scrapy框架核心知识Spider,Middleware,Item Pipeline,scrapy项目创建与启动,Scrapy-redis与分布式

scrapy项目创建与启动

创建项目

在你的工作目录下直接使用命令:

scrapy startproject scrapytutorial
1

运行后创建了一个名为scrapytutorial的爬虫工程

创建spider

在爬虫工程文件内，运行以下命令：

scrapy genspider quotes
1

创建了名为quotes的爬虫

修改爬虫代码，实现自己想要的爬虫逻辑

启动爬虫

在爬虫项目目录下，运行:

scrapy crawl quotes
1

即可运行爬虫

Spider

在scrapy中，网站的链接配置，抓取逻辑，解析逻辑都是在spider内配置。

start_requests

分析以下简单的爬虫代码：

import scrapy

class HttpbinspiderSpider(scrapy.Spider):
    # 定义 Spider 的名称
    name = "httpbinspider"
    
    # 设置允许爬取的域名
    allowed_domains = ["www.httpbin.org"]
    
    # 定义起始 URL
    start_uri = 'https://www.httpbin.org/get'

    # 定义 Spider 的起始请求
    def start_requests(self):
        # 使用循环生成多个请求，这里生成了 1 到 5 的 offset 参数
        for offset in range(1, 6):
            url = self.start_uri + f'?offset={offset}'
            
            # 生成请求，并指定回调函数为 parse
            # 同时将 offset 通过 meta 传递给回调函数
            yield scrapy.Request(url, callback=self.parse, meta={'offset': offset})

    # 定义数据处理逻辑
    def parse(self, response):
        # 打印 offset 和响应文本
        print(f"===============offset {response.meta['offset']}=========")
        print(response.text)
        
        # 打印 meta 数据，这里包含了在 start_requests 中传递的 offset
        print(response.meta)


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
31
32

这里我重写了start_requests方法，使用scrapy.Request构造了5个GET请求，并使用yield方法发送到下载器用于下载，同时指定了响应的解析回调函数，并通过meta参数传递offset参数。

简要说明：
name：定义 Spider 的名称。
allowed_domains：定义允许爬取的域名。
start_uri：定义起始 URL。
start_requests：生成起始请求，使用循环生成多个带有不同 offset 参数的请求，每个请求的回调函数是 parse。
parse：处理响应的回调函数，打印 offset、响应文本和 meta 数据。
1
2
3
4
5
6

spider发送GET请求

使用scrapy.Request(url=url)
或 scrapy.Request(method=‘GET’,url=url)
发送GET请求，查询参数建议拼接在url内。

spider发送POST请求