文件说明:
2.
cd myspider -----------进入myspider目录
scrapy genspider baidu baidu.com ------------创建爬虫文件
注意:一般创建爬虫文件时,以网站域名命名,文件会在spiders中,
3. 然后你就可以编写代码了
4. scrapy crawl baidu -------------运行文件
制作 Scrapy 爬虫 一共需要4步: