介绍:Scrapy是一个为了爬取网站数据、提取结构性数据而编写的应用框架,我们只需要实现少量的代码,就能够快速抓取。
Scrapy使用了Twisted异步网络框架,可以加快我们的下载速度。
0、说明:
保存数据的方法有4种(json、jsonl、csv、xml),-o 输出指定格式的文件
scrapy crawl 爬虫名称 -o aa.json
在编写Spider时,如果返回的不是item对象,可以通过scrapy crawl 爬虫名称 -o aa.json 爬取数据输出到本地,保存为aa.json文件
1、使用步骤
1.1 新建项目:scrapy startproject xxx
1.2 生成爬虫:scrapy genspider aaa "http://www.aaa.com"
1.3 明确目标:编写items.py,明确要提取的数据
1.4 编写爬虫:spiders/xx.py,编写爬虫文件,处理请求和响应,以及提取数据(yield item)
1.5 存储内容:pipelines.py,编写管道文件,处理spider返回的item数据
1.6 设置配置:settings.py, 启动管道组件,以及其他相关配置
1.7 执行爬虫:scrapy aaa 爬虫名称
2、安装:
pip3 install scrapy
3、命令
scrapy bench 测试
scrapy fetch "http://www.baidu.com" 爬取页面
scrapy genspider 爬虫名称 'http://www.baidu.com' 生成一个爬虫
scrapy runspider 运行一个爬虫
scrapy shell "url地址" 发送完请求后,用shell交互读取响应内容
response.body 响应体,response.body.decode()
response.headers 报头
response.selector Selector对象,此时可以通过response.selector.xpat() 或response.selector.css()来对response进行查询,或者把中间的selector省略也可以使用(新版)
Selector选择器,有4个基本的方法,最常用xpath
xpath(),传入xpath表达式,返回该表达式所对应的所有结点的selector list列表,使用方式:response.xpath("表达式")
extract(),序列化该结点为Unicode字符串并返回列表
css(),插入css表达式,返回该表达式所对应的所有结点的selector list列表,语法同 bs4
re(),根据传入的正则表达式进行提取,返回Unicode字符串列表
scrapy startproject 创建项目
scrapy list 查看项目下有多少个爬虫
4、其他
CrawlSpider
5、使用pipeline
可以有多个,为什么要有多个?
不同的pipeline处理不同的item的内容
一个spider的内容可能要做不同的操作,比如存入不同的数据库中
5.1 一个爬虫项目,包含多个爬虫,爬取多个网站,可以建多个Spider
5.2 当有多个爬虫,一个pipeline时,如何操作不同的数据呢?
可以在爬虫返回item时,加:item["come_from"] = '网站1',然后在pipeline的process_item方法里进行判断:if item["come_from"] == '网站1': do something
或者,根据spider.name来进行判断是哪个spider返回的数据
6、日志logging
普通用法:
import logging
logging.warning()
scrapy中的用法:
settings里配置日志级别:LOG_LEVEL = "WARNING"
settings里配置日志存放位置:LOG_FILE = './log.log' 当前目录
普通py项目的日志用法
import logging
logging.basicConfig(filename='example.log',level=logging.DEBUG) #还有很多参数可以设置
logger = logging.getLogger(__name__)
logger.warning("ssssssssss")
来源:oschina
链接:https://my.oschina.net/u/4346667/blog/3593711