• 最新活动
  • 产品
    • 云计算

      云服务器 热销

      高速稳定高弹性的计算服务

      负载均衡

      高性能流量分发的负载均衡服务

      对象存储

      高可用、易扩展、低成本、一站式

      云数据库 MySQL

      稳定可靠、可弹性伸缩的数据方案

      云数据库 SQL Server

      安全运行、轻松管理的数据方案

    • 网站服务

      云虚拟主机 热销

      基于云计算的虚拟主机服务

      域名注册 火爆进行中

      提供主流域名注册服务

      CDN加速

      智能调度的内容分发服务

      短信服务

      提供专业、稳定、安全的云通信产品

      华为云代理

      华为云高折扣高返点

    • IDC服务

      服务器托管

      安全贴心高品质的托管服务

      裸金属服务器

      高性能安全隔离物理集群服务

      大带宽

      专有网络传输通道,完全隔离

      壹站邦分销系统

      一键部署、低成本、快速运营

      阿里云代理

      阿里云新购升级皆有返点

    • 安全与管理

      SSL证书 热销

      提供一站式的证书部署服务

      云监控

      精准灵活超便捷的资源预警服务

      网站备案

      免费、快速、便捷的备案服务

      DDOS高防 防不住包退

      一秒切换,无需更换IP,误伤率可降为0

  • 保障
    • 信任中心 >

      基础设施与网络

      服务保障能力

      数据安全

      合规资质

    • 数据中心 >

      中国内蒙数据中心

      中国大连数据中心

      中国深圳数据中心

      中国香港数据中心

    • VIP会员服务 >

      7*24小时服务支持

      0元快速备案

      100倍故障赔偿

      5天无理由退款

    • 防诈骗公益宣传 >

      行为识别

      安全防范

      典型案例

      法律法规

  • 解决方案
    • 行业解决方案

      网站解决方案

      游戏云解决方案

    •  

      金融云解决方案

    •  

      电商云解决方案

    •  

      移动云解决方案

  • 帮助中心
  • 腾讯云
    • 腾讯云

      腾讯云优惠 上云最佳选择

      腾讯云最新的促销打折、腾讯云优惠折扣

      腾讯云服务器

      腾讯云服务器(CVM)为您提供安全可靠的弹性云计算服务

      腾讯云数据库

      腾讯云数据库是腾讯云提供的高可靠、高可用、可弹性伸缩的云数据库服务产品的总称

      腾讯云轻量服务器

      腾讯云轻量应用服务器是一种易于使用和管理、适合承载轻量级业务负载的云服务器

      腾讯云GPU服务器

      AI加速 科学计算 实时渲染首选,让AI更有温度,体验身临其境

    • 腾讯云

      美颜特效

      腾讯云美颜特效SDK、API

      实时音视频

      腾讯云实时音视频SDK、API

      直播SDK

      腾讯云直播SDK、API

      即时通信IM

      腾讯云即时通信IM、聊天SDK、API

      人脸核身

      腾讯云人脸核身SDK、API

    • 腾讯云

    • 腾讯云

      腾讯云服务支持

      一站式服务,安心购,无忧用

    • 腾讯云

      服务支持

      一站式服务,安心购,无忧用

  • 关于我们
  • 备案
  • 控制台
-
  • 前往实名认证 >
  • 账户余额 -元
  • 产品管理 -
  • 未支付订单 -
  • 我的工单 -
  • 新消息 -
  • 退出账号
账号登录 快速注册

关于我们

质量为本、客户为根、勇于拼搏、务实创新

  • 公司简介
  • 新闻公告
  • 联系我们
  • 法律声明
  • 友情链接

新闻公告

  • 优惠活动
  • 公司公告
  • 腾讯云
< 返回新闻公共列表

爬虫系列(10)Scrapy 框架介绍、安装以及使用

发布时间:2022-06-09 23:52:29

1. Scrapy 框架介绍

  • Scrapy是Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy = Scrach+Python
  • Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试、信息处理和历史档案等大量应用范围内抽取结构化数据的应用程序框架,广泛用于工业
  • Scrapy 使用Twisted 这个异步网络库来处理网络通讯,架构清晰,并且包含了各种中间件接口,可以灵活的完成各种需求。Scrapy是由Twisted写的一个受欢迎的Python事件驱动网络框架,它使用的是非堵塞的异步处理

1.1 为什么要使用Scrapy?

  • 它更容易构建和大规模的抓取项目
  • 它内置的机制被称为选择器,用于从网站(网页)上提取数据
  • 它异步处理请求,速度十分快
  • 它可以使用自动调节机制自动调整爬行速度
  • 确保开发人员可访问性

1.2 Scrapy的特点

  • Scrapy是一个开源和免费使用的网络爬虫框架
  • Scrapy生成格式导出如:JSON,CSV和XML
  • Scrapy内置支持从源代码,使用XPath或CSS表达式的选择器来提取数据
  • Scrapy基于爬虫,允许以自动方式从网页中提取数据

1.3 Scrapy的优点

  • Scrapy很容易扩展,快速和功能强大;
  • 这是一个跨平台应用程序框架(在Windows,Linux,Mac OS和BSD)。
  • Scrapy请求调度和异步处理;
  • Scrapy附带了一个名为Scrapyd的内置服务,它允许使用JSON Web服务上传项目和控制蜘蛛。
  • 也能够刮削任何网站,即使该网站不具有原始数据访问API;

1.4 整体架构大致如下:

最简单的单个网页爬取流程是spiders > scheduler > downloader > spiders > item pipeline

1.5 Scrapy运行流程大概如下:

  1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
  2. 引擎把URL封装成一个请求(Request)传给下载器
  3. 下载器把资源下载下来,并封装成应答包(Response)
  4. 爬虫解析Response
  5. 解析出实体(Item),则交给实体管道进行进一步的处理
  6. 解析出的是链接(URL),则把URL交给调度器等待抓取

1.6 Scrapy主要包括了以下组件:

  • 引擎(Scrapy)
    • 用来处理整个系统的数据流处理, 触发事务(框架核心)
  • 调度器(Scheduler)
    • 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
  • 下载器(Downloader)
    • 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
  • 爬虫(Spiders)
    • 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
  • 项目管道(Pipeline)
    • 负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
  • 下载器中间件(Downloader Middlewares)
    • 位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应
  • 爬虫中间件(Spider Middlewares)
    • 介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出
  • 调度中间件(Scheduler Middewares)
    • 介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应

2 安装

pip install Scrapy
复制

注:windows平台需要依赖pywin32

ModuleNotFoundError: No module named 'win32api'
复制

pip install pypiwin32

3 基本使用

3.1 创建项目

运行命令:scrapy startproject myfrist(your_project_name)

文件说明:

名称

作用

scrapy.cfg

项目的配置信息,主要为Scrapy命令行工具提供一个基础的配置信息。(真正爬虫相关的配置信息在settings.py文件中)

items.py

设置数据存储模板,用于结构化数据,如:Django的Model

pipelines

数据处理行为,如:一般结构化的数据持久化

settings.py

配置文件,如:递归的层数、并发数,延迟下载等

spiders

爬虫目录,如:创建文件,编写爬虫规则

注意:一般创建爬虫文件时,以网站域名命名

4 编写 spdier

在spiders目录中新建 daidu_spider.py 文件

4.1 注意
  1. 爬虫文件需要定义一个类,并继承scrapy.spiders.Spider
  2. 必须定义name,即爬虫名,如果没有name,会报错。因为源码中是这样定义的
4.2 编写内容

在这里可以告诉 scrapy 。要如何查找确切数据,这里必须要定义一些属性

  • name: 它定义了蜘蛛的唯一名称
  • allowed_domains: 它包含了蜘蛛抓取的基本URL;
  • start-urls: 蜘蛛开始爬行的URL列表;
  • parse(): 这是提取并解析刮下数据的方法;

下面的代码演示了spider蜘蛛代码的样子:

import scrapyclass DoubanSpider(scrapy.Spider):
    name = 'douban'
    allwed_url = 'douban.com'
    start_urls = [
        'https://movie.douban.com/top250/'
    ]

    def parse(self, response):
        movie_name = response.xpath("//div[@class='item']//a/span[1]/text()").extract()
        movie_core = response.xpath("//div[@class='star']/span[2]/text()").extract()
        yield {
            'movie_name':movie_name,
            'movie_core':movie_core        }
复制

其他命令:

  • 创建爬虫
  • scrapy genspider 爬虫名 爬虫的地址
  • 运行爬虫
  • scrapy crawl 爬虫名



本文链接:https://www.yzban.cn/news/content/124.html 复制本文链接 链接已复制
/template/Home/ShiwaiA1/PC/Static
注册即可领取40+款免费体验产品,为您提供优质的上云实践机会。企业用户最高可获得180天云服务器体验时长
开始体验
  • 5天内无理由退款
  • 免费备案
  • 1V1大客户服务
  • 7x24小时服务
  • 壹站邦

    • 官方公告
    • 荣誉资质
    • 服务协议
    • 法律声明
    • 关于我们
  • 行业解决方案

    • 游戏云解决方案
    • 金融解决方案
    • 电商解决方案
    • 网站解决方案
    • 移动云解决方案
  • 帮助与支持

    • 账户问题
    • 备案指南
    • 常见问题
    • 网站备案
    • 工单服务
  • 合作与生态

    • 合作伙伴
    • 壹站邦分销系统
    • 业界动态
    • 联系我们
    • 服务市场
  • 管理控制中心

    • 控制中心
    • 续费管理
    • 订单管理
    • 财务管理
    • 账户管理
服务热线:Array联系我们
简体中文
  • 简体中文
  • English
  • 繁体中文

深圳市壹站邦科技有限公司
旗下品牌:壹站邦
服务热线

18682484654 18129837002

热门产品

  • 域名注册
  • 云服务器
  • 云虚拟主机
  • 负载均衡
  • 网络加速
  • 云数据库
  • 对象存储
  • SSL证书
  • 裸金属

帮助中心

  • 文档中心
  • 账户问题
  • 备案指南
  • 控制台使用
  • 常见问题
  • 法律法规
  • WHOIS查询
  • 工单服务
  • 服务协议
Copyright © 2018-2021 yzban.cn. All Rights Reserved. 壹站邦科技 版权所有
粤公网安备 44030502007900号 工信部备案:粤ICP备2021101436号 统一社会信用代码:91440300MA5EDUAQ8N 授权代理商:华为技术有限公司
简体中文
  • 简体中文
  • English
  • 繁体中文
  • QQ咨询
    联系客服获取更多优惠
    • 921184386
    • 412442617
  • 微信咨询
    腾讯云优惠,阿里云折扣,腾讯云代理商,阿里云代理商,华为云代理商,腾讯云服务器,腾讯云代金券,阿里云代金券,腾讯云返点,阿里云返点,华为云返点,阿里云续费,腾讯云阿里云,腾讯服务器,ddos高防大客户报价,技术方案
  • 电话咨询
    请选择客服进行咨询
    • 18129837002
    • 18682484654
  • 备案
  • 工单
  • TOP