有半個月沒有更新了，最近確實有點忙。先是華為的比賽，接着實驗室又有項目，然后又學習了一些新的知識，所以沒有更新文章。為了表達我的歉意，我給大家來一波福利。。。（我的新書《Python爬蟲開發與項目實戰》出版了，大家可以看一下樣章）
今天咱們說的是爬蟲框架。之前我使用python爬取慕課網的視頻，是根據爬蟲的機制，自己手工定制的，感覺沒有那么高大上，所以我最近玩了玩 python中強大的爬蟲框架Scrapy。
Scrapy是一個用 Python 寫的 Crawler Framework ，簡單輕巧，並且非常方便。Scrapy 使用 Twisted 這個異步網絡庫來處理網絡通訊，架構清晰，並且包含了各種中間件接口，可以靈活的完成各種需求。整體架構如下圖所示：
綠線是數據流向，首先從初始 URL 開始，Scheduler 會將其交給 Downloader 進行下載，下載之后會交給 Spider 進行分析，Spider 分析出來的結果有兩種：一種是需要進一步抓取的鏈接，例如之前分析的“下一頁”的鏈接，這些東西會被傳回 Scheduler ；另一種是需要保存的數據，它們則被送到 Item Pipeline 那里，那是對數據進行后期處理（詳細分析、過濾、存儲等）的地方。另外，在數據流動的通道里還可以安裝各種中間件，進行必要的處理。
簡要介紹了Scrapy的工作流程，咱們開始直奔主題，使用Scrapy爬取美女圖片。
大家注意今天不是講Scrapy基礎教程，咱們在之后的七夜音樂台開發的時候會講解。所以咱們今天直接上手。
以 煎蛋網(http://jandan.net)為例:
咱們來到煎蛋網首頁，其中有一個欄目是妹子，今天的目標就是它。
圖片的分類是按頁進行排列，咱們要爬取所有的圖片需要模擬翻頁。
打開火狐中的firebug,審查元素。
這是咱們需要的圖片鏈接，只要獲取這個鏈接，進行下載就可以了。
咱們看看翻頁后的鏈接是什么？？？
咱們只要解析出紅線圈出的這個標簽，就可以知道下一頁的鏈接了，就是這么簡單。好了，這時候就可以寫代碼了。。。
打開cmd，輸入scrapy startproject jiandan,這時候會生成一個工程，然后我把整個工程復制到pycharm中(還是使用IDE開發快)。
上圖就是工程的結構。
jiandanSpider.py ------Spider 蜘蛛
items.py -----------------對要爬取數據的模型定義
pipelines.py-------------咱們最終要存儲的數據
settings.py----------------對Scrapy的配置
接下來我把代碼貼一下:
jiandanSpider.py:
#coding:utf-8
import scrapy
from jiandan.items import JiandanItem
from scrapy.crawler import CrawlerProcess
class jiandanSpider(scrapy.Spider):
name = 'jiandan'
allowed_domains = []
start_urls = ["http://jandan.net/ooxx"]
def parse(self, response):
item = JiandanItem()
item['image_urls'] = response.xpath('//img//@src').extract()#提取圖片鏈接
# print 'image_urls',item['image_urls']
yield item
new_url= response.xpath('//a[@class="previous-comment-page"]//@href').extract_first()#翻頁
# 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()#圖片的鏈接
pipelines.py:
# -*- coding: utf-8 -*-
import os
import urllib
from jiandan import settings
class JiandanPipeline(object):
def process_item(self, item, spider):
dir_path = '%s/%s'%(settings.IMAGES_STORE,spider.name)#存儲路徑
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]#圖片名稱
# 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)#下載圖片
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
最后咱們開始運行程序，cmd切換到工程目錄，
輸入scrapy crawl jiandan，啟動爬蟲。。。
大約20分鍾左右，爬蟲工作結束。。。
咱們去看看美女圖吧，居然有1.21G。。。
今天的分享就到這里，如果大家覺得還可以呀，記得打賞呦。
歡迎大家支持我公眾號:
本文章屬於原創作品,歡迎大家轉載分享。尊重原創,轉載請注明來自:七夜的故事 http://www.cnblogs.com/qiyeboy/