Python的爬虫程序编写框架Scrapy入门学习教程(python爬虫程序下载网页上内容)

推荐整理分享Python的爬虫程序编写框架Scrapy入门学习教程(python爬虫程序下载网页上内容)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:python爬虫程序下载网页上内容,python爬虫程序自动结束,退出代码1,python的爬虫程序参考文献,python爬虫程序怎么运行,python的爬虫程序参考文献,python爬虫程序代码下载,python爬虫程序代码下载,python爬虫程序怎么运行,内容如对您有帮助，希望把文章链接给更多的朋友！

1. Scrapy简介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。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

（1）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)

（2）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

（3）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)

（4）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。

（5）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。

（6）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。

（7）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。

Scrapy运行流程大概如下：

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

2. 安装Scrapy使用以下命令:

更多虚拟环境的操作可以查看我的博文

3. Scrapy Tutorial在抓取之前, 你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录，然后执行：

这个命令会在当前目录下创建一个新目录 tutorial, 它的结构如下:

这些文件主要是：

（1）scrapy.cfg: 项目配置文件（2）tutorial/: 项目python模块, 之后您将在此加入代码（3）tutorial/items.py: 项目items文件（4）tutorial/pipelines.py: 项目管道文件（5）tutorial/settings.py: 项目配置文件（6）tutorial/spiders: 放置spider的目录

3.1. 定义ItemItems是将要装载抓取的数据的容器，它工作方式像 python 里面的字典，但它提供更多的保护，比如对未定义的字段填充以防止拼写错误

通过创建scrapy.Item类, 并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化，来控制从 dmoz.org 获得的站点数据，比如我们要获得站点的名字，url 和网站描述，我们定义这三种属性的域。在 tutorial 目录下的 items.py 文件编辑

3.2. 编写SpiderSpider 是用户编写的类, 用于从一个域（或域组）中抓取信息, 定义了用于下载的URL的初步列表, 如何跟踪链接，以及如何来解析这些网页的内容用于提取items。

要建立一个 Spider，继承 scrapy.Spider 基类，并确定三个主要的、强制的属性：

name：爬虫的识别名，它必须是唯一的，在不同的爬虫中你必须定义不同的名字.start_urls：包含了Spider在启动时进行爬取的url列表。因此，第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。我们可以利用正则表达式定义和过滤需要进行跟进的链接。parse()：是spider的一个方法。被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。在 /tutorial/tutorial/spiders 目录下创建 dmoz_spider.py

3.3. 爬取当前项目结构

到项目根目录, 然后运行命令:

3.4. 提取Items3.4.1. 介绍Selector从网页中提取数据有很多方法。Scrapy使用了一种基于 XPath 或者 CSS 表达式机制： Scrapy Selectors

出XPath表达式的例子及对应的含义:

等多强大的功能使用可以查看XPath tutorial

为了方便使用 XPaths，Scrapy 提供 Selector 类， 有四种方法 :

3.4.2. 取出数据

在查看网站源码后, 网站信息在第二个<ul>内

那么就可以通过一下方式进行提取数据

如前所述，每个 xpath() 调用返回一个 selectors 列表，所以我们可以结合 xpath() 去挖掘更深的节点。我们将会用到这些特性，所以:

在已有的爬虫文件中修改代码

3.4.3. 使用itemItem对象是自定义的python字典,可以使用标准的字典语法来获取到其每个字段的值(字段即是我们之前用Field赋值的属性)

一般来说，Spider将会将爬取到的数据以 Item 对象返回, 最后修改爬虫类，使用 Item 来保存数据，代码如下

3.5. 使用Item Pipeline当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。每个item pipeline组件(有时称之为ItemPipeline)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。以下是item pipeline的一些典型应用：

编写你自己的item pipeline很简单，每个item pipeline组件是一个独立的Python类，同时必须实现以下方法:

（1）process_item(item, spider) #每个item pipeline组件都需要调用该方法，这个方法必须返回一个 Item (或任何继承类)对象，或是抛出 DropItem异常，被丢弃的item将不会被之后的pipeline组件所处理。

#参数:

item: 由 parse 方法返回的 Item 对象(Item对象)

spider: 抓取到这个 Item 对象对应的爬虫对象(Spider对象)

（2）open_spider(spider) #当spider被开启时，这个方法被调用。

#参数:

spider : (Spider object) ? 被开启的spider

（3）close_spider(spider) #当spider被关闭时，这个方法被调用，可以再爬虫关闭后进行相应的数据处理。

#参数:

spider : (Spider object) ? 被关闭的spider

为JSON文件编写一个items

在 settings.py 中设置ITEM_PIPELINES激活item pipeline，其默认为[]

3.6. 存储数据使用下面的命令存储为json文件格式

scrapy crawl dmoz -o items.json

4.示例4.1最简单的spider（默认的Spider）用实例属性start_urls中的URL构造Request对象框架负责执行request将request返回的response对象传递给parse方法做分析

简化后的源码：

一个回调函数返回多个request的例子

构造一个Request对象只需两个参数： URL和回调函数

4.2CrawlSpider通常我们需要在spider中决定：哪些网页上的链接需要跟进， 哪些网页到此为止，无需跟进里面的链接。CrawlSpider为我们提供了有用的抽象——Rule，使这类爬取任务变得简单。你只需在rule中告诉scrapy,哪些是需要跟进的。回忆一下我们爬行mininova网站的spider.

上面代码中 rules的含义是：匹配/tor/d+的URL返回的内容，交给parse_torrent处理，并且不再跟进response上的URL。官方文档中也有个例子：

除了Spider和CrawlSpider外，还有XMLFeedSpider, CSVFeedSpider, SitemapSpider

Ruby元编程基础学习笔记整理 笔记一：代码中包含变量，类和方法，统称为语言构建(languageconstruct)。#test.rbclassGreetingdefinitialize(text)@text=textenddefwelcome@textendendmy_obj=Greeting.new("hello")puts

Python使用Srapy框架爬虫模拟登陆并抓取知乎内容 一、Cookie原理HTTP是无状态的面向连接的协议,为了保持连接状态,引入了Cookie机制Cookie是http消息头中的一种属性，包括：Cookie名字（Name）Cookie的值（Value

python中函数传参详解 一、参数传入规则可变参数允许传入0个或任意个参数，在函数调用时自动组装成一个tuple；关键字参数允许传入0个或任意个参数，在函数调用时自动组