Scrapy抓取京东商品、豆瓣电影及代码分享
1.scrapy基本了解 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。可以应用在包括数据挖掘, 信息处理或存储历史数据等一系列的程序中。其最初是为了页面抓取(更确切来说,网络抓取)所设计的,也可以应用在获取API所返回的数据(比如Web Services)或者通用的网络爬虫。 Scrapy也能帮你实现高阶的爬虫框架,比如爬取时的网站认证、内容的分析处理、重复抓取、分布式爬取等等很复杂的事。 Scrapy主要包括了以下组件:
Scrapy运行流程大概如下: 2.引擎把URL封装成一个请求(Request)传给下载器,下载器把资源下载下来,并封装成应答包(Response) 3.然后,爬虫解析Response 4.若是解析出实体(Item),则交给实体管道进行进一步的处理。 5.若是解析出的是链接(URL),则把URL交给Scheduler等待抓取 2.安装scrapy 虚拟环境安装: 可以如下测试:
3.使用scrapy 在抓取之前,你需要新建一个Scrapy工程. 进入一个你想用来保存代码的目录,然后执行:
这个命令会在当前目录下创建一个新目录 tutorial,它的结构如下: |____scrapy.cfg |____tutorial | |______init__.py | |______init__.pyc | |____items.py | |____items.pyc | |____pipelines.py | |____settings.py | |____settings.pyc | |____spiders | | |______init__.py | | |______init__.pyc | | |____example.py | | |____example.pyc 这些文件主要是: scrapy.cfg: 项目配置文件 3.1. 定义Item items是将要装载抓取的数据的容器,它工作方式像 python 里面的字典,但它提供更多的保护,比如对未定义的字段填充以防止拼写错误通过创建scrapy.Item类,并且定义类型为 scrapy.Field 的类属性来声明一个Item.我们通过将需要的item模型化。在 tutorial 目录下的 items.py 文件中编辑。 3.2. 编写Spider Spider 是用户编写的类,用于从一个域(或域组)中抓取信息,定义了用于下载的URL的初步列表,如何跟踪链接,以及如何来解析这些网页的内容用于提取items。 这个方法负责解析返回的数据、匹配抓取的数据(解析为 item )并跟踪更多的 URL。 在 /tutorial/tutorial/spiders 目录下创建 example.py 3.3 .爬取 到项目根目录,然后运行命令
完整代码参考:https://github.com/AlexanLee/Spider 其中有题目中抓取京东和豆瓣的方法。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |