Scrapy 使用记录
一、执行流程🐟
-
组件说明
- Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
- Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
- Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
- Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器).
- Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方。
- Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
- Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)
-
执行流程说明:
- 引擎:Hi!Spider, 你要处理哪一个网站?
- Spider:老大要我处理xxxx.com。
- 引擎:你把第一个需要处理的URL给我吧。
- Spider:给你,第一个URL是xxxxxxx.com。
- 引擎:Hi!调度器,我这有request请求你帮我排序入队一下。
- 调度器:好的,正在处理你等一下。
- 引擎:Hi!调度器,把你处理好的request请求给我。
- 调度器:给你,这是我处理好的request
- 引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求
- 下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)
- 引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)
- Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。
- 引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。
- 管道调度器:好的,现在就做!
注意!只有当调度器中不存在任何request了,整个程序才会停止,(也就是说,对于下载失败的URL,Scrapy也会重新下载。)
二、搭建环境🐟
安装pyenv🐟
# 若提示访问raw网站失败,则复制内容到本地 pyenv-installer.sh ,再执行 `bash pyenv-installer.sh`
curl https://pyenv.run | bash
配置
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'command -v pyenv >/dev/null || export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.profile
echo 'command -v pyenv >/dev/null || export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.profile
echo 'eval "$(pyenv init -)"' >> ~/.profile
创建python环境🐟
安装依赖
sudo apt update
sudo apt install build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev curl git libncursesw5-dev xz-utils tk-dev libxml2-dev libxmlsec1-dev libffi-dev liblzma-dev
安装scrapy依赖🐟
三、简单示例🐟
-
1.创建项目
-
2.创建spider
vim bilibili/bilibili/spiders/quotes_spider.pyfrom pathlib import Path import scrapy class QuotesSpider(scrapy.Spider): name = "quotes" start_urls = [ "https://quotes.toscrape.com/page/1/", ] def parse(self, response): for quote in response.css("div.quote"): yield { "text": quote.css("span.text::text").get(), "author": quote.css("small.author::text").get(), "tags": quote.css("div.tags a.tag::text").getall(), } # next_page = response.css("li.next a::attr(href)").get() # if next_page is not None: # next_page = response.urljoin(next_page) # urljoin-补充请求前缀 # yield scrapy.Request(next_page, callback=self.parse) # next_page = response.css("li.next a::attr(href)").get() # if next_page is not None: # yield response.follow(next_page, callback=self.parse) # response.follow 自动补全,返回的也是request # for href in response.css("ul.pager a::attr(href)"): # 分页 数组数据 # yield response.follow(href, callback=self.parse) # for a in response.css("ul.pager a"): # 自动获取 属性值 # yield response.follow(a, callback=self.parse) # anchors = response.css("ul.pager a") # 分页 数组数据 # yield from response.follow_all(anchors, callback=self.parse) yield from response.follow_all(css="ul.pager a", callback=self.parse)
-
执行爬虫
四、项目结构🐟
scrapy.cfg # 项目根目录下,项目配置文件
myproject/
__init__.py
items.py
middlewares.py
pipelines.py
settings.py
spiders/
__init__.py
spider1.py
spider2.py
...
五、使用selenium🐟
安装chrome🐟
wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb
pkg -i google-chrome*.deb # 如果出错,执行下一个命令
apt-get install -f
安装chromedriver🐟
https://googlechromelabs.github.io/chrome-for-testing/
# 查看谷歌版本号
google-chrome --version
# 安装对应的驱动
wget https://storage.googleapis.com/chrome-for-testing-public/126.0.6478.62/linux64/chromedriver-linux64.zip
# 解压到python环境下
unzip -d ~/.pyenv/versions/spider/bin/ chromedriver-linux64.zip
ref:
创建日期:
June 11, 2024 23:14:45
最后更新: July 2, 2024 23:38:22
最后更新: July 2, 2024 23:38:22