Scrapy的介绍
scrapy的工作流程（重点！！！）
如下图所示：
爬虫：
- 负责向引擎提供要爬取网页的URL，引擎会把这个URL封装成request对象并传递给调度器，
- 把引擎传递过来的response对象进行数据解析。数据解析有两种结果：
- 解析出具体的数据，那么通过引擎把这个具体的数据传递给管道，然后存入文件、数据库等
- 解析出一个新的URL，那么过程同作用1
管道：负责把引擎传递过来的数据进行存储，存入文件、数据库等。管道可以有多个，比如MySQL的管道，某个文件的管道，mango的管道等。
调度器：可以把调度器的存储结构看成一个优先队列，不同的request对象可能优先级不一样，按优先级的高低进行调度
- 把引擎传递过来的request对象放入队列进行排队，调度器可以实现去重的效果，即对两个相同的URL，只存储一个
- 向引擎提供队头的request对象（即优先级高的request对象），引擎把这个request对象传递给下载器进行请求
下载器：把引擎传递过来的request对象发送给服务器请求数据，并把服务器返回的内容封装成response对象， 然后把这个response对象传递给引擎，引擎再把这个response对象传递给爬虫进行数据解析
引擎：从上面的流程中可以看到，引擎负责控制数据流在所有组件流动,并在相应动作时触发事件，相当于爬虫的大脑
注意，在实际的代码编写过程中，我们只需要关注爬虫和管道部分的代码编写，而引擎、调度器、下载器都不需要我们实现
scrapy的安装
在终端输入以下命令（包有点大，建议切换成国内的镜像源，如清华源等，据说安装可能会有很多问题，但是可能我人品比较好，没遇到，嘿嘿。如果有问题的百度一下吧）
pip install scrapy
scrapy的基本使用
以爬取4399游戏网站的游戏名称为例，scrapy有以下几个步骤：
1、创建scrapy项目
首先在某个文件夹下打开终端，输入以下命令创建scrapy项目
scrapy startproject 项目名称
2、创建一个爬虫程序
首先进入项目文件夹下，然后输入命令：
scrapy genspider 爬虫程序的名称 要爬取网站的域名
3、编写爬虫程序
在game_4399.py文件中编写爬虫代码，代码如下
import scrapy
class Game4399Spider(scrapy.Spider):
name = "game_4399" # 爬虫程序的名称
allowed_domains = ["4399.com"] # 允许爬取的域名
# 默认情况下是：https://4399.com
# 但是我们不从首页开始爬取，所以改一下URL
start_urls = ["https://4399.com/flash/"] # 一开始爬取的URL
def parse(self, response): # 该方法用于对response对象进行数据解析
# print(response) # <200 http://www.4399.com/flash/>
# print(response.text) # 打印页面源代码
# response.xpath() # 通过xpath解析数据
# response.css() # 通过css解析数据
# 获取4399小游戏的游戏名称
# txt = response.xpath('//ul[@class="n-game cf"]/li/a/b/text()')
# txt 列表中的每一项是一个Selector：
# <Selector query='//ul[@class="n-game cf"]/li/a/b/text()' data='逃离克莱蒙特城堡'>]
# 要通过extract()方法拿到data中的内容
# print(txt)
# txt = response.xpath('//ul[@class="n-game cf"]/li/a/b/text()').extract()
# print(txt) # 此时列表中的元素才是游戏的名字
# 也可以先拿到每个li，然后再提取名字
lis = response.xpath('//ul[@class="n-game cf"]/li')
for li in lis:
# name = li.xpath('./a/b/text()').extract()
# # name 是一个列表
# print(name) # ['王城霸业']
# 一般我们都会这么写：li.xpath('./a/b/text()').extract()[0]
# 但是这样如果列表为空就会报错，所以换另一种写法
# extract_first方法取列表中的第一个，如果列表为空，返回None
name = li.xpath('./a/b/text()').extract_first()
print(name) # 王城霸业
category = li.xpath('./em/a/text()').extract_first() # 游戏类别
date = li.xpath('./em/text()').extract_first() # 日期
print(category, date)
# 通过yield向管道传输数据
dic = {
'name': name,
'category': category,
'date': date
}
# 可以认为这里是把数据返回给了管道pipeline，
# 但是实际上是先给引擎，然后引擎再给管道，只是这个过程不用我们关心，scrapy会自动完成
# 这里的数据会在管道程序中接收到
yield dic4、运行scrapy爬虫程序
在终端输入命令，就可以看到爬虫程序运行结果。
scrapy crawl 爬虫程序名称
5、总结scrapy的基本使用
关于第6、7步，在下面的scrapy管道中会说到。
Scrapy中的管道
基本介绍
我们接着看上述4399中创建的scrapy项目，管道的默认情况如下：
管道程序默认是不生效的，需要在settings文件进行配置，如下：
pipelines.py文件中的代码
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# useful for handling different item types with a single interface
from itemadapter import ItemAdapter
# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:
def process_item(self, item, spider):
"""
接收爬虫通过引擎传递过来的数据
:param item: 具体的数据内容
:param spider: 对应传递数据的爬虫程序
:return:
"""
print(item) # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}
print(spider) # <Game4399Spider 'game_4399' at 0x22867dafc70>
return item # 把数据传递给下一个管道settings文件中关于管道的代码
ITEM_PIPELINES = {
# 管道程序的所在路径：优先级
# 300 表示管道的优先级，数字越小优先级越高
# 优先级高的管道会比优先级低的管道先拿到数据
"game.pipelines.GamePipeline": 300,
}
运行命令：scrapy crawl game_4399，运行结果如下（只截取了一部分）：
上述只有一个管道，如果有多个管道，比如我们自定义一个管道，代码如下：
from itemadapter import ItemAdapter
# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:
def process_item(self, item, spider):
"""
接收爬虫通过引擎传递过来的数据
:param item: 具体的数据内容
:param spider: 对应传递数据的爬虫程序
:return:
"""
print(item) # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}
