scrapy框架详解_bootstrap还有必要学吗

scrapy框架介绍：

框架就是一个集成了很多功能并且具有很强通用性的一个项目模板。

scrapy框架：是爬虫中封装好的一个明星框架。

功能：高性能的持久化存储，异步的数据下载，高性能的数据解析，分布式。

scrapy框架的基本使用：

—环境的安装：pip install scrapy

—创建一个工程：scrapy startproject xxxPro(项目名称)

-cd xxx ->scrapy genspider spiderName www.xxx.com(在spiders子目录中创建一个爬虫文件)

—执行工程： – scrapy crawl spiderName

例如：

scrapy数据解析操作：

对最新段子_搞笑段子_幽默段子 – 糗事大百科进行一个爬取，获取段子名称+内容

首先进入settings.py更改这些信息

爬虫文件代码

import scrapy class DemoSpider(scrapy.Spider): name = 'demo' #allowed_domains = ['www.xxx.com'] start_urls = ['http://www.qiushidabaike.com/'] def parse(self, response): dl_list = response.xpath('//div[@class="main-left fl"]/dl') for dl in dl_list: # xpath返回的是列表,但是列表元素一定是Selector类型的对象 # extract()可以将Selector对象中data参数存储的字符串提取出来 # author=dl.xpath('./dt/span/a/text()')[0].extract() author = dl.xpath('./dt/span/a/text()').extract_first() # 列表中只有一个元素可以使用extract_first() text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract() text = ''.join(text) print(author,text)

scrapy持久化存储：

-基于终端指令：

-要求：只可以将parse方法的返回值存储到本地的文本文件中

-注意：持久化存储对应的文本文件的类型只可以为：’json’, ‘jsonlines’, ‘jl’, ‘csv’, ‘xml’, ‘marshal’, ‘pickle

– 指令：scrapy crawl xxx -o filePath

– 好处：简介高效便捷

– 缺点：局限性比较强（数据只可以存储到指定后缀的文本文件中）

import scrapy class DemoSpider(scrapy.Spider): name = 'demo' #allowed_domains = ['www.xxx.com'] start_urls = ['http://www.qiushidabaike.com/'] def parse(self, response): dl_list = response.xpath('//div[@class="main-left fl"]/dl') all_data = [] for dl in dl_list: # xpath返回的是列表,但是列表元素一定是Selector类型的对象 # extract()可以将Selector对象中data参数存储的字符串提取出来 # author=dl.xpath('./dt/span/a/text()')[0].extract() author = dl.xpath('./dt/span/a/text()').extract_first() # 列表中只有一个元素可以使用extract_first() text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract() text = ''.join(text) dic = { 'author': author, 'text': text } all_data.append(dic) return all_data

– 基于管道：

– 编码流程：

– 数据解析

– 在item类中定义相关的属性

– 将解析的数据封装存储到item类型的对象

– 将item类型的对象提交给管道进行持久化存储的操作

– 在管道类的process_item中要将其接受到的item对象中存储的数据进行持久化存储操作

– 在配置文件中开启管道

– 好处：通用性强。

demo.py
import scrapy
from demo2.items import Demo2Item

class DemoSpider(scrapy.Spider):
    name = 'demo'
    #allowed_domains = ['www.xxx.com']
    start_urls = ['http://www.qiushidabaike.com/']

    def parse(self, response):
        #        解析作者的名称+段子内容
        dl_list = response.xpath('//div[@class="main-left fl"]/dl')
        for dl in dl_list:
            # xpath返回的是列表,但是列表元素一定是Selector类型的对象
            # extract()可以将Selector对象中data参数存储的字符串提取出来
            # author=dl.xpath('./dt/span/a/text()')[0].extract()
            author = dl.xpath('./dt/span/a/text()').extract_first()  # 列表中只有一个元素可以使用extract_first()
            text = dl.xpath('./dd[1]//text() | ./dd[1]/p//text()').extract()
            text = ''.join(text)
            item = Demo2Item()
            item['author'] = author
            item['text'] = text
            yield item  # 将item提交给了管道

items.py
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class Demo2Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    author = scrapy.Field()
    text = scrapy.Field()
    pass


pipelines.py
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter


class Demo2Pipeline:
    fp=None
    #重写父类的一个方法：该方法只会在开始爬虫的时候被调用一次
    def open_spider(self,spider):
        print('爬虫开始！')
        self.fp = open('./qiushi.txt','w',encoding='utf-8')
    #该方法用来接受爬虫文件提交过来的item对象
    def process_item(self, item, spider):
        author=item['author']
        text=item['text']
        self.fp.write(author+':'+text+'\n')
        return item #传递给下一个即将被执行的管道类

    def close_spider(self,spider):
        print('爬虫结束！')
        self.fp.close()

settings.py中开启管道

运行：

结果:

将爬取到的数据一份存储到本地一份存储到数据库，如何实现？

– 管道文件中一个管道类对应的是将数据存储到一种平台

– 爬虫文件提交的item只会给管道文件中第一个被执行的管道类接受

– process_item中的return item表示将item传递给下一个即将被执行的管道类

pipelines.py from itemadapter import ItemAdapter import pymysql class Demo2Pipeline: fp=None #重写父类的一个方法：该方法只会在开始爬虫的时候被调用一次 def open_spider(self,spider): print('爬虫开始！') self.fp = open('./demo.txt','w',encoding='utf-8') #该方法用来接受爬虫文件提交过来的item对象 def process_item(self, item, spider): author=item['author'] text=item['text'] self.fp.write(author+':'+text+'\n') return item #传递给下一个即将被执行的管道类 def close_spider(self,spider): print('爬虫结束！') self.fp.close() class mysqlPileLine: conn=None cursor = None def open_spider(self,spider): self.coon = pymysql.Connect(host='127.0.0.1',user='root',password='',db='rxkc',charset='utf8') def process_item(self, item, spider): self.cursor=self.coon.cursor() try: self.cursor.execute('insert into qiushi values("%s","%s")'%(item["author"],item["text"])) self.coon.commit() except Exception as e: print(e) self.coon.rollback() return item def close_spider(self,spider): self.cursor.close() self.coon.close()

settings.py中开启管道