有半个月没有更新了，最近确实有点忙。先是华为的比赛，接着实验室又有项目，然后又学习了一些新的知识，所以没有更新文章。为了表达我的歉意，我给大家来一波福利。。。（我的新书《Python爬虫开发与项目实战》发布了，大家在这里可以看到样章）
今天咱们说的是爬虫框架。之前我使用python爬取慕课网的视频，是根据爬虫的机制，自己手工定制的，感觉没有那么高大上，所以我最近玩了玩 python中强大的爬虫框架Scrapy。
Scrapy是一个用 Python 写的 Crawler Framework ，简单轻巧，并且非常方便。Scrapy 使用 Twisted 这个异步网络库来处理网络通讯，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。整体架构如下图所示：
绿线是数据流向，首先从初始 URL 开始，Scheduler 会将其交给 Downloader 进行下载，下载之后会交给 Spider 进行分析，Spider 分析出来的结果有两种：一种是需要进一步抓取的链接，例如之前分析的“下一页”的链接，这些东西会被传回 Scheduler ；另一种是需要保存的数据，它们则被送到 Item Pipeline 那里，那是对数据进行后期处理（详细分析、过滤、存储等）的地方。另外，在数据流动的通道里还可以安装各种中间件，进行必要的处理。
简要介绍了Scrapy的工作流程，咱们开始直奔主题，使用Scrapy爬取美女图片。
大家注意今天不是讲Scrapy基础教程，咱们在之后的七夜音乐台开发的时候会讲解。所以咱们今天直接上手。
以煎蛋网(http://jandan.net)为例子:
咱们来到煎蛋网首页，其中有一个栏目是妹子，今天的目标就是它。
图片的分类是按页进行排列，咱们要爬取所有的图片需要模拟翻页。
打开火狐中的firebug,审查元素。
这是咱们需要的图片链接，只要获取这个链接，进行下载就可以了。
咱们看看翻页后的链接是什么？？？
咱们只要解析出红线圈出的这个标签，就可以知道下一页的链接了，就是这么简单。好了，这时候就可以写代码了。。。
打开cmd，输入scrapy startproject jiandan,这时候会生成一个工程，然后我把整个工程复制到pycharm中(还是使用IDE开发快)。
上图就是工程的结构。
jiandanSpider.py ------Spider 蜘蛛
items.py -----------------对要爬取数据的模型定义
pipelines.py-------------咱们最终要存储的数据
settings.py----------------对Scrapy的配置
接下来我把代码贴一下:
jiandanSpider.py:
#coding:utf-8
import scrapy
from jiandan.items import JiandanItem
fromscrapy.crawler import CrawlerProcess
class jiandanSpider(scrapy.Spider):
name ='jiandan'
allowed_domains = []
start_urls = ["http://jandan.net/ooxx"]
defparse(self, response):
item = JiandanItem()
item['image_urls'] = response.xpath('//img//@src').extract()#提取图片链接
# print 'image_urls',item['image_urls']
yield item
new_url= response.xpath('//a[@class="previous-comment-page"]//@href').extract_first()#翻页
# print 'new_url',new_url
if new_url:
yield scrapy.Request(new_url,callback=self.parse)
items.py :
# -*- coding: utf-8 -*-
import scrapy
class JiandanItem(scrapy.Item):
# define the fields for your item here like:
image_urls=scrapy.Field()#图片的链接
pipelines.py:
# -*- coding: utf-8 -*-
importos
importurllib
from jiandan import settings
class JiandanPipeline(object):
def process_item(self, item, spider):
dir_path='%s/%s'%(settings.IMAGES_STORE,spider.name)#存储路径
print'dir_path',dir_path
if not os.path.exists(dir_path):
os.makedirs(dir_path)
for image_url in item['image_urls']:
list_name=image_url.split('/')
file_name=list_name[len(list_name)-1]#图片名称
# print 'filename',file_name
file_path='%s/%s'%(dir_path,file_name)
# print 'file_path',file_path
if os.path.exists(file_name):
continue
with open(file_path,'wb') as file_writer:
conn=urllib.urlopen(image_url)#下载图片
file_writer.write(conn.read())
file_writer.close()
return item
settings.py:
# -*- coding: utf-8 -*-
# Scrapy settings for jiandan project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#http://doc.scrapy.org/en/latest/topics/settings.html
#http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
BOT_NAME='jiandan'
SPIDER_MODULES=['jiandan.spiders']
NEWSPIDER_MODULE='jiandan.spiders'
ITEM_PIPELINES={
'jiandan.pipelines.JiandanPipeline':1,
}
IMAGES_STORE='E:'
DOWNLOAD_DELAY=0.25
最后咱们开始运行程序，cmd切换到工程目录，
输入scrapy crawl jiandan，启动爬虫。。。
大约20分钟左右，爬虫工作结束。。。
咱们去看看美女图吧，居然有1.21G。。。
今天的分享就到这里，如果大家觉得还可以呀，记得打赏呦。
感谢大家的关注，加我的微信，咱们进行交流。
网友评论