print(spider) # <Game4399Spider 'game_4399' at 0x22867dafc70>
return item # 把数据传递给下一个管道
# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:
def process_item(self, item, spider):
# 比如这里给传递过来的数据添加一个新的字段
item['new_field'] = 'hello'
return itemsettings文件关于管道的代码
ITEM_PIPELINES = {
# 管道程序的所在路径：优先级
# 300 表示管道的优先级，数字越小优先级越高
# 优先级高的管道会比优先级低的管道先拿到数据
"game.pipelines.GamePipeline": 300,
# 优先级比GamePipeline高，可以通过运行结果看出
"game.pipelines.OtherPipeline": 299
}
运行结果如下，可见多了一个字段
scrapy中的数据格式item
在上述的项目中，我们在爬虫程序里解析出来的数据组装成了字典然后使用yield传递给了管道，但是这实际上是不符合scrapy的规范的。在scrapy中，数据用item表示。
还是以上面的4399为例。game_4399.py中的代码如下：
import scrapy
from game.items import GameItem
class Game4399Spider(scrapy.Spider):
name = "game_4399" # 爬虫程序的名称
allowed_domains = ["4399.com"] # 允许爬取的域名
# 默认情况下是：https://4399.com
# 但是我们不从首页开始爬取，所以改一下URL
start_urls = ["https://4399.com/flash/"] # 一开始爬取的URL
def parse(self, response): # 该方法用于对response对象进行数据解析
# 也可以先拿到每个li，然后再提取名字
lis = response.xpath('//ul[@class="n-game cf"]/li')
for li in lis:
name = li.xpath('./a/b/text()').extract_first()
category = li.xpath('./em/a/text()').extract_first() # 游戏类别
date = li.xpath('./em/text()').extract_first() # 日期
# 通过yield向管道传输数据
# dic = {
# 'name': name,
# 'category': category,
# 'date': date
# }
# 可以认为这里是把数据返回给了管道pipeline，
# 但是实际上是先给引擎，然后引擎再给管道，只是这个过程不用我们关心，scrapy会自动完成
# 如果只有一个数据，可以通过return返回，但是在scrapy中没人使用return，都是用yield的
# 另外，在scrapy中，只希望yield返回三个类型之一的数据：item、request、None
# 这里可以yield dic 返回字典，但是实际上并不希望这么干
# 而且如果换成了 yield [] 返回雷暴，就会报错：
# ERROR: Spider must return request, item, or None, got 'list'
# yield dic
# 我们现在不返回字典，而是返回真正推荐我们返回的格式之一：item
# 先导入GameItem类：from game.items import GameItem
# 然后创建它的实例，使用起来和字典类似
# 区别就是GameItem类里没有定义的字段，就不能使用，比如不能item['某个没有定义的字段']
item = GameItem()
# item['xxx'] 里的xxx要在类GameItem里定义有，否则就会报错
item['name'] = name
item['category'] = category
item['date'] = date
yield itemitems.py中的代码
import scrapy
class GameItem(scrapy.Item):
# 这里定义了三个字段，分别表示游戏的名称、类别和日期
name = scrapy.Field()
category = scrapy.Field()
date = scrapy.Field()
# 可以定义其他字段来表示不同的信息
class OtherItem(scrapy.Item):
pass管道程序pipelines.py中的代码
from itemadapter import ItemAdapter
# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:
def process_item(self, item, spider):
"""
接收爬虫通过引擎传递过来的数据
:param item: 具体的数据内容
:param spider: 对应传递数据的爬虫程序
:return:
"""
print(item) # {'name': '武器升级', 'category': '休闲类', 'date': '2024-01-06'}
print(spider) # <Game4399Spider 'game_4399' at 0x22867dafc70>
return item # 把数据传递给下一个管道
# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:
def process_item(self, item, spider):
# 比如这里给传递过来的数据添加一个新的字段
# 此时传递过来的item不再是字典，而是GameItem类对象
# 由于GameItem类里没有定义字段new_field，所以不能使用，否则报错
# item['new_field'] = 'hello'
return item数据存储
我们一直说通过管道存储数据，但是上面的例子一直未涉及，现在来讲解怎么把数据进行持久化存储。在上面的例子中，我们已经在管道程序里拿到了引擎传递过来的数据，现在就可以把这些数据存储起来。
首先，先来说一说数据存储的几种方案：
- 存入.csv文件，这类数据一般用于数据分析
- 存入MySQL数据库
- 存入mangodb数据库
- 写入文件，如图片、视频、文字等数据
下面以存入csv文件为例（存入MySQL的也列举了一个模板，mango数据库的操作和MySQL基本一致，但是由于我对mango不熟悉，所以不写了，需要的可以百度一下）
settings文件中的代码
ITEM_PIPELINES = { # 管道程序的所在路径：优先级 # 300 表示管道的优先级，数字越小优先级越高 # 优先级高的管道会比优先级低的管道先拿到数据 "game.pipelines.GamePipeline": 300, "game.pipelines.GameMySqlPipeline": 300, # 优先级比GamePipeline高，可以通过运行结果看出 "game.pipelines.OtherPipeline": 299 }# 配置MySQL MYSQL = { "host": "localhost", # 主机 "port": 3306, # 端口 "user": "xxx", # 用户名 "password": "xxx", # 密码 "database": "xxx" # 数据库名称 }
pipelines.py的代码：
import pymysql
# 导入MySQL配置
from game.settings import MYSQL
# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GamePipeline:
def __init__(self):
self.f = None
def open_spider(self, spider):
""""""
print('爬虫开始了...')
