1.概念
‘‘‘一 Scrapy爬虫框架发送请求 ---> 获取响应数据 ---> 解析数据 ---> 保存数据
** Scarpy框架介绍 **
1、引擎(EGINE) 引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。
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的优先级队列, 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
3、下载器(DOWLOADER) 用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
4、爬虫(SPIDERS) SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
5、项目管道(ITEM PIPLINES) 在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作 下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response， 你可用该中间件做以下几件事： (1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website); (2) change received response before passing it to a spider; (3) send a new Request instead of passing received response to a spider; (4) pass response to a spider without fetching a web page; (5) silently drop some requests.
6、爬虫中间件(Spider Middlewares) 位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
** Scarpy安装 ** 1、pip3 install wheel 2、pip3 install lxml 3、pip3 install pyopenssl 4、pip3 install pypiwin32 5、安装twisted框架 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 安装下载好的twisted pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl
6、pip3 install scrapy
** Scarpy使用 ** 1、进入终端cmd - scrapy C:\Users\administortra>scrapy Scrapy 1.6.0 - no active project
2、创建scrapy项目 1.创建一个文件夹，专门用于存放scrapy项目 - D:\Scrapy_prject 2.cmd终端输入命令 scrapy startproject Spider_Project（ 项目名） - 会在 D:\Scrapy_prject文件夹下会生成一个文件 Spider_Project : Scrapy项目文件
3.创建爬虫程序 cd Spider_Project # 切换到scrapy项目目录下 # 爬虫程序名称 目标网站域名 scrapy genspider baidu www.baidu.com # 创建爬虫程序
3、启动scrapy项目，执行爬虫程序
# 找到爬虫程序文件进行执行 scrapy runspider只能执行某个 爬虫程序.py # 切换到爬虫程序执行文件目录下 - cd D:\Scrapy_prject\Spider_Project\Spider_Project\spiders - scrapy runspider baidu.py
# 根据爬虫名称找到相应的爬虫程序执行 scrapy crawl 爬虫程序名称 # 切换到项目目录下 - cd D:\Scrapy_prject\Spider_Project - scrapy crawl baidu‘‘‘2.如何使用
3.main.py
# from scrapy.cmdline import execute
# # 写终端的命令
# # scrapy crawl
# execute(["scrapy","crawl","baidu"])
from scrapy.cmdline import execute
# execute(["scrapy","genspider","lianjia","lianjia.com"])
# execute("scrapy crawl lianjia".split(" "))
execute("scrapy crawl --nolog lianjia".split(" "))
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
# response的类
from scrapy.http.response.html import HtmlResponse
class LianjiaSpider(scrapy.Spider):
name = ‘lianjia‘ # 爬虫程序名
# 只保留包含lianjia.com的url
allowed_domains = [‘lianjia.com‘] # 限制域名
# 存放初始请求url
start_urls = [‘https://bj.lianjia.com/ershoufang/‘]
def parse(self, response): # response返回的响应对象
# print(response)
# print(type(response))
# # 获取文本
# print(response.text)
# print(response.url)
# 获取区域列表url
area_list = response.xpath(‘//div[@data-role="ershoufang"]/div/a‘)
# 遍历所有区域列表
for area in area_list:
print(area)
‘‘‘
.extract()提取多个
.extract_first()提取一个
‘‘‘
# 1、区域名称
area_name = area.xpath(‘./text()‘).extract_first()
print(area_name)
# 2、区域二级url
area_url = ‘https://bj.lianjia.com/‘ + area.xpath(‘./@href‘).extract_first()
print(area_url)
# 会把area_url的请求响应数据交给callback方法
# yield后面跟着的都会添加到生成器中
yield Request(url=area_url, callback=self.parse_area)
def parse_area(self, response):
# print(response)
house_list = response.xpath(‘//ul[@class="sellListContent"]‘)
# print(house_list)
if house_list:
for house in house_list:
house_name = house.xpath(‘.//div[@class="title"]/a/text()‘).extract_first()
print(house_name)
house_cost = house.xpath(‘.//div[@class="totalPrice]/text()‘).extract_first() + ‘万‘
print(house_cost)
house_price = house.xpath(‘.//div[@class="unitPrice"]/span/text()‘).extract_first()
print(house_price)
pass
4.微信机器人
from wxpy import Bot
from pyecharts import Pie
import webbrowser
# 实例化一个微信机器人对象
bot = Bot()
# 获取到微信的所有好友
friends = bot.friends()
# 设定男性\女性\位置性别好友名称
attr = [‘男朋友‘, ‘女朋友‘, ‘人妖‘]
# 初始化对应好友数量
value = [0, 0, 0]
# 遍历所有的好友,判断这个好友是男性还是女性
for friend in friends:
if friend.sex == 1:
value[0] += 1
elif friend.sex == 2:
value[1] += 1
else:
value[2] += 1
# 实例化一个饼状图对象
pie = Pie(‘tank的好友们!‘)
# 图表名称str，属性名称list，属性所对应的值list，is_label_show是否现在标签
pie.add(‘‘, attr, value, is_label_show=True)
# 生成一个html文件
pie.render(‘friends.html‘)
# 打开html文件
webbrowser.open(‘friends.html‘)
原文地址：https://www.cnblogs.com/lhhhha/p/11067196.html
时间： 2024-10-07 17:16:36