【读书笔记】_爬虫

使用urllib模块爬取图片并下载到本地

爬去图片下载到本地

python爬虫框架-Scrapy

学习自：http://python.jobbole.com/86405/

整体架构

1.1、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)

1.2、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

1.3、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)

1.4、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

1.5、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。

1.6、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。

1.7、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。

1.8、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。

1.9、Scrapy运行流程大概如下：

(1).引擎从调度器中取出一个链接(URL)用于接下来的抓取

(2).引擎把URL封装成一个请求(Request)传给下载器

(3).下载器把资源下载下来，并封装成应答包(Response)

(4).爬虫解析Response

(5).解析出实体（Item）,则交给实体管道进行进一步的处理

(6).解析出的是链接（URL）,则把URL交给调度器等待抓取

2、Scrapy安装

2.1、pip install Scrapy

问题：遇到提示Unknown or unsupported command 'install'

解决方法：(1).where pip  查看应该有多个pip  (2).cd到pip.exe目录下执行上述命令

2.2、安装.egg后缀文件

(1).拷贝.egg文件到python\scripts目录下

(2).执行easy_install xxx.egg

(3)python命令下， import导入的模块，检测模块安装是否成功

2.3、具体安装顺序

按照http://blog.csdn.net/shanshanhi/article/details/51832633中的说明去安装，scrapy是安装成了，但是scrapy  startproject jianshu失败，还未解决，所以实际的框架还不能用，出错信息是“error: command 'C:\\Users\\rainer\\AppData\\Local\\Programs\\Common\\Microsoft\\Visual C++ forPython\\9.0\\VC\\Bin\\cl.exe' failed with exit status2”。

出错页面

解决方法：set STATICBUILD=true && pip install cryptography 安装

http://blog.csdn.net/u014301340/article/details/45100361

其后还有其他一些组件，也可以使用相同的方法安装，最后成功了

3、Scrapy基本使用

3.1、创建项目

scrapy startproject tutorial

scrapy结构

3.2、文件说明

scrapy.cfg  项目的配置信息，主要为Scrapy命令行工具提供一个基础的配置信息。（真正爬虫相关的配置信息在settings.py文件中）

items.py    设置数据存储模板，用于结构化数据，如：Django的Model

pipelines    数据处理行为，如：一般结构化的数据持久化

settings.py 配置文件，如：递归的层数、并发数，延迟下载等

spiders      爬虫目录，如：创建文件，编写爬虫规则

3.3、编写爬虫程序

在spiders目录中新建 jianshu_spider.py 文件

3.4、运行爬虫程序

进入tutorial目录，运行命令

scrapy crawl jianshu --nolog

格式：scrapy crawl+爬虫名  –nolog即不显示日志

3.5、scrapy查询语法

(1).查询子子孙孙中的某个标签(以div标签为例)：//div

(2).查询儿子中的某个标签(以div标签为例)：/div

(3).查询标签中带有某个class属性的标签：//div[@class=’c1′]即子子孙孙中标签是div且class=‘c1’的标签

(4).查询标签中带有某个class=‘c1’并且自定义属性name=‘alex’的标签：//div[@class=’c1′][@name=’alex’]

(5).查询某个标签的文本内容：//div/span/text() 即查询子子孙孙中div下面的span标签中的文本内容

(6).查询某个属性的值（例如查询a标签的href属性）：//a/@href