Python3网络爬虫教程17——分布式爬虫Scrapy基础

上接：
Python3网络爬虫教程16——动态HTML（Selenium + Firefox/Chrome的使用）
https://blog.csdn.net/u011318077/article/details/86692354

1. Scrapy介绍

• 爬虫框架

  • scrapy 最常用
  • pyspider 一个小框架
  • crawley

• scrapy框架介绍

  • 官网:
    • http://www.scrapyd.cn/
  • 官方文档：
    • http://www.scrapyd.cn/doc/
    • https://doc.scrapy.org/en/latest/#

• scrapy安装

  • 安装参考
  • Scrapy安装说明及如何避坑
  • https://blog.csdn.net/u011318077/article/details/86661924

• scrapy概述

  • 包含的部件
    • ScrapyEngine: 神经中枢，大脑，核心
    • Scheduler调度器：引擎发来的request请求，调度器需要处理，然后交换引擎
    • Downloader下载器：把引擎发来的requests请求，得到response
    • Spider爬虫：负责把下载器得到的网页和结果进行分解，分解成数据和连接
    • ItemPipeline管道：详细处理Item
    • DownloaderMiddleware下载中间件：自定义下载功能的扩展组件
    • SpiderMiddleware爬虫中间件：对spider进行扩展

• scrapy工作原理

  • 参考：Scrapy工作原理.jpg
  • ScrapyEngine开始-Scheduler-Downloader-Spiders(数据到ItemPipeline,同时进行下一个循环ScrapyEngine)

• 爬虫项目创建流程

  • 新建项目：scrapy startproject xxx(项目文件夹名称)
    • 打开CMD窗口，CD命令切换到要放置爬虫项目文件夹下面，然后执行上述命令
    • 会自动爬虫项目的文件夹xxx,xxx文件夹里面有一个spiders的文件夹，还有一些py文件
  • 明确需要的目标和产出：编写item.py
  • 制作爬虫：地址 spider/xxspider.py
  • 存储内容：pipelines.py

2. Scrapy部件

2.1. ItemPipeline

• ItemPipeline
  • 爬虫提取出数据存入item后，item中保存的数据需要进一步的处理，比如清洗，去重，存储等
  • pipeline需要处理process_item函数
    • process_item:
      • spider提取出的item作为参数传入，同时传入的还有spider
      • 此方法必须实现
      • 必须返回一个item对象，被丢弃之后的item不会被之后的pipeline处理
  • init: 构造函数
    • 进行一些必要的参数初始化
  • open_spider(spider):
    • spider对象被开启时调用
  • close_spider(spider):
    • spider对象被关闭时调用

2.2. Spider

• Spider
  • 对应的是文件夹spiders下的文件
  • init: 初始化爬虫名称，start_urls列表
  • start_requests: 生成Requests对象交给Scrapy下载并返回response
  • parse：根据返回的response解析出相应的item，item自动进入pipeline：如果需要，
  • 解析出url,url自动交给requests模块，一直循环下去
  • start_request: 此方法仅能被调用一次，读取start_urls内容并启动循环过程
  • name；设置爬虫名称
  • start_urls: 设置开始第一批爬取的url
  • allow_domains: spider允许爬取的域名列表
  • log: 日志记录

2.3. DownloaderMiddleware（中间件）

• 中间件是处于引擎和下载器中间的一层组件
• 可以有很多个，被按循序加载执行
• 作用是对发出的请求和返回的结果进行预处理
• 在Middleware文件中
• 需要在settings中设置以便生效
• 编写中间件必须是scrapy.contrib.downloadermiddleware.DownloaderMiddleware的子类
• 一般一个中间件只完成一个功能
• 必须实现以下一个或者多个方法
  • process_request(self, request, spider)
    • 在request通过的时候被调用
    • 必须返回None或Response或Request或raise IgnoreRequest
  • process_response(self, request, response, spider)

3. 爬虫去重

• 去重

  • 为了防止爬虫陷入死循环，需要去重

  • 即在spider中的parse函数中，返回request的时候加上dont_filter=False参数

  • 语法

    myspider(scrapy.Spider):
    def parse(…):

          .......
          
          yield scrapy.Request(url=url, callback=self.parse, dont_filter=False)
    1
    2
    3

• 如何在scrapy使用selenium

  • 模拟浏览器很消耗资源，万不得已不使用

  • 使用可以放在中间件中的process_request函数中

  • 在函数中调用selenium，完成爬取后返回Response

  • 语法

    class MyMiddleWare(object):
    def process_request(…):

          # 调用selenium
          driver = webdriver.Chrome()
          html = driver.page_source
          driver.quit()
          
          return HtmlResponse(url=request.url, encoding='utf-8', body=html, request=request)
    1
    2
    3
    4
    5
    6

下接：
Python3网络爬虫教程18——分布式爬虫Scrapy实例（爬取一个页面）
https://blog.csdn.net/u011318077/article/details/86692598