self.f = open('./game_data.csv', mode='a', encoding='utf-8')
def process_item(self, item, spider):
"""
接收爬虫通过引擎传递过来的数据
:param item: 具体的数据内容
:param spider: 对应传递数据的爬虫程序
:return:
"""
print('爬虫进行中...')
# 把数据写入文件
# 写入模式是mode='a'，表示在文件里追加，不能是w，否则文件原本的内容会被覆盖
# 以下的这种方式效率不高，因为每传递一次数据，就要进行一次文件的打开的关闭操作
# with open('./game_data.csv', mode='a', encoding='utf-8') as f:
# f.write(f'{item["category"]}, {item["name"]}, {item["date"]}\n')
# 采取另一种方式
# scrapy 提供了两个方法open_spider()、close_spider()，分别会在爬虫开始时和爬虫结束后调用
self.f.write(f'{item["category"]}, {item["name"]}, {item["date"]}\n')
return item # 把数据传递给下一个管道
def close_spider(self, spider):
print('爬虫结束了...')
if self.f:
self.f.close()
# 默认情况下管道是不开启的，需要在settings文件中进行设置
class GameMySqlPipeline:
def __init__(self):
self.conn = None
def open_spider(self, spider):
print('爬虫开始了...')
# self.conn = pymysql.connect( # 创建数据库连接
# host='localhost', # 主机
# port=3306, # 端口
# user='xxx', # 用户名
# password='xxx', # 密码
# database='xxx' # 数据库名称
# )
# 可以向上面那样写，但是更好的办法是写在settings文件中
# 然后从settings文件中导入：from game.settings import MYSQL
self.conn = pymysql.connect( # 创建数据库连接
host=MYSQL['host'], # 主机
port=MYSQL['port'], # 端口
user=MYSQL['user'], # 用户名
password=MYSQL['password'], # 密码
database=MYSQL['database'] # 数据库名称
)
def process_item(self, item, spider):
"""
接收爬虫通过引擎传递过来的数据
:param item: 具体的数据内容
:param spider: 对应传递数据的爬虫程序
:return:
"""
print('爬虫进行中...')
# 把数据写入mysql数据库
# 下载数据库包并导入：pip install pymysql
# 确定自己的数据库中准备好了相应的数据表
try:
cursor = self.conn.cursor()
# 插入的sql语句
# (%s, %s, %s) 对应相应的字段类型，%s表示字符串类型
insert_sql = 'insert into 数据库表名 (字段1, 字段2, 字段3, ...) values (%s, %s, %s)'
# execute()的第二个参数是一个元祖，里面的每一个元素对应sql语句中的字段值
cursor.execute(insert_sql, (item['category'], item['name'], item['date']))
self.conn.commit() # 提交事务
except:
self.conn.rollback() # 出现异常，执行回滚操作
finally:
if cursor:
cursor.close()
return item # 把数据传递给下一个管道
def close_spider(self, spider):
print('爬虫结束了...')
if self.conn:
self.conn.close()
# 自定义一个管道程序
# 记得在settings文件中配置，否则不生效
class OtherPipeline:
def process_item(self, item, spider):
# 比如这里给传递过来的数据添加一个新的字段
# 此时传递过来的item不再是字典，而是GameItem类对象
# 由于GameItem类里没有定义字段new_field，所以不能使用，否则报错
# item['new_field'] = 'hello'
return item结尾
关于scrapy的基本使用，好像还有中间件这个内容，但是我看的那个视频教程这个部分好像漏掉了，反正就是没有笔记，需要了解的自行百度一下吧，或者看官方文档也行。
本人也是初学者，所以文章中有什么错误的地方，欢迎指正。
有一个对应的综合练习：scrapy框架爬取图片
