Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
Scrapy吸引人的地方在于它是一个框架,任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类,如BaseSpider、sitemap爬虫等,最新版本又提供了web2.0爬虫的支持。
Scrapy主要包括了以下组件:
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应。下面我们用Python爬取
1 、抓取某院网站MM照片MM的照片
2.抓取每一个MM的资料简介以及写真图片
3.把每一个MM的写真图片按照文件夹保存到本地
4.熟悉文件保存的过程
1.URL的格式
在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1,问号前面是基地址,后面的参数page是代表第几页,可以随意更换地址。点击开之后,会发现有一些淘宝MM的简介,并附有超链接链接到个人详情页面。
我们需要抓取本页面的头像地址,MM姓名,MM年龄,MM居住地,以及MM的个人详情页面地址。
2.抓取简要信息
相信大家经过上几次的实战,对抓取和提取页面的地址已经非常熟悉了,这里没有什么难度了,我们首先抓取本页面的MM详情页面地址,姓名,年龄等等的信息打印出来,直接贴代码如下
Python
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | __author__='CQC' # -*- coding:utf-8 -*- importurllib importurllib2 importre classSpider: def__init__(self): self.siteURL='http://mm.taobao.com/json/request_top_list.htm' defgetPage(self,pageIndex): url=self.siteURL+"?page="+str(pageIndex) printurl request=urllib2.Request(url) response=urllib2.urlopen(request) returnresponse.read().decode('gbk') defgetContents(self,pageIndex): page=self.getPage(pageIndex) pattern=re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S) items=re.findall(pattern,page) foritem initems: printitem[0],item[1],item[2],item[3],item[4] spider=Spider() spider.getContents(1) |
运行结果如下
2.文件写入简介
在这里,我们有写入图片和写入文本两种方式
1)写入图片
Python
1 2 3 4 5 6 7 | 运行结果如下 QQ截图20150220234132 2.文件写入简介 在这里,我们有写入图片和写入文本两种方式 1)写入图片 |
2)写入文本
Python
1 2 3 4 5 | defsaveBrief(self,content,name): fileName=name+"/"+name+".txt" f=open(fileName,"w+") printu"正在偷偷保存她的个人信息为",fileName f.write(content.encode('utf-8')) |
3)创建新目录
Python
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | #创建新目录 defmkdir(self,path): path=path.strip() # 判断路径是否存在 # 存在 True # 不存在 False isExists=os.path.exists(path) # 判断结果 ifnotisExists: # 如果不存在则创建目录 # 创建目录操作函数 os.makedirs(path) returnTrue else: # 如果目录存在则不创建,并提示目录已存在 returnFalse |
3.代码完善
主要的知识点已经在前面都涉及到了,如果大家前面的文章都已经看了,完成这个爬虫不在话下,具体的详情在此不再赘述,直接帖代码啦。
Python
1 | spider.py |
Python
1 2 3 4 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 | __author__='CQC' # -*- coding:utf-8 -*- importurllib importurllib2 importre importtool importos #抓取MM classSpider: #页面初始化 def__init__(self): self.siteURL='http://mm.taobao.com/json/request_top_list.htm' self.tool=tool.Tool() #获取索引页面的内容 defgetPage(self,pageIndex): url=self.siteURL+"?page="+str(pageIndex) request=urllib2.Request(url) response=urllib2.urlopen(request) returnresponse.read().decode('gbk') #获取索引界面所有MM的信息,list格式 defgetContents(self,pageIndex): page=self.getPage(pageIndex) pattern=re.compile('<div class="list-item".*?pic-word.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name.*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S) items=re.findall(pattern,page) contents=[] foritem initems: contents.append([item[0],item[1],item[2],item[3],item[4]]) returncontents #获取MM个人详情页面 defgetDetailPage(self,infoURL): response=urllib2.urlopen(infoURL) returnresponse.read().decode('gbk') #获取个人文字简介 defgetBrief(self,page): pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S) result=re.search(pattern,page) returnself.tool.replace(result.group(1)) #获取页面所有图片 defgetAllImg(self,page): pattern=re.compile('<div class="mm-aixiu-content".