爬虫-Scrapy框架使用

  • Scrapy安装

    环境 : Python 3.6.4

    //安装 scrapy
    pip3 install scrapy
    

    查看scrapy命令信息

    scrapy

    Scrapy 1.5.1 - no active project
    
    Usage:
      scrapy <command> [options] [args]
    
    Available commands:
      bench         Run quick benchmark test
      fetch         Fetch a URL using the Scrapy downloader
      genspider     Generate new spider using pre-defined templates
      runspider     Run a self-contained spider (without creating a project)
      settings      Get settings values
      shell         Interactive scraping console
      startproject  Create new project
      version       Print Scrapy version
      view          Open URL in browser, as seen by Scrapy
    
     [ more ]      More commands available when run from project directory
    
    Use "scrapy <command> -h" to see more info about a command
    
    
  • 命令简介

    • 压力测试

    得出你的机器的性能,一分钟能爬去多少页面等信息

    scrapy bench

    2018-08-13 10:52:43 [scrapy.utils.log] INFO: Scrapy 1.5.1 started (bot: scrapybot)
    2018-08-13 10:52:43 [scrapy.utils.log] INFO: Versions: lxml 4.2.4.0, libxml2 2.9.8, cssselect 1.0.3, parsel 1.5.0, w3lib 1.19.0, Twisted 18.7.0, Python 3.6.4 (default, Mar 22 2018, 13:54:22) - [GCC 4.2.1 Compatible Apple LLVM 9.0.0 (clang-900.0.39.2)], pyOpenSSL 18.0.0 (OpenSSL 1.1.0h  27 Mar 2018), cryptography 2.3, Platform Darwin-17.7.0-x86_64-i386-64bit
    2018-08-13 10:52:44 [scrapy.crawler] INFO: Overridden settings: {'CLOSESPIDER_TIMEOUT': 10, 'LOGSTATS_INTERVAL': 1, 'LOG_LEVEL': 'INFO'}
    2018-08-13 10:52:44 [scrapy.middleware] INFO: Enabled extensions:
    ['scrapy.extensions.corestats.CoreStats',
     'scrapy.extensions.telnet.TelnetConsole',
    ...
     'scrapy.extensions.logstats.LogStats']
    2018-08-13 10:52:44 [scrapy.middleware] INFO: Enabled downloader middlewares:
    ['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
    2018-08-13 10:52:44 [scrapy.middleware] INFO: Enabled spider middlewares:
     ['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
     'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
     'scrapy.spidermiddlewares.referer.RefererMiddleware',
    2018-08-13 10:52:48 [scrapy.extensions.logstats] INFO: Crawled 188 pages (at 2400 pages/min), scraped 0 items (at 0 items/min)
    2018-08-13 10:52:54 [scrapy.core.engine] INFO: Closing spider (closespider_timeout)
    2018-08-13 10:52:54 [scrapy.extensions.logstats] INFO: Crawled 404 pages (at 1920 pages/min), scraped 0 items (at 0 items/min)
    2018-08-13 10:52:55 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
    {'downloader/request_bytes': 175202,
     'downloader/request_count': 420,
     'downloader/request_method_count/GET': 420,
     'downloader/response_bytes': 1170656,
     'downloader/response_count': 420,
     'downloader/response_status_count/200': 420,
     'finish_reason': 'closespider_timeout',
     'finish_time': datetime.datetime(2018, 8, 13, 2, 52, 55, 694980),
     'log_count/INFO': 17,
     'memusage/max': 51240960,
     'memusage/startup': 51240960,
     'request_depth_max': 17,
     'response_received_count': 420,
     'scheduler/dequeued': 420,
     'scheduler/dequeued/memory': 420,
     'scheduler/enqueued': 8401,
     'scheduler/enqueued/memory': 8401,
     'start_time': datetime.datetime(2018, 8, 13, 2, 52, 44, 825404)}
    2018-08-13 10:52:55 [scrapy.core.engine] INFO: Spider closed (closespider_timeout)
    
    • 爬取测试

    测试一个网页是否能爬取 , 以百度首页为例,如图

    scrapy fetch http://www.baidu.com

    在最后会获得百度主页的html数据

    • 列出所有的爬虫

    在项目目录下执行下面命令,将列出所有的爬虫名称

    scrapy list

  • 开始一个scrapy爬虫项目

  1. 创建一个scrapy项目,项目名称命名为scrapy_prj:
 scrapy startproject scrapy_prj

结果:

New Scrapy project 'scrapy_prj', using template directory '/usr/local/lib/python3.6/site-packages/scrapy/templates/project',       created in:
  /Users/solumon/Desktop/scrapy_prj

You can start your first spider with:
  cd scrapy_prj
  scrapy genspider example example.com
  1. 创建一个爬虫
scrapy genspider ItcastSpider "http://www.itcast.com"

ItcastSpider: 爬虫名称
"http://www.itcast.com" 爬取的域的范围

执行命令后会获取到ItcastSpider.py文件,内容如下

# -*- coding: utf-8 -*-
import scrapy


class ItcastspiderSpider(scrapy.Spider):
    name = 'ItcastSpider'
    allowed_domains = ['http://www.itcast.com']
    start_urls = ['http://http://www.itcast.com/']

    def parse(self, response):
        pass
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,980评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,178评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,868评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,498评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,492评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,521评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,910评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,569评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,793评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,559评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,639评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,342评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,931评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,904评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,144评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,833评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,350评论 2 342

推荐阅读更多精彩内容