scrapy框架简介和基础应用(python爬虫)

一.什么是scrapy?

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,非常出名,非常强悍,所谓的框架就是一个已经被集成了各种功能(高性能异步下载,队列,分布式,持久化等)的具有很强通用性的项目模板,对于框架学习,重点是要学习其框架的特性,各个功能的用法即可.

二.安装

　　Linux：

      pip3 install scrapy
 
　　Windows：

      a. pip3 install wheel

      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted

      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl

      d. pip3 install pywin32

      e. pip3 install scrapy

 三.基础使用

1.创建项目: scrapy startproject 项目名称

项目结构:

project_name/
   scrapy.cfg：
   project_name/
       __init__.py
       items.py
       pipelines.py
       settings.py
       spiders/
           __init__.py

scrapy.cfg    项目的主配置信息.(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     数据持久化处理
settings.py   配置文件,如:递归的层数,并发数,延迟下载等
spider        爬虫目录, 如:创建文件,编写爬虫解析规则

 

 2.创建爬虫引用程序:

    cd project_name (进入项目目录)

    scrapy genspider <应用名称> <爬取网页的起始url> (例如：scrapy genspider qiubai www.qiushibaike.com)

 

3.编写爬虫文件:在步骤2执行完毕之后,在项目的spider中生成一个应用名的py爬虫文件,文件源码如下:

# -*- coding: utf-8 -*-
import scrapy

class QiubaiSpider(scrapy.Spider):
    name = 'qiubai' #应用名称
    #允许爬取的域名（如果遇到非该域名的url则爬取不到数据）
    allowed_domains = ['https://www.qiushibaike.com/']
    #起始爬取的url
    start_urls = ['https://www.qiushibaike.com/']

     #访问起始URL并获取结果后的回调函数，该函数的response参数就是向起始的url发送请求后，获取的响应对象.该函数返回值必须为可迭代对象或者NUll 
     def parse(self, response):
        print(response.text) #获取字符串类型的响应内容
        print(response.body)#获取字节类型的相应内容

View Code