绵阳梓潼网站制作公司

scrapy框架的简单介绍-创新互联

这篇文章主要介绍“scrapy框架的简单介绍”，在日常操作中，相信很多人在scrapy框架的简单介绍问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”scrapy框架的简单介绍”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

创新互联于2013年成立，先为城关等服务建站，城关等地企业，进行企业商务咨询服务。为城关企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。

1.Scrapy五大基本构成

  • Scrapy框架主要由五大组件组成，分别是调度器(Scheduler)、下载器(Downloader)、爬虫（Spider）和实体管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)；

  • 调度器：可以假设成一个URL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；

  • 下载器：是所有组件中负担大的，用于高速地下载网络上的资源；

  • 爬虫：是用户最关心的部份，用户定制自己的爬虫，用于从特定的网页中提取自己需要的信息，也可以从中提取出链接，让Scrapy继续抓取下一个页面；

  • 实体管道：用于处理爬虫提取的实体，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；

  • Scrapy引擎：是整个框架的核心，用来控制调试器、下载器、爬虫，实际上引擎相当于计算机的CPU，控制着整个流程；

2.使用scrapy框架爬取网页数据

  • 第一步：首先要使用scrapy框架需要先安装它，可以使用pip安装scrapy框架，注意如果在Windows系统下直接使用pip命令行安装可能会报错，这时需要手动安装几个依赖库如wheel、lxml、Twisted、pywin32等，报错信息会提示你缺少哪个库。
    这里提一下Twisted插件的安装，它的下载地址为： https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted ， 进入后找到twisted，选择下载对应的版本，其中cp表示python版本，下载完成后进入终端，输入pip install Twisted-19.2.0-cp37-cp37m-win_amd64.whl，这里注意你下载的是哪个版本就输入哪个版本的文件名，安装完成后再输入pip install scrapy就能成功安装scrapy框架了；

  • 第二步：创建爬虫项目，创建储存 scrapy 文件夹scrapy_python，然后在命令行工具中cd进入这个项目路径，用 scrapy startproject  名称命令新建项目；

scrapy框架的简单介绍

这样我们就成功的创建了一个scrapy项目，我们在PyCharm中看看

scrapy框架的简单介绍

  • 第三步：可以在刚刚创建的项目的spiders文件夹中创建一个蜘蛛文件，用于爬取网页数据的，我们试着爬取一下csdn网站，那么新建蜘蛛的命令行是：scrapy genspider csdn www.csdn.net，其中csdn是你创建的蜘蛛的文件名，而www.csdn.net表示爬取的目标网址的域名，你想爬取哪个网站就使用哪个网站的域名。

  • 第四步：如果要启动我们创建的蜘蛛文件，我们可以使用命令行：scrapy crawl csdn，这里的csdn是蜘蛛文件中name的对应值；

scrapy框架的简单介绍

  • 第五步：想要测试爬去数据是否成功，我们可以在项目的模板中创建一个测试文件，如：start_spider.py，然后通过debug来进行项目调试，可以输出我们想要爬取的网页数据；

from scrapy.cmdline import execute
execute(["scrapy", "crawl", "csdn",])

  • 第六步：爬取数据时需要遵循爬虫协议，它用来限定爬虫程序可以爬取的内容范围，位于scrapy 项目的 settings.py文件中默认 ROBOTSTXT_OBEY = True，即遵守此协议，当我们想要爬取的内容不符合该协议但仍要爬取时，可以设置 ROBOTSTXT_OBEY = False，表示不遵守此协议；

  • 第七步：这样我们就可以开始使用Xpath选择器或者CSS选择器来解析想要爬取的页面数据了；

3.Xpath选择器的介绍

  • XPath的全称是XML Path Language，即XML路径语言，它是一种在结构化文档中定位信息的语言，XPath使用路径表达式来选取XML文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的；

  • 谓语用来查找某个特定的节点或者包含某个指定的值的节点，谓语嵌在方括号中，比如//body//a[1]表示选取属于body 子元素的第一个 a 元素，//a[ @href ]表示选取所有拥有名为 href 的属性的 a 元素等；

  • 除了索引、属性外，Xpath还可以使用便捷的函数来增强定位的准确性，如contains(s1,s2)表示如果s1中包含s2则返回true，反之返回false、text()表示获取节点中的文本内容、starts-with()表示从起始位置匹配字符串；

  • 使用XPath选取节点的常用语法有

表达式书写方式表达式意义
*选择HTML页面中任意的节点
/从根节点选取
//从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置
.选取当前节点
..选取当前节点的父节点
/bookstore/book[1]选取属于 bookstore 子元素的第一个 book 元素
/bookstore/book[last()]选取属于 bookstore 子元素的最后一个 book 元素
/bookstore/book[last()-1]选取属于 bookstore 子元素的倒数第二个 book 元素
//title[ @lang ]选取所有拥有名为 lang 的属性的 title 元素
//title[ @lang =’eng’]选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性
/bookstore/book[price>35.00]选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00
/bookstore/book[price>35.00]/title选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00
//*选取文档中的所有元素
//title[@*]选取所有带有属性的 title 元素
//book/title ， //book/price选取 book 元素的所有 title 和 price 元素
//title , //price选取文档中的所有 title 和 price 元素
child::book选取所有属于当前节点的子元素的 book 节点
child::text()选取当前节点的所有文本子节点
/bookstore/book/title选取所有 title 节点
/bookstore/book/price/text()选取 price 节点中的所有文本
//*任意元素

使用XPath

我们来通过XPath选择器爬取网站中我们想要爬取的信息，如下图我们来爬去今日推荐中的标题
scrapy框架的简单介绍

import scrapy
class CsdnSpider(scrapy.Spider):
    name = 'csdn'
    allowed_domains = ['www.csdn.net']
    start_urls = ['http://www.csdn.net/']
    def parse(self, response):
       # 选择所有class="company_name"的h4元素下的a元素的文本 
       result = response.xpath('//h4[@class="company_name"]/a/text()').extract()
       # 将得到的文本列表循环 
       for i in result:
           print(i)

我们来看一下输出打印，看看是不是我们想要的结果

scrapy框架的简单介绍

到此，关于“scrapy框架的简单介绍”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联-成都网站建设公司网站，小编会继续努力为大家带来更多实用的文章！


名称栏目：scrapy框架的简单介绍-创新互联
链接URL：http://myzitong.com/article/cdideo.html

其他资讯