scrapy基本概念介绍
scrapy 命令行工具help：帮助信息（scrapy –help）
version：版本信息，可以添加-v查看scrapy各个组件的信息（scrapy version -v）
startproject：新建一个工程（scrapy startproject example）
genspider：产生一个spider（scrapy genspider example example.com）
list：查看本工程中包含的spiders
view：在浏览器中打开网页，这个网页就是scrapy处理的网页（scrapy view http://example.com）
parse：解析一个URL（使用对应的spider），打印结果
shell：可交互的scrapy爬取控制台
runspider：运行一个自包含的爬虫，即没有创建工程
bench：基准测试
scrapy的重要组件
Spider
基本介绍
Spider是一个类，它定义了怎样爬取一个网站，包括怎样跟踪链接、怎样提取数据。
执行流程：
- 根据start_urls产生初始Requests
- 解析responce
- 使用selector
- 存储items
zaobao Spider
基类介绍(scrapy.Spider)
属性
name：spider的名称，同一工程中唯一
allowed_domains：允许的域名
start_urls：初始urls
custom_settings：个性化设置，覆盖全局设置（settings.py）
crawler：抓取器，spider将绑定到它上面
settings：配置实例，包含工程中所有的配置变量
logger：日志实例
方法
from_crawler(crawler, *args, **kwargs)：类方法，用于创建spiders
start_requests()：生成初始的requests
make_requests_from_url(url)：根据url生成一个request
parse(response)：解析网页内容
log(message[, level, component])：兼容老版本
self.logger.info(“log内容”)
closed(reason)：当spider关闭的时候调用的方法
子类介绍
CrawlerSpider
最常用的spider，用于抓取普通网页
和基类比较增加了两个成员
rules：定义了一些抓取规则（链接怎么跟踪、使用哪一个parse函数解析此链接）
parse_start_url(response)：解析初始url产生的response
示例
XMLFeedSpiderCSVFeedSpiderSitemapSpiderSelectorscrapy默认使用Selector作为网页解析工具实例化
常用方法
[*]xpath
[*]css
[*]re
[*]extract
[*]extract_first
Item示例import scrapy
class Product(scrapy.Item):
name = scrapy.Field()
price = scrapy.Field()
stock = scrapy.Field()Item Pipeline作用
[*]清洗HTML数据
[*]验证抓取到的数据（检查是否有数据）
[*]检查是否重复（然后丢弃重复数据）
[*]存储数据到数据库中
示例
from scrapy.exceptions import DropItem
class PricePipeline(object):
vat_factor = 1.15
def process_item(self, item, spider):
if item['price']:
if item['price_excludes_vat']:
item['price'] = item['price'] * self.vat_factor
return item
else:
raise DropItem("Missing price in %s" % item)
激活pipeline在settings.py里面设置ITEM_PIPELINES = {
'myproject.pipelines.PricePipeline': 300
}优先级0-1000，越小越优先
Feed exports
存储抓取到的数据
jsonjson linescsvxmlscrapy的重要对象
Request
scrapy.http.Request的初始化参数 url：必须callbackmethod=‘GET’headersbodycookiesmetaencoding=’utf-8’priority=0don’t_filter=Falseerrback其它属性 urlmethodheadersbodycookiesmetacopy()replace()示例- 子类
FormRequest实现登陆功能class scrapy.http.FormRequest(url[, formdata…])示例
Response
scrapy.http.Response的初始化参数
url：必须参数
status=200
headers
body
flags
其他成员
url
status
headers
body
resquest
meta
flags
copy()
replace()
urljoin(url)
子类
scrapy.http.TextResponse(它有两个子类)
scrapy.http.HtmlResponse
scrapy.http.XmlResponse
感谢分享
页:
[1]
