Python爬虫学习之二

Scrapy学习

An open source and collaborative framework for extracting the data you need from websites. In a fast, simple, yet extensible way.

1. Scrapy简介:

Scrapy是一个开源的、能够快速、简单获取你所需网页数据的的框架,并且它具有良好的可扩展性。

首先,它是一个框架,大部分时候是作为爬虫架构来使用。它与BeautifulSoup,request不同,严格意义上来说后两者是一个用来解析HTML\XML的Python库,爬取工作仍然需要urllib或者其他的库来配合完成;而Scrapy提供了一整套网页爬取的架构,包括:爬取、下载,储存等功能。

下图很形象的说明了Scrapy的工作原理:

Scrapy

ScrapyEngine:位于Scrapy/core/engine,作为整个框架的引擎,驱动Scheduler,Donwload,Spiders。

      class ExecutionEngine(object):
          def start(self):
              do something
          def schedule(self, request, spider):
              do something related to scheduler
          def download(self, request, spider):
              do something related to downloader
          def spider(self, request, spider):
              do something related to schedule
          other function

Scheduler:从start_urls依此获取url,交给Downloader下载,并且从Spiders中过去新的url(如果有的话)

      class Scheduler(object):
          def open(self, spider)
               open spider
          def enqueue_request(self,request):
               do something
          def next_request(self)
               get next_request
          other function

Downloader:获取Scheduler里的url,从网络中获取url的内容,并将获取内容交给Spiders。

    class Downloader(object):
        def fetch(self, request, spider):
            fetching
        def download(self, slot, request, spider):
            download

Spiders:解析获取页面的内容,通过XPath,获得需要的内容,将这些内容存放到Item定义的Field中并交给Pipeline进一步处理

    class yourSpider(Spider):
        name = "your spider name, unique"
        domain = "allowed domain"
        start_urls = ["https://www.target.com/",
                       other urls,
                     ]
        rules = [Rule(your rules)]
        def parse(self, response):
            do something

Item:Scrapy自定义的字典,规定你需要从网页中获取的内容。例如,你想要获得豆瓣排名前二十名的电影的名字、导演、评分,那么可以在Item中定义:

     from scrapy import Item, Field
     class DoubanItem(Item):
          title = Field()    
          movieInfo = Field()    
          star = Field()    
          quote = Field()

Pipeline:对Item中的数据做进一步处理,存入数据库or丢弃掉。

    class DoubanPipeline(object):
        def process_item(self, item, spider):
            do something

以上是一个完整的Scrapy爬虫框架,Scrapy已经为我们写好了前三部分(Engine,Scheduler,Downloader),我们只需要自己写出Spiders,Item,Pipeline就好。

这里是scrapy的中文文档,如果我说的不清楚,大家可以去看官方文档。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,743评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,296评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,285评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,485评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,581评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,821评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,960评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,719评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,186评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,516评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,650评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,936评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,757评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,991评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,370评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,527评论 2 349

推荐阅读更多精彩内容