作者:蚍蜉撼大樹

這是Scrapy爬蟲框架的第一篇,本系列專題將包含以下內容:

  1. 介紹Scrapy框架的主體以及各個組件的意義;

  2. 舉實例講解其具體應用。

開始第一節:介紹Scrapy框架的主體以及各個組件的意義。

Scrapy是一個為了爬取網站數據,提取結構性數據而編寫的應用框架。可以應用在包括數據挖掘,信息處理或存儲歷史數據等一系列的程序中。

其最初是為了頁面抓取(更確切來說, 網絡抓取)所設計的, 也可以應用在獲取API所返回的數據(例如Amazon Associates Web Services ) 或者通用的網絡爬蟲。

安裝Scrapy需要一些依賴:

  • Python

  • Python Package: pip and setuptools. 現在pip 依賴setuptools ,如果未安裝,則會自動安裝setuptools 。

  • lxml.大多數Linux發行版自帶了lxml。如果缺失,請查看Installing lxml

  • OpenSSL. 除了Windows(請查看平台安裝指南)之外的系統都已經提供。

當安裝好這些依賴之後,只需要運行pip install Scrapy,即可安裝完Scrapy。

然後運行:

scrapy startproject tutorial

即可自動創建官方標準的代碼目錄。

tutorial/
    scrapy.cfg
    tutorial/
        __init__. py 
        items . py 
        pipelines. py 
        settings. py
        spiders/
            __init__. py 
            ...

其中:

  • tutorial/: 該項目的python總模塊。
  • tutorial/items.py: 項目中的item文件,編寫爬取的字段名稱等;
  • tutorial/pipelines.py: 項目中的pipelines文件;
  • tutorial/settings.py: 項目的設置文件,較為重要;
  • tutorial/spiders/: 放置spider代碼的主目錄;

Scrapy整體架構神圖:

Scrapy中的數據流由執行引擎控制,其過程如下:

  1. 引擎打開一個網站(open a domain),找到處理該網站的Spider並向該spider請求第一個要爬取的URL(s)。
  2. 引擎從Spider中獲取到第一個要爬取的URL並在調度器(Scheduler)以Request調度。
  3. 引擎向調度器請求下一個要爬取的URL。
  4. 調度器返回下一個要爬取的URL給引擎,引擎將URL通過下載中間件(請求(request)方向)轉發給下載器(Downloader)。
  5. 一旦頁面下載完畢,下載器生成一個該頁面的Response,並將其通過下載中間件(返回(response)方向)發送給引擎。
  6. 引擎從下載器中接收到Response並通過Spider中間件(輸入方向)發送給Spider處理。
  7. Spider處理Response並返回爬取到的Item及(跟進的)新的Request給引擎。
  8. 引擎將(Spider返回的)爬取到的Item給Item Pipeline,將(Spider返回的)Request給調度器。
  9. (從第二步)重複直到調度器中沒有更多地request,引擎關閉該網站。

以上是老生常談,下面談一些經驗:

  1. 如果需要大批量分佈式爬取,建議採用Redis數據庫存儲,可安裝scrapy-redis,使用redis數據庫來替換scrapy原本使用的隊列結構(deque),並配合其它數據庫存儲,例如MySQL或者MongoDB,爬取效率將會極大提高。並且其自帶的dupefilter.py負責執行requst的去重,使用redis的set數據結構,通過settings文件正確設置後,即便停止scrapy爬蟲,當下次重新開始後也能自動去重。原因就是在redis已經存儲了request的信息。
  2. 當涉及到代理IP,Headers頭中間請求信息處理的時候,可以通過中間件Middleware來實現。Spider中間件是介入到Scrapy的spider處理機制的鉤子框架,可以添加代碼來處理髮送給Spiders的response及spider產生的item和request。
  3. 合理設置settings文件,需要熟練掌握settings 的各種設置。
  4. 可以重新定義def start_requests(self)函數來加載cookie信息,form信息的提交用scrapy.FormRequest以及scrapy.FormRequest.from_response這兩個函數,scrapy.FormRequest.from_response能實現自動提交form數據。
  5. 採用Scrapy+phantomJS,。downloadMiddleware 對從scheduler 送來的Request 對像在請求之前進行預處理,可以實現添加headers, user_agent,還有cookie 等功能。但也可以通過中間件直接返回HtmlResponse 對象,略過請求的模塊,直接扔給response 的回調函數處理。
class  CustomMetaMiddleware (object) : 
    def  process_request (self,request,spider) :
        dcap = dict(DesiredCapabilities.PHANTOMJS)     
        dcap[ "phantomjs.page.settings.loadImages" ] = False   
        dcap[ "phantomjs.page.settings.resourceTimeout" ] = 10 
        driver = webdriver.PhantomJS( "D:xx\xx" ,desired_capabilities=dcap)
        driver.get(request.url)
        body = driver.page_source.encode( 'utf8' )
        url = driver.current_url
        driver.quit()
        return HtmlResponse(request.url,body=body)

綜上,是對Scrapy的各個組件一些個人的經驗總結。

via:知乎

End.

轉貼自: 36大數據


留下你的回應

以訪客張貼回應

0

在此對話中的人們

熱門標籤雲

Tutuapp is an app store same as google play store but extends the limits more than google play store...
訪客 - Homework Help
Homework Help I personally like your post, you have shared good article. It will help me in great de...
訪客 - Nordictrack Treadmills Reviews 2018
Nordictrack Treadmills Reviews 2018 Great Information,it has lot for stuff which is informative.I wi...
訪客 - Do My Python Programming Project
Do My Python Programming Project John arnold is an academic writer of the Dissertation-Guidance. Who...
訪客 - Medical Thesis Help
Economicskey Provides quality Economics homework help for students. Medical Thesis Help