Scrapy Scrapy 是一個位了爬取網站數據，提取數據結構性數據而編寫的應用框架，少量代碼，就能快速爬取，使用了Twisted 非同步網路框架，加快我們下載速度! 工作流程 製作 Scrapy 爬蟲 一共需要4步： 新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項 ...
Scrapy
Scrapy 是一個位了爬取網站數據，提取數據結構性數據而編寫的應用框架，少量代碼，就能快速爬取，使用了Twisted 非同步網路框架，加快我們下載速度!
工作流程
製作 Scrapy 爬蟲 一共需要4步：
新建項目 (scrapy startproject xxx)：新建一個新的爬蟲項目 明確目標 （編寫items.py）：明確你想要抓取的目標 製作爬蟲 （spiders/xxspider.py）：製作爬蟲開始爬取網頁 存儲內容 （pipelines.py）：設計管道存儲爬取內容 Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。 Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。 Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的所有Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理， Spider（爬蟲）：它負責處理所有Responses,從中分析提取數據，獲取Item欄位需要的數據，並將需要跟進的URL提交給引擎，再次進入Scheduler(調度器). Item Pipeline(管道)：它負責處理Spider中獲取到的Item，併進行進行後期處理（詳細分析、過濾、存儲等）的地方。 Downloader Middlewares（下載中間件）：你可以當作是一個可以自定義擴展下載功能的組件。 Spider Middlewares（Spider中間件）：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件（比如進入Spider的Responses;和從Spider出去的Requests）Scrapy的運作流程
代碼寫好，程式開始運行... 1 引擎：Hi！Spider, 你要處理哪一個網站？ 2 Spider：老大要我處理xxxx.com。 3 引擎：你把第一個需要處理的URL給我吧。 4 Spider：給你，第一個URL是xxxxxxx.com。 5 引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。 6 調度器：好的，正在處理你等一下。 7 引擎：Hi！調度器，把你處理好的request請求給我。 8 調度器：給你，這是我處理好的request 9 引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求 10 下載器：好的！給你，這是下載好的東西。（如果失敗：sorry，這個request下載失敗了。然後引擎告訴調度器，這個request下載失敗了，你 記錄一下，我們待會兒再下載） 11 引擎：Hi！Spider，這是下載好的東西，並且已經按照老大的下載中間件處理過了，你自己處理一下（註意！這兒responses預設是交給def parse()這個函數處理的） 12 Spider：（處理完畢數據之後對於需要跟進的URL），Hi！引擎，我這裡有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。 13 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然後從第四步開始迴圈，直到獲取完老大需要全部信息。 14 管道調度器：好的，現在就做！ 註意！只有當調度器中不存在任何request了，整個程式才會停止，（也就是說，對於下載失敗的URL，Scrapy也會重新下載。）入門實例爬取（騰訊招聘）
準備環境：
1)創建項目 pip install scrapy scrapy startproject myspider 2)創建儀個爬蟲 scrapy genspider itcast(爬蟲名字) "itcast.cn"(限制網站的範圍) 3)啟動爬蟲 scrapy crawl itcast代碼：
1 ###設置item 欄位### 2 import scrapy 3 4 class MyspiderItem(scrapy.Item): 5 title = scrapy.Field() 6 position = scrapy.Field() 7 time = scrapy.Field() 8 address = scrapy.Field() 9 10 ###設置spiders 目錄下的爬蟲腳本，可以設置多個## 11 vim spiders/itcast.py 12 # -*- coding: utf-8 - 13 import scrapy 14 import sys 15 #之前設置好的items 導入進來 16 from myspider.items import MyspiderItem 17 18 class ItcastSpider(scrapy.Spider): 19 #spider.name 可以用於判斷 20 name = 'itcast' 21 #限制範圍 22 allowed_domains = ['tencent.com'] 23 start_urls = ['https://hr.tencent.com/position.php?lid=2218&tid=87'] 24 #parse方法不能修改，必須有 25 def parse(self, response): 26 tb_list = response.xpath("//table[@class='tablelist']/tr")[1:-1] 27 for tr in tb_list: 28 #字典對象 29 item = MyspiderItem() 30 item['title'] = tr.xpath("./td[1]/a/text()").extract_first() 31 item['position'] = tr.xpath("./td[2]/text()").extract_first() 32 item['address'] = tr.xpath("./td[4]/text()").extract_first() 33 item['time'] = tr.xpath("./td[5]/text()").extract_first() 34 yield item 35 #翻頁 36 next_url = response.xpath("//a[@id='next']/@href").extract_first() 37 print(next_url) 38 if next_url != "javascript:;": 39 next_url = "https://hr.tencent.com/" +next_url 40 print(next_url) 41 #下一頁請求，scrapy封裝好的request請求 42 yield scrapy.Request( 43 next_url, 44 callback=self.parse 45 ) 46 print("="*30) 47 48 ##設置存儲pipeline## 49 vim pipelines.py 50 # -*- coding: utf-8 -*- 51 import json 52 class MyspiderPipeline(object): 53 def process_item(self,item,spider): 54 #有判斷，以後可以寫多個piiline,來存儲 55 if spider.name == "itcast": 56 with open('temp.txt','a') as f: 57 #item 是一個對象，要轉成字典！ 58 json.dump(dict(item),f,ensure_ascii=False,indent=2) 59 60 61 ##設置setting 配置## 62 開啟pipelines,可以設置多個 63 64 ITEM_PIPELINES = { 65 'myspider.pipelines.MyspiderPipeline': 300, 66 'myspider.pipelines.XXXXPipeline': 300, 67 } 68 #不顯示日誌 69 LOG_LEVEL = "WARNING" 70 71 ##瀏覽器頭 72 USER_AGENT = 'Mozilla/5.0 (iPad; CPU OS 11_0 like Mac OS X) AppleWebKit/604.1.34 (KHTML, like Gecko) Version/11.0 Mobile/15A5341f Safari/604.1'