*?>(.*?)<!--',re.S) #个人信息页面所有代码 content=re.search(pattern,page) #从代码中提取图片 patternImg=re.compile('<img.*?src="(.*?)"',re.S) images=re.findall(patternImg,content.group(1)) returnimages #保存多张写真图片 defsaveImgs(self,images,name): number=1 printu"发现",name,u"共有",len(images),u"张照片" forimageURL inimages: splitPath=imageURL.split('.') fTail=splitPath.pop() iflen(fTail)>3: fTail="jpg" fileName=name+"/"+str(number)+"."+fTail self.saveImg(imageURL,fileName) number+=1 # 保存头像 defsaveIcon(self,iconURL,name): splitPath=iconURL.split('.') fTail=splitPath.pop() fileName=name+"/icon."+fTail self.saveImg(iconURL,fileName) #保存个人简介 defsaveBrief(self,content,name): fileName=name+"/"+name+".txt" f=open(fileName,"w+") printu"正在偷偷保存她的个人信息为",fileName f.write(content.encode('utf-8')) #传入图片地址,文件名,保存单张图片 defsaveImg(self,imageURL,fileName): u=urllib.urlopen(imageURL) data=u.read() f=open(fileName,'wb') f.write(data) printu"正在悄悄保存她的一张图片为",fileName f.close() #创建新目录 defmkdir(self,path): path=path.strip() # 判断路径是否存在 # 存在 True # 不存在 False isExists=os.path.exists(path) # 判断结果 ifnotisExists: # 如果不存在则创建目录 printu"偷偷新建了名字叫做",path,u'的文件夹' # 创建目录操作函数 os.makedirs(path) returnTrue else: # 如果目录存在则不创建,并提示目录已存在 printu"名为",path,'的文件夹已经创建成功' returnFalse #将一页淘宝MM的信息保存起来 defsavePageInfo(self,pageIndex): #获取第一页淘宝MM列表 contents=self.getContents(pageIndex) foritem incontents: #item[0]个人详情URL,item[1]头像URL,item[2]姓名,item[3]年龄,item[4]居住地 printu"发现一位模特,名字叫",item[2],u"芳龄",item[3],u",她在",item[4] printu"正在偷偷地保存",item[2],"的信息" printu"又意外地发现她的个人地址是",item[0] #个人详情页面的URL detailURL=item[0] #得到个人详情页面代码 detailPage=self.getDetailPage(detailURL) #获取个人简介 brief=self.getBrief(detailPage) #获取所有图片列表 images=self.getAllImg(detailPage) self.mkdir(item[2]) #保存个人简介 self.saveBrief(brief,item[2]) #保存头像 self.saveIcon(item[1],item[2]) #保存图片 self.saveImgs(images,item[2]) #传入起止页码,获取MM图片 defsavePagesInfo(self,start,end): foriinrange(start,end+1): printu"正在偷偷寻找第",i,u"个地方,看看MM们在不在" self.savePageInfo(i) #传入起止页码即可,在此传入了2,10,表示抓取第2到10页的MM spider=Spider() spider.savePagesInfo(2,10) |
Python
1 | tool.py |
Python
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 | __author__='CQC' #-*- coding:utf-8 -*- importre #处理页面标签类 classTool: #去除img标签,1-7位空格, removeImg=re.compile('<img.*?>| {1,7}| ') #删除超链接标签 removeAddr=re.compile('<a.*?>|</a>') #把换行的标签换为\n replaceLine=re.compile('<tr>|<div>|</div>|</p>') #将表格制表<td>替换为\t replaceTD=re.compile('<td>') #将换行符或双换行符替换为\n replaceBR=re.compile('<br><br>|<br>') #将其余标签剔除 removeExtraTag=re.compile('<.*?>') #将多行空行删除 removeNoneLine=re.compile('\n+') defreplace(self,x): x=re.sub(self.removeImg,"",x) x=re.sub(self.removeAddr,"",x) x=re.sub(self.replaceLine,"\n",x) x=re.sub(self.replaceTD,"\t",x) x=re.sub(self.replaceBR,"\n",x) x=re.sub(self.removeExtraTag,"",x) x=re.sub(self.removeNoneLine,"\n",x) #strip()将前后多余内容删除 returnx.strip() |
以上两个文件就是所有的代码内容,运行一下试试看,那叫一个爽啊
python对于小白来说,爬虫可能是一件非常复杂、技术门槛很高的事情。比如有人认为学爬虫必须精通 Python,然后系统学习 Python 的每个知识点,很久之后发现仍然爬不了数据;有的人则认为先要掌握网页的知识,遂开始 HTML\CSS,结果入了前端的坑,好了,知识今天就分享到这里,想学习了解更多,欢迎在下面评论区留言和小编交流。