Scrapy使用 Python 实现的一个开源爬虫框架,Scrapy基于 twisted这个高性能的事件驱动网络引擎框架,Scrapy爬虫拥有很高的性能。
Scrapy内部数据流程图 其中:
新建项目(scrapy startproject xxx):新建一个新的爬虫项目
明确目标(编写items.py):明确你想要抓取的目标
制作爬虫(spiders/xxspider.py):制作爬虫开始爬取网页
存储内容(pipelines.py):设计管道存储爬取内容
在windows 64bit系统下需要先安装Scrapy需要安装的依赖库:
pip install wheel
lxml-4.2.1-cp36-cp36m-win_amd64.whl
pyOpenSSL-17.5.0-py2.py3-none-any.whl
pywin32-221.win-amd64-py3.6.exe
Twisted-17.9.0-cp36-cp36m-win_amd64.whl
pip install scrapy
系统版本为ubuntu 16.04
sudo apt-get install build-essential python3-dev libssl-dev libffi-dev libxml2 libxml2-dev libxslt1-dev zlib1g-dev
pip install scrapy
安装好Scrapy后,我们在windows命令行模式下输入以下命令创建Scrapy项目:
scrapy startproject 项目名称
可以看到创建了以下文件:
Scrapy文件结构 其中:
scrapy.cfg :项目的配置文件
xxSpider/ :项目的Python模块,将会从这里引用代码
xxSpider/items.py :项目的目标文件
xxSpider/pipelines.py :项目的管道文件
xxSpider/settings.py :项目的设置文件
xxSpider/spiders/ :存储爬虫代码目录
创建完Scrapy项目,还是要上手实验一下才能更好的理解,所以我根据之前我在楼+课程中的学习笔记写了一个Scrapy单文件Demo,使用这个单文件Demo能快速爬取实验楼全部课程信息。 首先看下单文件的内容结构:
# -*- coding:utf-8 -*-
import scrapy
class ShiyanlouCoursesSpider(scrapy.Spider):
""" 所有 scrapy 爬虫需要写一个 Spider 类,这个类要继承 scrapy.Spider 类。在这个类中定义要请求的网站和链接、如何从返回的网页提取数据等等。
"""
# 爬虫标识符号,在 scrapy 项目中可能会有多个爬虫,name 用于标识每个爬虫,不能相同
name = 'shiyanlou-courses'
def start_requests(self):
""" 需要返回一个可迭代的对象,迭代的元素是scrapy.Request对象,可迭代对象可以是一个列表或者迭代器,这样 scrapy 就知道有哪些网页需要爬取了。scrapy.Request接受一个 url 参数和一个 callback 参数,url 指明要爬取的网页,callback 是一个回调函数用于处理返回的网页,通常是一个提取数据的 parse 函数。
"""
def parse(self, response):
""" 这个方法作为 `scrapy.Request` 的 callback,在里面编写提取数据的代码。scrapy 中的下载器会下载 `start_reqeusts` 中定义的每个 `Request` 并且结果封装为一个 response 对象传入这个方法。
"""
pass
因为实验楼的网页结构还是很简单的,所以解析部分就不做赘述,直接上单文件完整代码:
# -*- coding:utf-8 -*-
import scrapy
class ShiyanlouCoursesSpider(scrapy.Spider):
def start_requests(self):
# 课程列表页面 url 模版
url_tmpl = 'https://www.shiyanlou.com/courses/?category=all&course_type=all&fee=all&tag=all&page={}'
# 所有要爬取的页面
urls = (url_tmpl.format(i) for i in range(1, 23))
# 返回一个生成器,生成 Request 对象,生成器是可迭代对象
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response):
# 遍历每个课程的 div.course-body
for course in response.css('div.course-body'):
# 使用 css 语法对每个 course 提取数据
yield {
# 课程名称
'name': course.css('div.course-name::text').extract_first(),
# 课程描述
'description': course.css('div.course-desc::text').extract_first(),
# 课程类型,实验楼的课程有免费,会员,训练营三种,免费课程并没有字样显示,也就是说没有 span.pull-right 这个标签,没有这个标签就代表时免费课程,使用默认值 `免费`就可以了。
'type': course.css('div.course-footer span.pull-right::text').extract_first(default='Free'),
# 注意 // 前面的 .,没有点表示整个文档所有的 div.course-body,有 . 才表示当前迭代的这个 div.course-body
'students': course.xpath('.//span[contains(@class, "pull-left")]/text()[2]').re_first('[^\d]*(\d*)[^\d]*')
}
保存文件,使用scrapy runspider xx.py -o data.json
运行代码,这里使用 -o
参数将结果输出为json格式。
这是咸鱼的第四篇学习笔记,旨在熟悉scrapy单文件结构为之后深入学习scrapy打好基础。